你是否也有过这样的感受：关于 AI 的讨论无处不在，你时常听到 Token、Prompt、MCP、Agent、Skill 这些词在耳边打转，隐约觉得它们很重要，可真要你说清楚它们分别指什么、彼此又是什么关系，脑子里却像隔着一层雾。

其实，这种感觉恰恰说明你触碰到了当前 AI 生态中最核心的那一层——它们不是零散的流行词，而是共同构成了一张从“底层模型”到“上层应用”的技术地图。

接下来，我将这些关键词分为四个层级，逐一拆解，并在最后为你梳理出一张清晰的全景图。读完这篇，你不仅能听懂每一场 AI 对话，更能看清它们背后那条完整的逻辑链。

为了让你更清晰地把握全局，我将这些概念划分为四个层级逐一拆解，并在最后梳理它们之间的深层关联。

1. 核心基础层：模型的“大脑”与“记忆”
这一层决定了 AI 能做什么，以及它能记住多少信息。

• Token（词元）

  • 含义：AI 处理文本的最小单元。它不完全等同于“字”或“单词”，通常一个汉字约合 1–2 个 token，一个英文单词约合 1–1.5 个 token。

  • 作用：AI 的“计量单位”。模型的理解能力、生成速度、费用成本，皆以 Token 为基准。

• Context Window（上下文窗口）

  • 含义：模型单次所能处理的 Token 上限（如 128k、1M tokens）。

  • 作用：决定了 AI 的“短期记忆”容量。窗口越大，AI 能阅读的文档越长，能留存的对话历史越久，应对复杂任务的能力也越强。

• Context Engineering（上下文工程）

  • 含义：一个新兴的工程学科。在有限的 Context Window 内，通过检索、压缩、排序、摘要等策略，精准构建出最适合当前任务的输入信息。

  • 作用：解决“模型虽聪明却记不住、抓不住重点”的难题。它是连接 RAG、Prompt 与 Model 的桥梁，也是打造高质量 Agent 的关键瓶颈。

• Prompt（提示词）

  • 含义：给 AI 的指令、背景信息或示例。

  • 作用：激活模型能力的“钥匙”。在 Agent 时代，Prompt 不再只是简单的一问一答，而是包含角色设定、工具定义、思维链（CoT）等结构化内容的系统级指令。

2. 能力扩展层：让 AI “长出手脚”
大模型本身只能生成文本，这一层赋予了它行动和获取外部知识的能力。

• Tool Calling（工具调用 / Function Calling）

  • 含义：模型根据用户意图，自主决定调用哪个外部 API 或函数，并生成正确的参数格式。

  • 作用：让 AI 从“聊天机器人”蜕变为“执行者”。例如查天气、写代码、操作数据库，这正是 Agent 的核心驱动力。

• RAG（检索增强生成）

  • 含义：在作答之前，先从外部知识库中检索相关信息，将其注入 Prompt，再由模型生成答案。

  • 作用：解决模型幻觉与知识过时问题，让 AI 能够调用“私有知识”与“实时信息”。

• Vector Database（向量数据库）

  • 含义：专门存储文本或图像向量（Embeddings）的数据库，支持语义相似度搜索。

  • 作用：RAG 的“基础设施”，让 AI 能通过“意思”而非“关键词”来查找数据。

• MCP（模型上下文协议）

  • 含义：由 Anthropic 提出的开放标准协议，旨在统一 AI 模型与外部数据源、工具之间的连接方式。

  • 作用：AI 世界的“USB-C 接口”。以往每个工具都要单独编写适配代码；有了 MCP，Agent 可以即插即用地连接各类服务与数据，极大降低集成成本。

• Computer Use（计算机使用）

  • 含义：AI 直接像人一样操作电脑 GUI（点击鼠标、敲击键盘、识别屏幕像素），而非仅仅调用 API。

  • 作用：应对“没有 API 怎么办”的场景。让 AI 能操控遗留系统、网页端软件，是实现全能 Agent 的最后一块拼图。

3. 智能体与工作流层：编排与执行
这一层将上述能力组装成能够完成复杂任务的系统。

• Agent（智能体）

  • 含义：具备感知、规划、记忆、工具使用能力的自主 AI 系统。它不仅回答问题，更会为达成目标而主动拆解任务、循环执行。

  • 作用：AI 应用的终极形态。例如，一个自动帮你调研市场并输出报告的 AI 员工。

• Skill（技能）

  • 含义：Agent 所具备的具体能力模块，通常封装了特定的 Prompt + Tool + 逻辑。

  • 作用：模块化设计。一个 Agent 可以加载“数据分析 Skill”、“邮件写作 Skill”等，像安装插件一样扩展能力。

• Workflow（工作流）

  • 含义：预定义的、确定性的业务流程编排（如 Dify/Coze 中的画布）。

  • 作用：保障业务稳定性。Agent 擅长“自主决策”，适合开放任务；Workflow 擅长“按部就班”，适合标准化流程。现代架构常将二者结合，在 Workflow 中嵌入 Agent 节点。

• Harness（框架/测试套件）

  • 含义：在 AI 工程中，通常指用于评估、测试或运行 Agent 的基础设施框架（如 Evaluation Harness）。

  • 作用：确保 Agent 靠谱。用于自动化测试 Agent 在不同场景下的表现，防止上线后“翻车”。

4. 开发范式与环境层：人与 AI 的协作

• Vibe Coding（氛围编程）

  • 含义：Andrej Karpathy 提出的新概念。开发者不再逐行写代码，而是用自然语言描述需求，完全依赖 AI 生成代码，自己仅负责验证与引导“氛围”。

  • 作用：开发效率的一场革命。它的实现，高度依赖强大的 Agent 与 Context Engineering。

• Workspace（工作空间）

  • 含义：为 AI Agent 提供的隔离运行环境（沙箱），包含文件系统、终端、浏览器等。

  • 作用：安全与持久化。Agent 需要一个地方存放文件、运行代码、保持状态，Workspace 就是这张“虚拟办公桌”。

🔗 它们之间的相互联系（全景图）
如果把构建一个 AI 应用比作“培养一名数字员工”，它们的关系便一目了然：

概念	类比	相互关系
Token	脑细胞/能量	所有交互的基础消耗单位。
Context Window	脑容量	限制了同时能处理多少 Token。
Context Engineering	整理笔记的方法	在有限脑容量下，通过 RAG 和 Prompt 优化，把最关键的信息塞进去。
Vector DB + RAG	图书馆 + 查阅能力	为 Context Engineering 提供外部知识素材。
Prompt	岗位说明书	告诉模型你是谁、该怎么做，定义 Agent 的行为边界。
Tool Calling	动手能力	Agent 通过它来执行具体操作。
MCP	万能转接头	让 Tool Calling 能够标准化地连接各类外部服务。
Computer Use	实操电脑的能力	当 Tool Calling（API）不可用时的备选方案。
Skill	职业技能证书	封装好的 Prompt + Tool 组合，供 Agent 随时调用。
Workflow	SOP 标准作业程序	编排多个 Agent 或 Skill 按固定顺序协作。
Workspace	办公工位	Agent 执行 Computer Use 和文件操作的物理场所。
Harness	绩效考核系统	用来测试 Agent 和 Workflow 是否达标。
Vibe Coding	新型师徒制	人类利用上述所有技术，通过自然语言指挥 AI 完成软件开发。

💡 总结与趋势

• 从 Prompt Engineering 到 Context Engineering：大家发现，光写好提示词已远远不够，如何动态管理海量上下文，才是决定 Agent 聪明程度的关键。

• MCP 成为连接器：工具调用正在从“定制化”走向“标准化”，MCP 是当前最重要的趋势之一。

• Agent 是容器：其他所有技术——RAG、Tool、Memory——最终都是为了服务于 Agent 这一载体。

• Vibe Coding 是结果：当上述技术臻于成熟，人类的编程方式也将被永久改变。

这套体系正在快速迭代。掌握这些概念的内在联系，就等于握住了理解当下 AI 技术变革的一张地图。