最近看了飞天闪客的视频，他用一种非常接地气的方式，把那些听起来高大上的 AI 名词拆解开了。如果你也被 LLM、Agent、MCP、RAG 搞晕了，看这一篇就够了。

我们先来一波祛魅：

1. Skill并没有那么高大上，它只是固定了Prompt，换了个地方存储而已，算不上什么新技术。

2. 最近爆火的OpenClaw，它只是能自主干活，还没有所谓的技术大幅突破，核心还是依赖Agent、Skill等旧概念。

3. Agent听起来很科幻，本质就是个“传话筒”，专门处理大模型不会、不需要智能就能完成的活儿。

4. Function Calling和MCP看似高深，其实就是“约定”——一个约定Agent和大模型怎么聊，一个约定Agent和工具怎么连。

5. 所有AI新概念，说到底都是围绕Prompt做文章，要么帮着加上下文，要么帮着减少和大模型的沟通次数。

6. MCP和Workflow都比较鸡肋，MCP未来会被内化到Agent主程序，Workflow既不如编程框架适配程序员，也不如Skill适配普通人，迟早会被淘汰。

1. 基础概念：大模型与对话

LLM（大语言模型）：本质上是只会做“文字接龙”的超级员工。

Prompt（提示词）：你给员工下达的任务指令。

Context（上下文）：沟通时的背景信息。

Memory（记忆）：因为大模型记不住之前的对话，所以每次沟通前，把之前的聊天历史全塞进 Context 里，伪装成它有记忆。

2. 进阶能力：Agent 与检索

Agent（智能体）：给大模型配一个“代理程序”。大模型负责思考，程序负责跑腿（上网、查资料、操作软件）。

RAG（检索增强生成）：相当于给大模型一本参考书。通过向量数据库把相关的本地文档找出来，塞进上下文，解决大模型胡说八道的问题。

3. 连接协议：它们是怎么“沟通”的？

这是最容易混淆的部分，博主给出了非常清晰的定义：

Function Calling（函数调用）：

【模型 ↔ Agent】 之间的约定。让模型按固定格式（如 JSON）说话，方便程序解析。

MCP（模型上下文协议）：

【Agent ↔ 工具服务】之间的约定。像是一套标准接口文档，规定 Agent 怎么去调用各种外部工具。

4. 任务流：从“刚性”到“柔性”

为了完成复杂任务，行业内有几种不同的实现方式，它们的区别在于稳定性与灵活性的平衡：

模式 实现方式 特点 LangChain 纯代码编程 最稳定。流程硬编码，但缺乏灵活性。 Workflow 低代码拖拽 较稳定。图形化操作，适合简单的固定流程。 Skill（技能） 文档 + 脚本 平衡点。把提示词和脚本固化下来，按需加载。 Pure Agent 纯自主思考 最柔性。流程自己定，但最不可控，且费 Token。

什么是 Skill？ > 飞天闪客认为 Skill 本质上是一个 Prompt 加载器。它把原本要写在提示词里的复杂要求和工具说明，换个地方存成了 .md 文件，需要时才读取。

四、OpenClaw又是啥

OpenClaw（ClawdBot） 本质是基于前面提到的Agent、Skill、Memory等核心名词，打造的“可直接落地、高易用性”的通用Agent产品，近期因“能自主干活”在GitHub爆火。

五、博主最后总结了一个看透所有新概念的统一视角：

  1. 本质都是“塞”： 所有的 Search、RAG、Skill，本质上都是在帮我们自动往 Prompt 里面增加上下文信息。

  2. Agent 是“智能”的对立面： 一个流程中，所有能用固定程序（不需要动脑子）解决的部分，就是 Agent 发挥作用的地方。

  3. 趋势是“便利”： 未来的趋势不是去深究这些技术名词，而是会出现一个“超级 Agent”，把这些乱七八糟的配置全部内化掉。

小闲认为：

这恰恰体现了 AI 已经发展到了一个阶段。大模型基本上已经没有太多的技术突破，只能往应用层发展。那应用层怎么让普通人快速去了解？这是所有 AI 公司都在思考的问题。虽然说现在skill已经是简化了一定程序，Openclaw 也打出了个人助手的名头，但是对普通人来说依然有差距。我安装 Openclaw 都安装了好几个小时，什么时候这之间的鸿沟能够补齐，才是 AI 真正刺激需求的开始。

打开网易新闻 查看精彩图片