夜雨聆风AI学习路径 · 热词地图
Token、Prompt、RAG、Tool Calling、Agent、Workflow……这些词不是为了制造焦虑，而是在回答同一个问题：AI 怎么一步步进入真实工作？
现在 AI 圈新词太多，刚搞懂一个，马上又冒出来一串。很多人越学越焦虑：到底哪些词必须懂？哪些只是概念包装？它们之间有什么关系？
其实换个角度看，这些词并不乱。它们像一张地图，记录了 AI 从“会聊天”走向“会查资料、会用工具、会进流程、会长期协作”的过程。
AI 热词不是黑话，而是一个个真实问题被解决后留下的名字。
图：AI 热词演进地图
先看主线：AI 能力是怎么一步步长出来的？
Token / Context Window：AI 一次能看多少信息。
Prompt：你怎么把任务说清楚。
RAG：AI 怎么先查资料再回答。
Tool Calling：AI 怎么从“建议”走向“行动”。
Agent / Workflow / Workspace Agent：AI 怎么进入真实工作流，甚至变成长期岗位助手。
01｜Token 和上下文窗口：AI 到底能“看”多少？
AI 并不是像人一样直接读完整篇文章。它会先把输入内容拆成更小的信息单位，这个单位就叫 Token。
比如你输入“我喜欢人工智能”，在模型眼里，它可能会被拆成几个小片段。模型一次最多能处理多少 Token，就叫 Context Window，也就是上下文窗口。
不要迷信“大窗口”
信息太少，AI 答不出来；信息太多，AI 又会被无关内容干扰。真正好用的 AI，不只是能看多少，而是你能不能把任务和材料组织清楚。
02｜Prompt：AI 很多时候不是不会做，而是没听懂
早期大家用 AI 最兴奋的是：输入一句话，它就能给答案。但很快会发现，同一个问题，不同问法，结果差别巨大。
你随便说“帮我写个方案”，AI 可能写一堆看似完整、实际空泛的话。但如果你说：“你是资深产品经理，请针对一个面向开发者的 AI 工具，写一份产品方案，包含目标用户、核心痛点、功能模块、商业模式和落地路径，用表格输出。”结果马上就会具体很多。
Prompt 的本质
不是写咒语，而是给 AI 写一份工作说明书：角色是什么、任务是什么、背景是什么、输出格式是什么、什么结果算好。
03｜RAG：别让 AI 硬猜，先让它查资料
Prompt 再强，也解决不了一个问题：模型不知道的东西，它就是不知道。让它总结公司内部文档，它没看过；让它回答昨天发生的事，它训练时没有；硬让它回答，就容易一本正经地胡说八道。
RAG 的思路很简单：先把资料放进知识库。你提问时，系统先去知识库找相关内容，再把资料交给 AI，让它基于资料回答。
一个例子
你问“年假要提前几天申请？”普通 AI 没看过员工手册，只能猜。但 RAG 会先在员工手册里检索“请假、申请、提前”，找到相关条款，再让 AI 基于条款回答。
RAG 也带出了 Embedding、向量数据库、知识库这些概念。简单说，就是把文字变成数字，让系统能按语义相似度找资料，而不是只靠关键词匹配。
04｜Tool Calling：AI 从“告诉你怎么做”，走向“直接做”
AI 能查资料之后，又会遇到新问题：它可以告诉你怎么发邮件，但不能真发；可以告诉你怎么查订单，但不能真查；可以告诉你代码怎么改，但不能真改项目。
Tool Calling 解决的就是这个问题：让 AI 可以调用外部工具，比如日历、订单系统、邮箱、数据库、代码仓库。
变化在哪里？
以前 AI 只能说：“你可以去看一下日历。”现在它可以直接查日历，然后告诉你：“下午 2 点到 3 点有会。”
05｜模型协议：把混乱工具接口统一起来
当 AI 要连接越来越多工具时，新的问题出现了：每个工具接口不一样，参数不同，权限不同，返回格式也不同。工具越多，连接越乱。
模型协议类机制的价值，就像 Type-C 接口：不一定让设备本身更强，但让连接方式变得统一。AI 想调用工具，需要一套更标准的“插口”和“规则”。
06｜Context Engineering：真正难的是给 AI 组织上下文
上下文工程不是把所有资料一股脑塞给 AI，而是动态组装“此刻完成任务真正需要的信息”。
比如客服场景里，AI 可能需要用户背景、购买记录、企业政策、历史沟通和当前问题。如果缺一块，答案可能不准确；如果塞太多，又会干扰判断。
一句话理解
Prompt 是把任务说清楚，Context Engineering 是把 AI 做任务所需的信息流设计好。
07｜Skill：把可复用的工作方法沉淀下来
很多任务不是只做一次，而是重复做。比如写周报、整理会议纪要、分析客户反馈、生成日报。如果每次都重新教 AI，就很浪费。
Skill 的价值，就是把一套可复用的工作方法沉淀成标准作业程序。它不只是提示词，更像“这个任务应该怎么做”的经验包。
08｜Computer Use：当没有 API，AI 也能操作界面
真实世界里，并不是所有系统都有好用的 API。很多企业后台、老旧系统、网页表单，只能靠人点鼠标、填表格、下载文件。
Computer Use 的思路是：让 AI 像人一样观察屏幕、点击按钮、输入文字。它让 AI 不只连接“现代接口”，也能进入那些还停留在人机界面的旧系统。
09｜Agent：真正关键不是聊天，而是循环执行
Agent 这个词很火，也最容易讲乱。很多人以为它就是更聪明的聊天机器人，其实不对。Agent 真正关键的不是聊天，而是能围绕一个目标，自己拆步骤、选工具、观察结果，再调整下一步。
一个典型 Agent Loop
计划 → 行动 → 观察结果 → 调整下一步
比如你说“帮我分析这个项目为什么启动失败”。普通 AI 可能给你一堆建议；编程 Agent 会直接看错误日志、读配置文件、检查依赖版本、跑测试、定位问题，甚至直接改代码。
这也是 AI 编程 Agent 最先爆发的原因：代码项目有文件结构、报错信息、测试结果、版本控制，特别适合循环验证。
10｜Harness Engineering：Agent 越强，越需要安全带
Agent Demo 看起来很震撼，但一到真实生产环境，问题就复杂了：权限能不能控制？哪些操作不能做？结果谁验证？什么时候要人工审批？会不会越权访问数据？
一个很好的比喻
模型像发动机，Harness 像安全带、方向盘、仪表盘和刹车系统。发动机越强，越需要控制，否则不是跑得更快，而是更容易出事故。
Harness 通常包括权限控制、工具白名单、执行沙箱、日志追踪、错误重试、输出验证、人工审批、成本控制、安全边界、回滚机制和评测系统。
11｜Workflow：AI 怎么进入业务流程？
真实业务不是一次聊天，也不是一个工具调用，而是一条流程。比如客户提交咨询表单后，系统要读表单、判断客户类型、查 CRM、生成跟进建议、分配销售、发邮件、通知群聊、等待人工确认、写入数据库、生成日报。
Workflow 的价值不是让模型变强，而是把 AI、API、数据库、消息系统、人工审批、定时任务、条件判断串起来。
一句话区分
Agent 负责思考和判断，Workflow 负责把步骤串起来。没有 Workflow，AI 往往只能完成单点任务；有了 Workflow，它才能进入持续运转的业务流程。
12｜Workspace Agent：AI 怎么变成长期岗位助手？
Workflow 解决“一条流程怎么跑”，但企业真正想要的，不只是跑完就结束，而是长期待在工作空间里的 AI。这就是 Workspace Agent。
普通 Agent 更像临时工，给它一个任务做一次。Workspace Agent 更像岗位助手，长期待在团队空间里，懂项目、文档、分工、客户历史、权限边界和协作关系。
比如写项目周报
普通 Agent 会问你：项目内容是什么？进度如何？风险是什么？下周计划是什么？Workspace Agent 则可能直接读取任务系统、代码提交、会议纪要、文档更新和成员分工，自动整理本周进展、延期事项、风险模块和下周重点。
当然，它也带来更现实的问题：权限怎么管？数据怎么隔离？AI 建议错了谁负责？长期记住的信息哪些该留、哪些该过期？所以 Workspace Agent 不只是更酷的 Agent，它背后牵扯企业协作、权限、安全、流程和组织管理。
写在最后：新词越多，越要抓住主线
这些 AI 热词不是孤立概念，背后有一条清晰主线：AI 正在从会聊天的工具，变成能进入真实工作场景的协作伙伴。
过去我们以为 AI 进步就是模型变强、参数更多、速度更快、回答更聪明。但现在越来越清楚，真正的变化不止在模型本身，更在模型之外：它怎么连接外部世界，怎么进入业务流程，怎么和人类协作，怎么安全稳定落地。
所以后面再看到新的 AI 热词，不用慌。只要问一个问题：
它解决的是 AI 走向真实工作的哪个问题？
概念不是用来吓人的。概念是帮你看清 AI 正在走向哪里。
