AI 工作系统核心概念：LLM、Agent、Skill 与 MCP

📚 系列导航：上一篇 WorkBuddy 自动化任务设置教程 已经完成前一阶段；本篇聚焦把模型、Agent、工具、Skill 和工作流放进同一张 AI 工作系统地图；下一篇 WorkBuddy Word、Excel 与 PPT 办公教程 继续后续学习。

先给结论：模型负责理解和生成，Agent 围绕目标组织行动，Skill 提供专业方法，Tool 与 MCP/API 触达真实系统，知识库和记忆提供依据，人负责权限、检查点和最终验收。

模型是大脑，Agent 是调度员，Skill 是手册，工具是手脚，人负责边界与验收

AI 产品的名词越来越多：模型、Agent、Skill、MCP、RAG、记忆、工作流……单独看每个词都不难，放在一起就容易混成一锅粥。

flowchart LR
    U[用户目标与资料] --> A[Agent 规划]
    A --> L[LLM 理解与生成]
    A --> S[Skill 方法与脚本]
    A --> T[Tool / Connector]
    T --> M[MCP / API]
    M --> X[文件、知识库与业务系统]
    L --> R[中间结果]
    S --> R
    X --> R
    R --> C[检查点与验收]
    C --> O[最终产物]

这张图可以记成五个角色：

模型 = 大脑
Agent = 调度员
Skill = 专家手册
工具与接口 = 手脚
人 = 裁判

LLM 的工作原理与内容生成方式

LLM 是 Large Language Model（大语言模型）。它从大量数据中学习语言与知识模式，再根据当前输入生成后续内容。

它擅长理解、归纳、改写、抽取结构、生成草稿和代码，也能接着工具返回的结果继续分析。

但它不天然保证：

• 每个事实都正确
• 知道企业最新内部状态
• 拥有真实证据
• 自动获得文件、账号、数据库和网络权限
• 替你承担业务、法律和决策责任

LLM 为什么会出现幻觉

模型的目标是生成连贯内容，不是充当内置事实数据库。资料缺失、问题含糊，又要求它给出确定答案时，它可能用“看起来合理”的内容补上空白。

降低幻觉可以做五件事：提供可靠资料、要求标注来源、允许回答“无法确认”、把事实提取和建议生成分开、高影响结论人工复核。

💡 一句话总结：模型说得肯定不等于事实正确；资料、来源和复核才是证据链。

Token 与上下文窗口的作用

Token 是模型处理内容的基本单位，不完全等于字数。上下文窗口则是一次推理中输入、历史对话、工具结果和输出能占用的总容量。

把上下文想成一张工作台：文件、对话、规则和工具输出全要摊在上面。台面大不代表应该把所有东西都倒上去。

上下文过长可能带来：

• 旧要求与新要求冲突
• 关键资料被无关内容淹没
• 成本和等待时间增加
• 模型引用过期版本

更稳的做法是按项目整理当前规则、已确认事实、决策记录和本次输入。长期信息落进文件、知识库或项目记忆，不要把无限聊天记录当数据库。

💡 一句话总结：上下文是有限工作台，不是资料垃圾场；该落盘的落盘，该分项目的分开。

Prompt 在 AI 工作系统中的作用

Prompt 是给模型或 Agent 的输入，包括目标、背景、资料、约束、示例和输出要求。

好 Prompt 不靠长，而靠能执行、能验收：

Prompt、任务卡、SOP 和 Skill 是逐级固化：

Prompt：本次怎么说
任务卡：同类任务怎么填
SOP：固定步骤、角色、检查点和异常处理
Skill：把稳定 SOP、脚本和资源封装成能力

不是每个 Prompt 都值得变成 Skill。先跑通、重复成功、模式稳定，再固化。

💡 一句话总结：Prompt 是任务单；重复跑顺以后，才值得逐步沉淀成 SOP 和 Skill。

Agent 在 AI 工作系统中的作用

Agent 不只回答一次，而是循环执行：理解目标、观察环境、决定下一步、调用工具、读取结果、修正计划，直到交付或触发停止条件。

flowchart TD
    A[接收目标] --> B[观察资料与状态]
    B --> C[规划下一步]
    C --> D[调用工具执行]
    D --> E[读取结果与错误]
    E --> F{完成或应暂停？}
    F -->|继续| B
    F -->|暂停| G[请求人工确认]
    F -->|完成| H[交付并验收]

Agent 遇到关键输入缺失、目标冲突、权限不足、成本超预算、动作不可逆或结果无法验收时，应该停下来问人。

💡 一句话总结：Agent 的专业不只体现在会继续做，还体现在知道什么时候必须停下来。

Tool 与 Connector 的区别

Tool 是 Agent 可以调用的具体能力，例如读文件、搜索、生成表格或发消息。Connector 通常是产品已经封装好的第三方服务连接。

模型懂得“怎么发邮件”，不代表它能真的发送。实际行动还需要邮件工具、账号、网络和权限。

每接一个工具，都问五件事：

1. 使用谁的身份
2. 能读取什么
3. 能修改什么
4. 数据会发到哪里
5. 失败后如何停止和回退

💡 一句话总结：模型“知道怎么做”和系统“允许它去做”是两回事；失败时先查工具与权限，再怪模型。

Skill 在 AI 工作系统中的作用

Skill 把说明、脚本、知识、模板和测试组织起来，让 Agent 更稳定地完成某类任务。

invoice-skill/
├── SKILL.md          # 触发条件、步骤、边界与输出
├── references/       # 字段、分类和业务规则
├── scripts/          # OCR、校验、表格处理
├── templates/        # Excel 和报告模板
└── tests/            # 正常与异常样例

Skill 是方法封装，不是能力保证。第三方 Skill 可能读取目录、外发资料、获取凭证、执行命令或包含恶意代码。安装前检查来源、代码、权限、网络、凭证、成本和停用方法，并先在隔离目录测试。

💡 一句话总结：Skill 能固定做法，也能携带风险；把它当插件审查，不要当普通提示词盲装。

MCP 与 API 的区别

API 是软件之间交互的接口。MCP 则规定 AI 客户端如何发现工具、读取资源和调用能力。

API = 地基
MCP Server = 在地基上给 Agent 修的一扇标准门

MCP 解决“怎么连”，但不自动解决数据合规、密钥保管、结果正确、身份管理和最小权限。

• 用户级连接适合多个项目复用的公共能力。
• 项目级连接适合客户、数据库或业务专属工具。

敏感连接优先项目隔离，避免无关任务误调用。使用成熟 MCP 更方便，直接 API 更灵活，但两者都要审查认证、权限、错误和限流。

💡 一句话总结：MCP 帮你省适配，不帮你免审；背后调用什么 API、使用什么权限，仍要看清。

知识库、RAG 与记忆的区别

• 知识库：保存制度、产品、案例和 SOP 等可检索资料。
• RAG：先检索相关片段，再把片段提供给模型生成回答。
• 记忆：保存偏好、长期规则、项目决策或历史状态。

RAG 效果取决于资料质量、分段、元数据、检索和引用。记忆则要有来源、日期、负责人和更新机制，否则旧规则会被长期放大。

💡 一句话总结：上下文是短期工作台，知识库是可查资料室，记忆是长期设定；三者都可能过期和出错。

Workflow 与 Agent 的区别

Workflow（工作流）是在设计阶段确定步骤和分支的生产线；Agent 则在执行阶段根据环境决定下一步。

Agent 不一定比 Workflow 强。确定任务用 Workflow 更稳、更便宜、更好审计；开放目标才值得让 Agent 动态判断。

两者可以嵌套：Agent 把稳定子任务交给 Workflow；Workflow 也可以在某个节点调用 Agent 处理非结构化输入。

💡 一句话总结：确定的环节交给 Workflow，不确定的环节交给 Agent；真正可靠的系统通常把两者组合起来。

AI 工作系统组件选择表

组件不是越多越专业。能用固定流程解决，就别硬上复杂 Agent；一次性的要求，也别急着造 Skill。

本篇小结

一次可靠 AI 任务通常是这样完成的：

人给目标与边界
→ Agent 组织行动
→ LLM 理解和生成
→ Skill 提供方法
→ Tool / MCP / API 触达系统
→ 知识库与记忆提供依据
→ Workflow 固定稳定环节
→ 人检查并验收

你现在应该能：看到一个 AI 产品功能时，判断它究竟是在换模型、加工具、接数据、封装 Skill，还是把流程变成 Agent。地图有了，后面选能力就不会只看名词热闹。

下一篇 11 · 办公三件套：Word、Excel、PPT：概念地图到这里收好，接下来进入案例篇，用真实办公产物检验这套系统。