夜雨聆风
1. Token & Context Window：AI的“视界”与成本
AI处理一切信息的底层单位是Token（词元），它直接决定了3件事：
第一，容量边界：Token数量决定了AI一次能 “摄入” 多少内容
第二，使用成本：调用AI的费用通常与Token消耗量挂钩
第三，记忆局限：Token总量有限，直接解释了为何长对话中，AI会“忘记”开头的内容。
比如，一个模型最多能处理8000个Token，你的问题、历史对话、系统提示词……所有这些加起来，都不能超过这个范围，如果对话越来越长，超过了这个限制，前面的内容就可能被"挤出去"。
这就像，你只能同时看一个屏幕的聊天记录，往上翻太多，最早的内容就翻不到了
模型一次最多能"看到"的Token数量，就叫Context Window（上下文窗口）
所以你以后看到"128K上下文"，"百万Token长上下文模型"，这些说的都是一件事，就是这个模型一次最多能处理多少信息。
但，这里有个关键问题：上下文窗口越大，AI就越聪明吗？
答案是：不一定，更大的窗口不一定更“聪明”，关键在于精准输入“刚好需要”的信息，因此，prompt就变得很重要。
2. Prompt：如何让AI听懂任务
Prompt（提示词）的本质是给AI写一份清晰的“工作说明书”，但不同的prompt，结果却相差甚远，如果你让AI，"帮我写一篇小红书种草文案"，它可能生成一篇四平八稳、毫无网感的"产品说明书"，但如果你换一种问法，
比如：
"你是一个95后美妆博主，请写一篇小红书风格的种草文案，推荐一款熬夜急救面膜。
要求：第一句话要有悬念感，中间分场景讲使用体验（熬夜加班、出差、换季敏感），结尾要有行动号召。
全文不超过500字，语气活泼但不能浮夸，适当使用emoji。"
结果马上就不一样了，更有网感、更有结构、更接近你想要的东西。
这时，大家意识到：AI很多时候不是不会做，而是你没有把任务说清楚。
于是，Prompt Engineering（提示词工程）火了，
但，但Prompt再强，也只能解决"任务怎么说清楚"，它解决不了另一个致命问题，模型不知道的东西，它就是不知道。
3. RAG：给AI一个“资料室”，杜绝胡说八道
RAG（检索增强生成）的核心逻辑是“先检索，再生成”。当AI被提问时，系统先从知识库（如公司制度、产品文档）中检索相关内容，再基于这些事实生成答案，从而避免“一本正经地胡说八道”。
其背后依赖 Embedding（语义向量化）与 Vector Database（向量数据库）来实现语义相似度检索。进阶的 Agentic RAG则让AI像研究助理一样，主动判断信息是否充足、是否需要拆解或交叉验证问题。
RAG让AI从"只靠脑子回答"变成了"可以翻资料回答"。这一步非常重要，因为它第一次让AI具备了接入外部知识的能力。但新的问题也来了：AI现在能查资料了，可它还是不能真正"做事"，它可以告诉你怎么发邮件，但不能真的发，于是，
4. Tool Calling：AI从“动口”到“动手”
Tool Calling（工具调用）让AI拥有了“手”。它可以从生成文字建议，转变为直接执行动作——例如查询日历、调用代码执行环境、检索订单状态。这标志着AI从“回答问题”迈入“执行任务”的阶段。
任务变多了，自然工具调用的也会很多，这样，新的麻烦就出现了：如果AI要接天气数据库、GitHub、浏览器、公司内部OA系统……每个工具都要单独开发一套接口，每个平台都有自己的接法。如果没有统一方式，这件事会变得非常混乱。于是，
又一个热词出现了——MCP。
5. MCP：统一连接外部世界的“USB-C”
当AI需要接入众多外部工具（天气API、GitHub、企业内部系统）时，MCP（Model Context Protocol）应运而生。
它是一套标准协议，旨在统一AI与工具/数据源之间的连接方式，降低开发和维护成本，这就好比，以前每个设备都有自己的接口，手机一个口、电脑一个口、相机一个口，后来USB-C出现，大家用一个接口来连接。MCP在AI世界里做的事也类似。
MCP想解决的是：工具怎么暴露给AI？AI怎么知道自己可以调用哪些能力？工具需要哪些参数？调用结果怎么返回？权限和安全怎么控制？
这时候，AI已经不只是一个聊天框了，它开始有点像一个可以接插件的操作系统。
而此时，AI每次执行任务时，真正影响效果的不只是模型和工具，还有一个很关键的东西——它当时到底"看到"了什么信息？
这就进入了下一个热词——Context Engineering。
6. Context Engineering：为AI组装“刚好需要”的信息
复杂任务下，Prompt Engineering演变为 Context Engineering（上下文工程）。核心问题从“如何写好一句指令”升级为“如何为本次任务设计完整的信息流”AI需要看到哪些历史对话、用户资料、查询结果、业务规则？关键在于精准组装，避免信息过载或缺失。Context Engine（上下文引擎）则是实现这一目标的系统化产品。
但这里又出现一个新问题：如果每次都要手动告诉AI——你该怎么写周报？你该怎么回复客服？你该怎么分析数据？——那还是很麻烦。
于是，就出现了——Skill。
7. Skill：沉淀可复用的“标准作业程序”（SOP）
Skill解决的是“不想每次都重新教AI”的问题。它将处理特定类型任务（如写周报、分析数据、种草文案）的完整方法（角色、步骤、格式、风格）沉淀为可重复调用的能力。Prompt是临时指令，Skill是长期SOP。这使AI能积累个人或团队的工作模式。
于是，AI又往前走了一步：它开始尝试像人一样使用电脑。
8. Computer Use：AI像人一样操作电脑
对于没有开放API的旧系统（如老旧OA、网页后台），Computer Use（计算机操作）让AI能通过“看”屏幕、“理解”界面，模拟人类使用鼠标和键盘进行操作（点击、输入、上传、提交）。这极大拓展了AI的适用场景，使其能进入大量“人手操作”的传统工作流。这一步的意义很大，因为它不再只服务于那些接口完善的新系统，它开始有机会进入很多原本只能"人手操作"的旧系统。
而当AI既能查资料、又能调用工具、又能操作电脑、还能复用Skill……下一个问题就是：它能不能自己完成一个复杂任务？
9. Agent：具备自主规划与执行循环的“智能体”
Agent（智能体）的核心能力是围绕一个给定目标，自主进行 计划→行动→观察→调整的循环，而非简单的一问一答或单次工具调用。例如，一个编程Agent可以自动诊断线上故障、阅读日志、修改代码并运行测试。这催生了 Vibe Coding（氛围编程）等模式，开发者角色向需求定义、架构设计和结果审核转变。
但Agent越强，风险也越明显：它会犯错、会乱改文件、会误删内容、会生成不安全代码、会跑偏、会消耗大量Token，也可能做出一个看起来能跑、但你完全不敢上线的东西。
所以，Agent不是越自由越好。真正要落地，必须给它套上一套"工程约束"。于是，下一个热词出现了——Harness Engineering。
10. Harness Engineering：为Agent套上“安全带”
强大的Agent需要强大的约束。Harness Engineering（约束工程） 是为Agent设计的控制系统，包含权限管理、工具白名单、执行沙箱、操作追踪、人工审批、成本控制和安全边界等。企业需要的不是一个“聪明的”Agent，而是一个安全、可控、可验证的Agent。
讲到这里，AI已经从聊天机器人变成了能查资料、能调用工具、能写代码、能执行任务的Agent。但真实业务里还有一个问题：企业工作不是一个Agent单独完成的，真实工作往往是一条"流程"。
11. Workflow：将AI嵌入业务流程
你想象一个真实场景：双十一大促期间，一个客户提交了投诉——物流显示签收但实际没收到货。
处理这件事不是一次聊天，而是一条流程：读取投诉表单→查询订单信息→查询物流轨迹→判断责任方→如果是物流问题，生成赔付方案→发送安抚话术→提交工单给物流组→等待反馈→通知客户→生成客诉日报……
这不是一次聊天，也不是一个工具调用，这是一条业务流程。
n8n、Zapier、Make这类工具解决的就是这个问题。它们的价值不是让模型本身更强，而是把AI、API、数据库、消息系统、人工审批、定时任务和条件判断"串"起来。AI只负责其中一部分判断和生成，真正让整个事情"跑"起来的是Workflow。
你可以这样理解：Agent更像负责"思考和判断"，Workflow更像负责"把步骤按顺序串起来"。一个没有Workflow的AI往往只能完成"单点任务"，但有了Workflow，它就可以进入一个持续运转的业务流程。
但到这里，还差最后一层：Workflow解决的是一条流程"怎么跑"，企业真正想要的往往不是一个"跑完就结束"的流程，而是一个能长期存在于工作空间里的AI。
12. Workspace Agent：长期驻留的“数字员工”
Workspace Agent（工作空间智能体） 与执行单次任务的普通Agent或预设流程的Workflow不同。它长期“驻扎”在团队的数字工作空间（如项目看板、代码库、文档系统）中，持续理解团队上下文、项目进展和协作关系，从而扮演一个如“AI项目助理”、“AI数据分析师”般的持续性岗位角色。
演进主线：从工具到系统
回顾这12个概念，清晰的主线浮现：
Token & Context Window → 界定AI的“视界”边界。
Prompt→ 清晰定义任务。
RAG → 接入外部知识，基于事实回答。
Tool Calling→ 调用工具，执行动作。
MCP→ 统一工具连接标准。
Context Engineering→ 精准组装任务上下文。
Skill→ 沉淀可复用的工作能力。
Computer Use→ 操作无API的传统界面。
Agent→ 自主规划与执行循环。
Harness Engineering→ 确保Agent安全可控。
Workflow→ 将AI嵌入端到端业务流程。
Workspace Agent→ 成为长期驻留的团队数字成员。
本质演进是：AI从一个“会聊天的工具”，成长为一个“能深度融入并增强真实工作流的系统”。未来的关键进步，将越来越多地发生在“模型之外”的工程、流程与协作层面。
下次再遇新热词，不必焦虑。只需追问：它正在解决AI融入真实工作时的哪个具体问题？答案自会清晰。
