一篇文章讲清楚 AI Agent 的核心概念:从 Token、Skill、RAG 到 MCP、SDD 和 Harness 工程

1、Agent

Agent是以 LLM 为核心，具备规划（Planning）、记忆（Memory）和工具调用（Tool Use）能力，能够自主拆解复杂任务、循环执行、感知反馈并持续推进任务直到完成的计算实体，实现从“文本生成”到“任务自主执行”，不再只是被动响应指令，而是能像人类员工一样，自主实现任务闭环。

2、大模型预训练

预训练是在海量通用数据上训练模型，让它先学会语言规律、通用知识和基础能力，训练出一个可以复用的基座模型，训练方式是自监督学习，对大语言模型来说，最常见的做法就是不断预测下一个token。

3、大模型微调

微调是在这个预训练生成的基座模型之上，用更小规模、更贴近任务的数据继续训练，让模型更适合某个具体场景，训练方式通常是监督微调或者指令微调。

4、大模型幻觉

幻觉就是大模型生成看似合理但实际是错误的回答，它会把虚假的信息当做事实来回答，所以我们不要认为大模型的回答就一定是正确的。

5、MCP协议

MCP（Model Context Protocol）是模型上下文协议，目的是为AI应用提供一个标准化接口，使其能够连接外部数据源和工具。例如，AI应用可以通过MCP连接到本地文件或数据库、搜索引擎或计算器、工作流或专业提示词等，从而获取到上下文信息并执行实际任务，可以把 MCP 理解为 AI 应用的"TypeC 接口"。

6、Token

Token中文翻译为词元，对于大模型来说，因为它只能处理数字，所以要找到一种方式把原始输入的文本转换为数字，这个就是分词器（tokenizer）所做的任务。分词器会按照分词算法把输入文本切分为多个token，然后用一个数字ID来表示token，后续大模型推理过程中都是使用这个数字ID来进行计算。

7、RAG-检索增强生成

Retrieval-Augmented Generation：RAG全称检索增强生成，就是让大模型在回答问题前先去“查资料”（检索），相当于让它开卷考试：模型本身可能没学过公司的内部文档，但只要把相关内容找出来给它，它就能结合这些资料给出靠谱的答案（生成）。

8、记忆模块

Agent的记忆通常拆成两层：第一层是短期记忆，用于当前会话，用截断对话或者总结摘要的方式去控制prompt长度，同时需要保持语义连贯。第二层是长期记忆，用于跨会话场景，用向量召回最相关的历史信息，再按需放回上下文。

9、Skill

Skill本质是结构化的本地文件夹，用来补充某个领域的流程、知识和工具，让模型在相关场景下自动或按需调用，是面向大模型的能力封装，由主说明文件skill.md、规则/流程文档、模板/示例、脚本/工具文件、参考资料等内容组成。

10、ReAct

ReAct就是Reason（推理）和Act（行动），它在做任务的时候，会先判断当前的信息够不够完成任务，如果不够，就去调用工具、执行某个动作，等结果回来之后，再继续推理下一步该怎么做，直到把任务走完。

11、Agent的自我反思

Agent 的反思机制，本质上是“生成后再评估，然后根据反馈修正结果”。常见有两类：自我反馈和外部反馈，自我反馈靠大模型自己审查输出，适合查文案一致性、约束遵循、有没有误改内容；外部反馈是把结果放进真实工具里验证，适合代码、计算、JSON、图表这类必须拿事实说话的任务。

12、Harness工程

Harness Engineering，中文是翻译为驾驭工程，是给 AI Agent 设计工作环境的一套工程方法，包括上下文管理、工具调用、沙箱环境、权限控制、测试验证、日志观测、评审机制和反馈回路，目的是为了让Agent在真实工程系统中更可靠、更可控，并持续完成任务。

13、SDD-规格驱动开发

Spec-Driven Development，中文叫规格驱动开发，是在正式编码之前，先把需求变更的目标、范围、系统行为、设计约束和任务拆分通过文档（规格文档）确定下来，再让AI按照这些文档去开发，能够把模糊需求变成稳定的工程上下文，从而减少AI自己猜需求、误改历史逻辑和实现跑偏的问题。

-----------------------------------------------------

我是 AgentGuide，大厂在职资深开发，后端转 AI Agent 开发。

持续分享 Agent / 大模型应用的优质面试题和答案解析。

如果你也在准备 AI 应用开发、大模型工程相关面试，可以继续关注后续系列。