夜雨聆风在AI技术飞速发展的当下，Token、Prompt、RAG、Agent等热词层出不穷。这些热词并非孤立存在，它们背后有着清晰的演化逻辑，解决着AI发展过程中的不同痛点。
一、基础概念：Token与Context Window
• Token：是AI理解和处理语言的最小单位，类似于将文本“化整为零”的拆解单元。例如输入“我喜欢人工智能”，可能会被拆分为“我”“喜欢”“人工智能”等Token（不同模型拆分规则有差异）。
• Context Window（上下文窗口）：指模型一次最多能处理的Token数量，决定了模型的“认知边界”。像“128K上下文”“百万Token”等表述，本质都是在说明AI一次能处理的信息量。
• 误区澄清：上下文窗口大不代表AI一定更聪明，信息太少或太多都会影响其回答效果，关键在于如何清晰交代任务。
二、Prompt提示词：让AI准确理解任务
早期用户以为输入一句话AI就能给出理想答案，但实际不同问法结果差异极大。例如问“帮我写个方案”，AI可能输出空泛内容；而问“你是资深产品经理，请针对面向开发者的AI工具，写一份包含目标用户、核心痛点、功能模块的产品方案，用表格输出”，结果会具体且符合预期。
这催生了Prompt Engineering（提示词工程），其本质是给AI写“工作说明书”，需明确角色、任务、背景信息、输出格式、优质标准等。它解决了早期AI最直接的问题——让AI准确理解任务。
三、RAG（检索增强生成）：让AI先查资料再回答
Prompt无法解决“模型不知道的东西就真的不知道”的问题，比如让AI总结未见过的公司内部文档、分析未读过的项目代码，它会“一本正经地胡说八道”。
RAG的出现解决了这一痛点，它让AI先检索外部知识库的信息，再基于这些资料生成回答。其核心逻辑是“先检索，再生成”，避免了AI瞎编内容。RAG还带出了Embedding（向量化）、向量数据库、知识库等概念：
• Embedding：将文字、图像等转化为计算机能理解的数字串，实现语义量化。
• 向量数据库：专门存储向量数据，用于快速检索相似内容。
• 进阶发展：普通RAG是被动检索工具，而Agentic RAG则像主动式研究助理，能判断资料是否充足、拆分复杂问题、交叉验证多源信息。
四、Tool Calling（工具调用）：让AI从建议到行动
RAG让AI能查资料，但它仍无法真正做事（如发邮件、查订单、改代码）。Tool Calling（工具调用，也叫Function Calling）让AI可以调用外部工具执行具体动作，例如问“我今天下午有空吗”，AI接入日历工具后能直接查询并告知具体时段，实现了从“给建议”到“主动执行”的跨越。
五、MCP：AI连接外部工具的标准协议
工具增多后，AI集成面临连接对象异构、接口开发无标准、Agent集成重复冗余等问题。MCP应运而生，它是AI连接外部工具、数据的通用接口规范，类似AI世界的“Type-C”，解决了工具连接混乱的问题，让AI能更高效地接入各类外部系统。
六、Context Engineering：设计AI的信息流
随着AI应用变复杂，仅靠Prompt不够，还需思考“系统该给AI准备哪些信息”。Context Engineering（上下文工程）关注的是为AI构建多维、精准的信息流，包括历史对话、用户资料、工具调用结果等，核心是在恰当的时机给AI提供“刚好需要”的信息，而非越多越好。后续还出现了更产品化的Context Engine，能自动为AI组装最合适的上下文。
七、Skill：AI的可复用能力
重复向AI交代任务要求效率低下，Skill将重复的工作方法沉淀为AI可反复调用的能力，类似“标准作业程序（SOP）”。例如写工作周报，可将格式规范、写作逻辑等沉淀为Skill，后续只需说“按我的周报格式写”，AI就能精准输出，解决了重复培训AI的痛点。
八、Computer Use：让AI像人一样操作电脑
对于无API的老旧系统或需要图形界面操作的场景，Tool Calling无法满足。Computer Use让AI模拟人类操作电脑，可完成打开网页、点击按钮、填写表单、下载文件等动作，突破了代码交互的边界，让AI能处理更多复杂的真实任务（如无API的报销流程自动化）。
九、Agent：具备自主规划与执行能力的智能体
Agent不是更聪明的聊天机器人，其核心是围绕目标形成“拆解-执行-反馈-调整”的自主循环。例如在代码场景中，Agent能自主查看错误日志、读取配置文件、定位问题并生成修复方案，实现从“给建议”到“出结果”的跨越。但Agent越强，风险也越明显，如决策黑箱、自主行为越界等。
十、Harness Engineering：让Agent安全可控
为了让Agent在真实生产环境中稳定落地，需要为其构建规则边界与执行框架，这就是Harness Engineering（线束工程）。它如同给Agent装上“驾驶控制系统”，包含权限控制、执行沙箱、回滚机制、人工审批等组件，解决了Agent的安全性与可控性问题。
十一、Workflow（工作流）：连接智能体与业务落地的枢纽
真实业务场景中，单Agent能力有限且业务流程是连续协作的，Workflow将多步骤任务和不同角色串联起来，形成完整的业务流程。例如客户咨询表单处理流程，Workflow可串联“表单读取-客户类型推断-建议生成-任务分配-人工复核-数据归档”等环节，让AI从单点工具进化为业务流程的一部分。
十二、Workspace Agent：常驻工作空间的智能伙伴
企业需要的不是单次流程执行，而是长期在工作空间中持续赋能业务的智能存在，Workspace Agent应运而生。它扎根于团队工作空间，理解团队长期积累的上下文（如项目文档、协作知识、决策逻辑），能自动整理任务进展、识别风险、推进流程，成为团队常驻的“岗位助手”，而非临时工具。
这些热词并非黑话，而是AI技术向真实工作场景演进的“地图”。每一个热词的出现，都是为了解决AI在落地过程中的一个具体问题。理解它们的底层逻辑，再遇到新的AI热词就不会焦虑，也能更清晰地把握AI发展的方向。
