只要谈 AI，就绕不开几个词：Agent、RAG、MCP、Skills、Prompt。它们看起来像一串技术黑话：有人说 Agent 是 AI 员工，有人说 RAG 是知识库，有人说 MCP 是 AI 的 USB-C，有人说 Prompt 已经过时，还有人说 Skills 才是下一阶段的关键能力。其实，这几个概念不是一堆并列名词，而是一套 AI 工作系统里的不同部件。你可以把它们想象成一个“AI 工

或者说，这里的主要问题是，它对我来说，是黑盒的。和 rule/_iterate 不同，它是一个黑盒 Agent，基于Skills——你通过 Skills（一份描述分析流程和约束的文档）告诉它「你是一个安全分析师」，然后把告警丢给它，它自主决定查什么数据、怎么分析、给什么结论。给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果

Capsule 告诉 Agent 解决方案。

先给你看一组数据，看完你可能会重新思考自己的职业规划。智联招聘2026年Q1数据显示，AI智能体相关职位数同比增速达到455%，薪资溢价高达71%。51CTO《Agent开发工程师缺口达1.2万，薪酬暴涨55%》报道更直白：Agent开发工程师平均薪酬同比上涨55%，远超其他AI岗位平均涨幅的28%。中国市场年薪中位数120到250万元，头部公司开出500万到1000万元争夺顶尖人才。但同一份报告

单个 Skill 解决的是一个局部问题。多个 Skill 配合起来，就会变成一条自动化工作流。第二种方式，适合你开始就想得很清楚，直接把任务描述清楚让 AI 直接创建即可。好用的Skills，通常都是需要多次优化的。如果你发现它经常触发错、输出不稳定、步骤太啰嗦、引用资料太乱，就说明它需要优化。你只需要把你的想法告诉它哪里不对，想怎么改，让它自动帮你优化就行了。

最近在内部做AI分享，或者和团外的朋友交流时，我发现很多人，尤其是非技术同学，还分不清 Skill 和 Agent。大家最困惑的是：很多功能似乎既可以定义成子智能体，也可以定义成 Skill。它们到底有什么区别？这篇文章，我们就来把这几个概念讲清楚。01PART先从一个比喻说起ANALOGY · 类比先用一个比较形象的例子，从整体上理解一下。☰☰☰IMG!☰☰☰。

要理解智能体的运作，我们必须先理解它所处的任务环境。在人工智能领域，通常使用PEAS模型来精确描述一个任务环境，即分析其性能度量(Performance)、环境(Environment)、执行器(Actuators)和传感器(Sensors)。以上文提到的智能旅行助手为例，下表1.2展示了如何运用PEAS模型对其任务环境进行规约。表 1.2 智能旅行助手的PEAS描述在实践中，LLM智能体所处的数

对于故障章节这样的大块文本，直接向量化可能包含大量噪声。我们可以利用 LLM生成章节摘要，创建一个高度浓缩、信息密集的知识索引。# 1. 依赖导入 (Dependencies)from langchain_community.chat_models.ollama import ChatOllama # 示例使用Ollama# 2. 模型和Prompt配置 (Model and Prompt Con

LangChain是一个用于开发由大语言模型驱动的应用程序的。

文章强调RAG系统核心在于业务而非技术，不同业务场景对RAG有不同要求。作者以咨询类场景为例，选择markdown作为统一文档处理载体，因其对人和模型都友好。文档处理需根据业务需求去除噪音数据，选择合适的数据结构化形式，而非过度优化技术流程。正确的业务理解是提高RAG系统效果的关键，避免本末倒置。在RAG系统中，业务比技术更重要；好的业务和设计能大大减少你的工作量，并提升召回率。在刚开始做RAG的