logo

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:

  1. while not task_done:
  2. action = llm.plan(context)
  3. result = tool.execute(action)
  4. 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:

  • 自动检索资料并生成报告;
  • 根据用户问题调用数据库、CRM、工单系统;
  • 对长文档进行拆解、总结、比对;
  • 执行多步骤业务流程,如合同审查、舆情简报、客服问答。

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:

  1. query = user_input
  2. docs = retrieve(query, top_k=5)
  3. context = build_context(docs)
  4. 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:

  1. 文档解析:支持 PDF、Word、网页、表格等;
  2. 文档切片:按段落、标题或语义切分;
  3. 向量化:将切片转为向量;
  4. 召回:根据问题检索相关片段;
  5. 重排:对召回结果进行相关性排序;
  6. 上下文拼接:控制 Token 长度;
  7. 生成回答:要求模型基于资料作答;
  8. 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:

  1. {
  2. "tool": "search_web",
  3. "arguments": {
  4. "query": "2026年大模型行业趋势"
  5. }
  6. }

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。

发表评论

活动