AI入门30｜最终篇：从大模型到Agent，把今天的AI世界重新拼起来
这是《AI入门：从大模型到智能体》的最后一篇。
前面用了很多篇文章，分别讲了：
大模型；
Token；
上下文；
Prompt；
多模态；
Agent；
Harness；
工具；
MCP；
知识库；
记忆；
Skill；
Subagent；
Multi-Agent；
Embedding；
RAG；
微调；
API；
本地模型和云端模型。
单独看，每一个词都不算特别复杂。
真正难的是：
它们到底是什么关系？
所以最后一篇，不再增加新概念。
我们把整个AI世界重新拼一次。
一、最底层先是“模型”
今天很多生成式AI能力，核心来自大模型。
它通过大量训练获得：
语言理解；
生成；
推理；
代码；
多模态等能力。
可以把模型理解成整个系统最核心的“智能来源”。
但模型本身不等于ChatGPT，也不等于Agent。
二、模型工作离不开Token和上下文
文字进入模型以后，会被转换成Token处理。
而模型一次能够处理多少信息，受到上下文窗口影响。
所以模型并不是天然看到你的：
全部聊天；
整个硬盘；
全部知识库；
整个互联网。
它只能使用当前任务真正进入上下文的信息。
这也是为什么“给AI什么信息”如此重要。
三、Prompt负责告诉AI当前要做什么
Prompt并不是神秘咒语。
本质上就是：
任务说明。
你告诉AI目标、材料、重点、限制和输出。
但Prompt只是上下文的一部分。
一个好结果还依赖：
正确资料；
工具；
模型能力；
整个Agent运行方式。
四、大模型进一步进入Agent
如果AI只能：
你问一句，它答一句，
它主要还是聊天助手。
如果它可以：
自己读取文件；
调用工具；
搜索资料；
运行代码；
持续执行多个步骤；
生成并保存成果，
它就越来越接近：
Agent，智能体。
所以可以用一个非常简化的理解：
大模型提供智能，Agent把智能变成任务执行。
五、Harness负责把Agent组织起来
一个Agent为什么知道：
什么时候调用工具；
工具返回后下一步做什么；
失败以后是否重试；
上下文太长以后怎么处理？
这背后往往就涉及：
Harness。
它负责围绕模型组织Agent Loop、工具、上下文和运行规则。
这也是为什么同一个模型放在不同Agent里，实际表现可能差很多。
六、工具让Agent接触真实世界
模型自己不会天然知道：
今天的新闻；
你邮箱里的邮件；
电脑里的文件；
数据库里的最新数据。
所以Agent需要工具。
搜索、文件系统、浏览器、数据库、终端、代码执行，都可以成为工具。
模型负责判断，工具负责真正执行动作。
七、MCP和连接器负责“把外部能力接进来”
工具越来越多以后，就需要更标准的连接方式。
MCP就是其中非常重要的一套开放协议。
一些产品会把外部集成功能叫“连接器”。
连接器背后可能使用MCP，也可能使用官方API或产品自己的集成方式。
普通用户最重要的是理解：
这些能力都在帮助Agent连接外部系统。
八、API让模型和服务进入各种软件
为什么同一个大模型可以出现在很多不同产品里？
因为开发者可以通过API调用模型能力。
所以今天AI早就不只是几个聊天网站。
它可以进入：
办公软件；
代码工具；
企业系统；
Agent；
各种自动化程序。
API是这个生态非常基础的一层。
九、知识库、Embedding和RAG负责“找资料”
如果资料很多，就不能全部塞进上下文。
于是需要知识库。
Embedding帮助系统按照语义相似度找到相关内容。
RAG则进一步把整个过程组织成：
先检索；
再把资料放进上下文；
最后让模型生成答案。
所以专业AI的可靠性，很大一部分来自：
模型不是只靠记忆回答，而是在需要时先查资料。
十、记忆负责保存长期有价值的信息
知识库存大量资料。
记忆则更适合保存：
用户偏好；
长期背景；
项目状态；
重要决定。
它让AI不必每次重新认识你。
所以：
知识库更像资料室。
记忆更像长期合作过程中留下的工作信息。
十一、Skill让Agent不必每次重新学方法
Prompt告诉AI：
这次做什么。
Skill告诉Agent：
这一类事情通常怎么做。
于是合同审查、案例检索、会议纪要、代码检查等重复工作，可以逐渐形成可复用的方法。
Agent开始从：
“什么都要重新教”
变成：
“已经会一些固定工作”。
十二、复杂任务还可以进一步拆给Subagent
一个主Agent内部，可以把不同子任务交给多个Subagent。
它们分别研究、处理、复核，再把结果交回主Agent。
这是：
一个Agent内部的任务分工。
如果是多个相对独立的Agent之间协作，则属于：
Multi-Agent。
两者不能混为一谈。
十三、模型还可以通过微调进一步改变行为
如果只是需要最新资料，通常可以用RAG。
如果希望模型本身在某类任务上的行为更加稳定，则可能考虑Fine-tuning。
所以：
RAG改变模型拿到的信息。
微调改变模型本身。
这是两个完全不同的方向。
十四、这些模型可以运行在云端，也可以运行在本地
云端模型通常使用方便、能力强，不需要自己维护硬件。
本地模型则强调控制、隐私、离线和私有化部署。
而“开源”或“开放权重”讲的是模型开放程度，不等于一定在本地运行。
所以今天的AI并不是只有一种形态。
它可以部署在不同环境，再和不同工具、知识库和Agent组合。
十五、把整套关系压缩成一张文字地图
可以这样理解：
AI
↓
大模型：提供智能
↓
Token / Context / Prompt / Multimodal：模型如何接收和处理信息
↓
Agent：让模型开始完成任务
↓
Harness：组织Agent怎么持续运行
↓
Tools：让Agent真正执行动作
↓
MCP / Connectors / API：连接外部系统和服务
↓
Knowledge Base / Embedding / RAG：让Agent找到需要的资料
↓
Memory：保存长期信息
↓
Skill：复用工作方法
↓
Subagent / Multi-Agent：进一步分工与协作
这就是今天一个现代AI工作系统的大致轮廓。
十六、AI入门真正需要学会的，不是背名词
理解这些概念以后，你不一定需要：
自己训练模型；
自己写MCP；
自己部署向量数据库；
自己开发Agent Harness。
但以后再看到一个AI产品，你应该能够判断：
它用的是什么模型？
它只是聊天，还是Agent？
它有哪些工具？
能不能连接外部系统？
有没有知识库和RAG？
有没有记忆和Skill？
能不能调用Subagent？
这些问题比单纯问：
“这个AI聪不聪明？”
更接近真实的AI能力。
十七、这个系列到这里结束
《AI入门：从大模型到智能体》解决的是：
这些东西到底是什么。
但理解概念以后，下一个问题才真正开始：
我们应该怎样选择模型？
怎样组织Agent？
怎样设计Skill？
怎样搭知识库？
怎样管理项目文件？
怎样安排多个Agent协作？
怎样让AI真正进入每天的工作？
这些就不再只是“AI入门”。
它进入的是另一个主题：
如何建立自己的AI工作系统。
这也是《AI优先：建立自己的AI工作系统》要解决的问题。
所以两个系列可以用一句话连接：
《AI入门》告诉你今天的AI世界由什么组成；《AI优先》告诉你怎么把这些东西真正组织起来，为自己工作。
