夜雨聆风> 你是不是也有这种感觉：刚搞懂 Prompt，马上又冒出来 RAG、Agent、MCP、Skill、Computer Use、Workflow、Workspace Agent。 看起来像黑话，其实不是你跟不上，而是很少有人把这些词按顺序串起来。
01 🎯 先说结论
AI 热词不是黑话，而是一张工作进化地图
如果只背定义，这些词会越看越乱。
但如果按“AI 离真实工作越来越近”这条线看，它们就突然清楚了。
AI 一开始只是一个聊天框。你问一句，它答一句。
后来它开始遇到一连串现实问题：
一次能看多少内容？
任务怎么交代才清楚？
资料怎么查？
工具怎么调？
外部系统怎么统一连接？
每次该给 AI 看哪些信息？
重复能力怎么沉淀？
没有 API 的旧系统怎么办？
复杂任务能不能自己推进？
Agent 怎么安全上线？
业务流程怎么跑起来？
最后，AI 能不能变成一个长期待在团队里的数字员工？
你会发现，每一个新名词，都是 AI 往真实工作靠近一步时，遇到的新问题。
这篇文章不让你背定义。
我们只问一个问题：这个词到底解决了什么问题？
AI名词升级路线图
02 🧩 Token 和 Context Window
AI 一次到底能看多少信息
先从最基础的两个词说起：Token 和 Context Window。
Token 可以简单理解成 AI 读取信息的小片段。
AI 不像人一样直接“读完整篇文章”，它会先把文字拆成一个个小块，这些小块就是 Token。
Token 影响三件事。
第一，AI 一次能读多少内容。
第二，调用模型的成本是多少。
第三，为什么你聊着聊着，AI 会忘记前面说过的内容。
那 Context Window 呢？
它就是上下文窗口，意思是模型一次最多能看到多少 Token。
上下文窗口越大，AI 能一次读进来的内容越多。但这里有个误区：能看得多，不等于一定更聪明。
信息太少，AI 答不出来。
信息太多，AI 又容易被无关内容干扰。
所以，AI 好不好用，不只是看模型窗口有多大，还要看你怎么把任务和资料整理给它。
这就引出了下一个词：Prompt。
03 📝 Prompt
不是咒语，是给 AI 的工作说明书
Prompt 解决的问题是：AI 怎么听懂任务。
同一个需求，不同问法，结果差别会非常大。
你随便说一句“帮我写个方案”，AI 很容易写出一堆正确但没用的空话。
但如果你说清楚这五件事，结果会立刻变具体：
角色是谁。
任务是什么。
背景是什么。
输出格式是什么。
结果标准是什么。
所以 Prompt Engineering 的本质，不是写咒语，也不是找万能提示词。
它更像是在给 AI 写一份工作说明书。
你把工作说明书写清楚，AI 才知道该往哪里用力。
但 Prompt 只能解决“任务怎么说清楚”。
模型不知道的东西，它还是不知道。
于是 RAG 出现了。
04 🔍 RAG、Embedding 和向量数据库
别让 AI 只凭记忆回答，先查资料再回答
RAG 解决的问题是：AI 不要只靠脑子里的旧知识回答，而是先查资料，再基于资料回答。
它的逻辑很简单：先检索，再生成。
系统先去知识库里找相关内容，把资料交给 AI，最后让 AI 基于这些资料回答。
这里还会遇到两个常见词：Embedding 和 Vector Database。
Embedding 可以理解成把文字变成数字。
向量数据库负责保存这些数字，并帮系统找到语义相似的内容。
比如你问“公司报销规则是什么”，系统不一定要精确匹配“报销规则”四个字，它也可以找到“差旅费用”“发票提交”“审批流程”这些语义相关的资料。
这就是 RAG 的价值。
它让 AI 从“凭记忆回答”，变成“翻资料回答”。
但普通 RAG 很像一次搜索。
复杂问题不是查一次就够了。
资料可能不完整，问题可能要拆开，多个来源之间还可能互相冲突。
于是 Agentic RAG 出现了。
05 🧠 Agentic RAG
从一次搜索，变成会主动研究资料
普通 RAG 更像“你问一句，它查一次”。
Agentic RAG 更像研究助理。
它会判断资料够不够。
不够，就继续查。
问题太大，就拆成子问题。
资料冲突，就交叉对比。
比如你问：“今年 AI 编程工具为什么突然爆发？”
普通 RAG 可能查几篇文章，然后总结。
Agentic RAG 会更进一步：它可能先拆成模型能力、开发者工具、企业预算、开源生态、真实案例几个方向，再分别查资料，最后综合判断。
这时候 AI 已经不只是“查资料再回答”。
它开始有一点“研究”的味道了。
但问题又来了。
它能查资料，却还不能真正做事。
它能告诉你怎么查订单，但不能真的查。
它能告诉你怎么发邮件，但不能真的发。
于是 Tool Calling 出现了。
06 🛠 Tool Calling 和 MCP
RAG 让 AI 有资料，Tool Calling 让 AI 有手
Tool Calling 解决的问题是：AI 怎么从“回答问题”变成“执行动作”。
它可以调用订单系统、日历工具、代码执行环境、数据库查询工具。
也就是说，AI 不只是告诉你“应该怎么做”，而是可以真的去调用工具，把事情往前推进。
如果 RAG 是给 AI 一摞资料，那 Tool Calling 就是给 AI 一双手。
但工具一多，麻烦也来了。
每个工具都要单独接。
参数格式不一样，权限不一样，返回结果不一样，安全边界也不一样。
接一个工具还好，接十个、二十个、上百个工具，就会变成一团乱麻。
于是 MCP 出现了。
MCP 可以理解成 AI 连接外部工具和数据源的一套标准协议。
你可以把它想成 AI 世界里的 USB-C。
它不是让模型本身更聪明，而是让 AI 更标准地连接工具生态。
工具接上了，AI 能做事了。
但每次任务该给它看什么信息，又变成了新的问题。
于是 Context Engineering 出现了。
RAG查资料和Tool Calling做动作对比图
07 📦 Context Engineering 和 Context Engine
不是给 AI 更多信息，而是给刚好需要的信息
Prompt Engineering 是写一条好指令。
Context Engineering 是设计整个信息流。
它解决的问题是：这一次任务，系统该给 AI 准备哪些信息。
历史对话要不要给？
用户资料要不要给？
数据库结果要不要给？
公司规范要不要给？
工具调用结果要不要给？
哪些该给，哪些不该给？
这件事比想象中重要。
信息太少，AI 判断不准。
信息太多，AI 会被干扰。
信息过期，AI 会做错。
权限没管好，还可能泄露数据。
所以 Context Engineering 的核心，不是疯狂塞资料。
而是给 AI 刚好需要的信息。
Context Engine 更像一个系统，负责自动组装最合适的上下文。
但如果每次都要重新教 AI 怎么写周报、怎么分析代码、怎么处理表格，还是太麻烦。
于是 Skill 出现了。
08 💾 Skill
把重复工作沉淀成可复用能力
Skill 解决的问题是：我不想每次都重新教 AI 一遍。
Prompt 更像一次性指令。
Skill 更像长期 SOP。
比如你经常让 AI 写周报。
一开始，你每次都要告诉它周报结构、语气、数据来源、输出格式、注意事项。
这很烦。
如果把这些方法沉淀成一个 Skill，AI 以后就能反复调用这套能力。
写周报可以是 Skill。
分析代码仓库可以是 Skill。
处理财务表格也可以是 Skill。
所以 Skill 不是一个更高级的提示词。
它是把重复出现的工作方法，变成 AI 可以复用的能力。
但现实工作里，还有很多系统没有 API，或者 API 很难接。
很多操作发生在网页后台里：点击按钮、填写表单、上传文件、筛选数据、下载报表。
这时候 Tool Calling 不够用了。
于是 Computer Use 出现了。
09 🖥 Computer Use
AI 像人一样看屏幕、点鼠标、敲键盘
Tool Calling 是 AI 调用 API。
Computer Use 是 AI 像人一样操作电脑。
它让 AI 看屏幕、理解界面，再用鼠标和键盘操作。
这件事很关键，因为很多企业系统不是为 AI 准备的。
它们没有好用的 API。
甚至根本没有 API。
人类员工就是打开网页后台，点按钮、填表单、上传文件、下载报表。
Computer Use 让 AI 有机会进入这些旧系统。
当然，它也有难点。
页面会变。
按钮会识别错。
验证码会卡住。
一步点错，后面可能全错。
而且还涉及权限和安全。
当 AI 能查资料、调工具、操作电脑、复用 Skill，下一个问题就来了：
它能不能自己完成复杂任务？
于是 Agent 出现了。
10 🔄 Agent、Coding Agent 和 Vibe Coding
Agent 的关键不是聊天，而是循环执行
Agent 解决的问题是：AI 能不能围绕一个目标，自己拆步骤、选工具、观察结果，再调整下一步。
它的核心循环是四个词：
计划。
行动。
观察。
调整。
这就是为什么 Agent 在编程领域爆发得特别快。
代码项目非常适合这个循环。
AI 可以读项目、搜索函数、修改代码、运行测试、根据报错继续改。
这也催生了 Vibe Coding。
你描述目标，AI 生成实现，你负责验收和调整。
以前是人写代码，AI 辅助。
现在越来越像人描述目标，AI 负责把第一版做出来，人再判断方向对不对。
但 Agent 越强，风险也越明显。
它可能乱改文件、误删内容、生成不安全代码、跑偏，还可能消耗大量 Token。
所以 Agent 不是越自由越好。
真正落地，必须有工程约束。
于是 Harness Engineering 出现了。
Agent到Workspace Agent的工作进化图
11 🧯 Harness Engineering
给 Agent 套上安全带、方向盘、仪表盘和刹车
Harness Engineering 可以理解成 Agent 外面的安全控制系统。
它包括权限控制、工具白名单、沙箱、追踪、错误重试、输出验证、人工审批、成本控制、回滚机制和评测系统。
听起来有点工程化，但说白了就是一句话：
不要只看 Agent 聪不聪明，还要看它能不能被控制。
企业真正需要的，不是一个看起来很厉害、但随时可能乱跑的 Agent。
而是一个安全、可控、可追踪、能被验证的 Agent。
能做什么，不能做什么，要清楚。
做了什么，为什么这么做，要能追踪。
结果对不对，要能验证。
出了问题，要能回滚。
这才是 Agent 从演示走向生产环境的关键。
再往后看，真实业务不是一个 Agent 单独完成的，往往是一条流程。
于是 Workflow 变得重要。
12 🧭 Workflow
AI 怎么进入真实业务流程
Workflow 解决的问题是：AI 怎么进入业务流程。
举个例子。
客户提交一个表单。
系统读取表单，判断客户类型，查 CRM，生成跟进建议，分配销售，发送通知，等待人工确认，再写入数据库，最后生成日报。
这里面有系统动作，有 AI 判断，有人工审批，也有数据写入。
Agent 更像负责思考和判断。
Workflow 更像负责把步骤按顺序串起来。
如果没有 Workflow，AI 只是某一个环节的聪明助手。
有了 Workflow，AI 才能进入一整条业务链路。
但企业真正想要的，往往不是一条跑完就结束的流程。
他们更想要一个长期存在于工作空间里的 AI。
于是 Workspace Agent 出现了。
13 🧑💼 Workspace Agent
从临时工，变成长期待在团队里的岗位助手
Workflow 像一条流程。
Workspace Agent 更像长期待在团队里的岗位助手。
它要理解项目、文档、负责人、客户历史、任务状态、权限、安全边界和人工审批。
普通 Agent 像临时工。
你给它一个任务，它做一次。
Workspace Agent 更像岗位助手。
它长期待在工作空间里，理解流程、权限、上下文和协作关系。
比如项目周报。
普通 Agent 会问你：项目内容是什么？进度怎么样？风险有哪些？下周计划是什么？
Workspace Agent 不一样。
它已经能看到任务系统、代码提交、会议纪要、文档更新、成员分工和上周周报。
所以它可以自动整理完成事项、延期任务、风险模块和下周计划，再把需要负责人确认的地方标出来。
这才是 AI 真正进入组织工作的样子。
不是你每次打开聊天框重新解释一遍。
而是它已经在工作空间里，知道发生了什么，也知道哪些事情必须让人确认。
14 🗺 最后一张地图
以后看到 AI 热词，不要急着背定义
我们把这条路线再串一次。
Token 和 Context Window 解决的是：AI 一次能看多少。
Prompt 解决的是：任务怎么交代清楚。
RAG 解决的是：AI 怎么查资料再回答。
Agentic RAG 解决的是：复杂问题怎么主动研究。
Tool Calling 解决的是：AI 怎么调用工具做事。
MCP 解决的是：工具和数据源怎么统一连接。
Context Engineering 解决的是：每次该给 AI 看什么信息。
Skill 解决的是：重复能力怎么沉淀。
Computer Use 解决的是：没有 API 的旧系统怎么操作。
Agent 解决的是：复杂任务怎么自己推进。
Harness Engineering 解决的是：Agent 怎么安全、可控、可追踪。
Workflow 解决的是：AI 怎么进入业务流程。
Workspace Agent 解决的是：AI 怎么长期待在工作空间里，成为岗位助手。
所以，AI 热词不是黑话。
它是一张 AI 进入真实工作的升级地图。
以后你再看到一个新名词，不要先问“它的标准定义是什么”。
先问一句：
它到底在解决 AI 走向真实工作时的哪个问题？
这个问题想明白了，名词就不再吓人了。
> 感谢你读完了这篇文章。 > 我知道，AI 的学习就像升级打怪，一个人摸索难免会遇到卡点和孤独感。我为你和所有志同道合的朋友建立了一个 免费的 AI 学习陪伴群。
> 在这里，我们不会贩卖焦虑，只会一起：分享新出的 AI 实战技巧、解读好用的 AI 工具、探讨如何用 AI 提升效率与生活。 > 如果你也想找一个互相督促、共同进步的组织，欢迎你加入我们。
> 👉 入群方法：关注后，扫描二维码，添加我时备注【入群】，我会拉你进群，期待与你一起探索 AI 的奇妙世界。
