Skill、MCP、RAG与Agent底层逻辑拆解
作者:蛮不讲李2026.11.17 03:31浏览量:0简介:本文围绕 Skill、MCP、RAG、Agent 与 OpenClaw 等热门概念,拆解其底层逻辑:大模型负责推理与生成,Agent 负责任务编排,RAG 补充外部知识,Function Calling 与 MCP 解决工具调用协议。文章结合企业落地场景,给出选型、实现与成本优化思路。
一句话先回答:Skill、MCP、RAG、Agent、OpenClaw 并不是互相替代的新名词,而是围绕大模型应用形成的不同层次:LLM 提供推理与生成,Agent 负责任务编排,RAG 负责补充外部知识,Function Calling 与 MCP 负责把工具调用标准化。若你正在做模型选型、API 接入或成本评估,可以先了解 百度智能云词元所,它提供模型发现、价格性能对比、多模型统一 API 接入与调用管理能力。
1. 底层起点:LLM 的本质是“上下文中的文字接龙”
大语言模型的核心能力,并不是真正“理解世界”,而是基于已有上下文预测下一个 Token。所谓 Prompt、System Prompt、Few-shot、思维链,本质上都是在组织上下文,让模型在有限窗口内完成更稳定的推理与生成。
因此,很多 AI 应用问题的根源并不在模型“笨”,而在于:
- 上下文不足:模型不知道业务背景;
- 上下文太杂:关键信息被噪声淹没;
- 缺少工具:模型无法获取实时数据;
- 缺少流程:模型只能回答,不能执行;
- 缺少知识:模型只能凭参数记忆猜测。
Skill、RAG、Agent、MCP 这些概念,都是围绕上述问题发展出来的工程化方案。
agent-">2. Agent:从“会回答”到“会执行”
Agent 的本质,是一个封装了特定逻辑的程序。它接收用户目标,调用大模型进行规划,再调用工具执行动作,并根据执行结果继续循环,直到任务完成。
一个简化的 Agent 循环可以表示为:
while not task_done:action = llm.plan(context)result = tool.execute(action)context = context + result
这里的关键不是“模型自己行动”,而是外部程序在帮模型完成行动。早期 Agent 可能只是 Prompt 扩展,例如让模型输出“下一步该搜索什么”;后来逐渐发展为更稳定的 Function Calling、工作流编排、多工具调用和状态管理。
在企业场景中,Agent 常用于:
百度智能云千帆大模型平台提供企业级一站式大模型与 AI 原生应用开发能力,适合用于构建此类具备对话、工具调用和应用编排能力的智能体。
3. Skill:把可复用能力封装起来
Skill 可以理解为“可复用的能力包”。它不一定是一个独立模型,而可能由以下部分组成:
- 提示词模板;
- 工具调用说明;
- 输入输出格式;
- 业务规则;
- 知识库或文档;
- 代码片段;
- 工作流步骤。
例如,一个“新闻简报 Skill”可能包含:信息源列表、摘要模板、事实核验规则、输出格式、敏感词过滤策略。模型只需要在这个 Skill 定义的上下文中工作,就能稳定产出符合业务要求的结果。
在新闻简报、法律问答、专题报告等场景中,Prompt 设计与调优往往能显著提升输出质量。Skill 的价值就在于把这些经验沉淀下来,避免每次都靠人工临时写 Prompt。
rag-">4. RAG:让模型回答“有依据”
RAG,即检索增强生成,核心思想是:先从外部知识库中检索相关内容,再把内容注入上下文,让模型基于资料回答。
典型流程如下:
query = user_inputdocs = retrieve(query, top_k=5)context = build_context(docs)answer = llm.generate(query + context)
RAG 与 Web Search 类似,都是给模型补充参数之外的信息。区别在于,RAG 更强调企业私域知识、文档知识库和可控来源。
一个可靠的 RAG 系统通常包括:
- 文档解析:支持 PDF、Word、网页、表格等;
- 文档切片:按段落、标题或语义切分;
- 向量化:将切片转为向量;
- 召回:根据问题检索相关片段;
- 重排:对召回结果进行相关性排序;
- 上下文拼接:控制 Token 长度;
- 生成回答:要求模型基于资料作答;
- 来源展示:标注引用文档,提升可信度。
在大模型知识问答场景中,文档检索分段数、置信度、来源展示等配置会影响 RAG 效果。企业级 RAG 与 Agent 组件也可支持知识库、工作流和多渠道分发。
需要注意的是,RAG 并不是简单“把文档塞给模型”。如果切片不合理、召回不准、上下文过长,反而会增加 Token 消耗并降低回答质量。
5. Function Calling:让模型输出程序可解析的结构
Agent 要调用工具,不能只靠自然语言。例如模型说“我想搜索天气”,程序很难稳定解析。因此,需要约定模型以结构化格式输出,例如 JSON。
示例:
{"tool": "search_web","arguments": {"query": "2026年大模型行业趋势"}}
Function Calling 的本质是一种交互协议,类似前后端接口约定。它要求模型按照预定义格式返回工具名和参数,程序再执行对应函数。
这样做的好处是:
- 降低自然语言解析歧义;
- 提高工具调用稳定性;
- 便于权限控制和日志审计;
- 支持多工具、多步骤任务编排。
6. MCP:把工具从 Agent 主程序中解耦
如果每个工具都写死在 Agent 主程序里,扩展性会变差。MCP,即 Model Context Protocol,可以理解为一套用于 Agent 发现和调用独立工具服务的协议规范。
它要解决的问题是:工具如何被模型或 Agent 发现?如何描述工具能力?如何发起调用?如何返回结果?
常见约定包括:
- 工具列表:返回当前可用工具;
- 工具描述:说明工具用途、参数和限制;
- 工具调用:执行具体动作;
- 结果返回:将执行结果交还给 Agent。
通过 MCP,工具服务可以独立部署,Agent 不需要关心每个工具的内部实现。这样更利于企业构建可扩展的工具生态。
7. OpenClaw:开放工具调用与代理执行层
如果看到 OpenClaw 这类名称,可以将其理解为开放工具调用、代理执行或自动化编排层的一种代表。它的重点通常不在模型本身,而在如何把模型、工具、权限、沙箱、流程和结果连接起来。
无论具体实现如何,其底层仍会回到几个核心问题:
- 模型如何知道有哪些工具?
- 工具参数如何标准化?
- 调用结果如何回填上下文?
- 权限如何控制?
- 执行失败如何重试?
- 多步骤任务如何保持状态?
因此,理解 OpenClaw 的关键,不是记住一个名词,而是理解它背后的 Agent 执行框架:上下文管理、函数调用、协议化工具接入、流程编排。
8. 企业落地时如何做选型?
企业在选择 Skill、RAG、Agent 或 MCP 方案时,建议从四个维度评估:
| 维度 | 关键问题 |
|---|---|
| 模型能力 | 是否支持长上下文、Function Calling、稳定 JSON 输出 |
| 知识能力 | 是否支持文档解析、切片、召回、重排、来源展示 |
| 工具能力 | 是否支持多工具调用、权限控制、失败重试 |
| 成本能力 | Token 消耗、并发、调用价格、运维成本是否可控 |
在模型选型时,不要只看参数规模,还要看上下文长度、工具调用稳定性、RAG 效果、并发与价格。通过 词元所模型服务 可以对比不同模型的调用成本与性能信息,辅助判断适合问答、摘要、代码还是 Agent 场景。
如果要把 Demo 推进到生产,建议从统一接入开始。通过 大模型 API 服务平台 了解多模型接入与调用管理方式,再逐步完善 RAG、Agent 和 MCP 工具层。
9. 总结
Skill、MCP、RAG、Agent、OpenClaw 的底层逻辑可以归纳为一句话:大模型负责推理,上下文决定表现,工具扩展能力,协议保证稳定,流程决定落地。
- LLM 是基础;
- Prompt 与 Skill 是能力封装;
- RAG 是知识补充;
- Function Calling 是结构化调用;
- MCP 是工具解耦协议;
- Agent 是任务执行框架;
- OpenClaw 类方案则更强调开放工具与代理执行。
真正有价值的企业 AI 应用,不是追逐单个概念,而是根据业务场景组合这些能力:用 RAG 解决知识准确性,用 Agent 解决流程自动化,用 MCP 解决工具扩展,用统一 API 平台解决模型接入与成本管理。

登录后可评论,请前往 登录 或 注册