Article
我对当前 AI Agent 相关技术的理解如下。为了避免概念混乱，我使用一个统一的比喻来串联这些概念：
把智能体想象成「超市里的服务机器人」。
概念理解（超市类比）
Rules（规则）
用于约束机器人长期行为边界，定义什么可以做、什么绝对不能做，始终生效。
类比：
- 服务规范
- 安全守则
- 合规要求
例子：
- 必须礼貌对待顾客
- 不能提供错误或误导性信息
Rules 决定的是行为边界，而不是具体任务。
Prompt（提示词）
用户在当前场景下提出的具体需求，用来告诉机器人“这一次你要做什么”。
类比：
- 顾客对机器人说的话
- 一次性的指令或请求
例子：
“帮我找到牛奶在哪里。”
机器人会根据 Prompt，理解目标并开始执行。
RAG（Retrieval-Augmented Generation）
当机器人需要依赖真实、可更新的信息来完成任务时，通过查询外部资料或知识库来辅助回答，而不是凭模型自身记忆生成内容。
类比：
- 查询超市库存系统
- 查看商品说明书或内部资料
例子：
- 确认商品是否有货
- 查询商品的成分、保质期
RAG 的核心价值是基于事实回答，而不是“额外推荐”。
Agent Skills（技能）
Agent 拥有的一组可复用、结构化的能力模块，用于完成特定类型的任务。
类比：
- “带路技能”
- “查库存技能”
- “生成清单技能”
特点：
- 可复用
- 有固定执行流程
- 可根据任务动态选择和组合
机器人会先判断：
“这个需求属于哪一类技能？”
然后按对应流程执行，必要时调用脚本或工具完成任务。
MCP（Model Context Protocol）
用于打通模型与外部真实系统之间的安全通道，使 Agent 能够在受控前提下执行真实操作。
类比：
- 员工工牌
- 内部系统访问权限
- 后台操作接口
例子：
- 允许机器人进入仓库拿商品
- 允许调用库存系统或订单系统
MCP 本身不负责“思考”，
而是决定 模型是否有权限接触和操作真实世界资源。
总体理解与结论
这些概念并非互相替代，而是在 Agent 系统中层层叠加、各司其职：
- Rules：定义长期行为边界
- Prompt：定义当下任务目标
- RAG：提供基于真实数据的事实依据
- Agent Skills：提供结构化、可复用的执行流程
- MCP：连接并调用真实世界的系统能力
最终结果是：
Agent 在 Rules 约束下，根据 Prompt 决定目标，
通过 Skills 规划执行路径，
必要时借助 RAG 获取事实，
并通过 MCP 安全地完成真实操作。