ARTICLE · 959117
AI 概念满天飞,这篇帮你厘清全部工具与技术路径
发布时间：2026-08-22 19:20:47 最近访问：2026-09-15 06:30:51
AI 概念满天飞,这篇帮你厘清全部工具与技术路径
AI 时代工具一天一个样，到底该如何快速学习不掉队？这篇文章给你3个方法，包括一张地图：通过一张题图把市面上主流的 AI 工具认清楚；一个答案：变化这么快的今天，最重要的能力到底是什么；一本词典：文末附了一本 AI 热词速查词典，AI相关的词都能在哪里找到答案…相信看完的你就能够轻松掌握AI全景。Claude Code、龙虾、Harness 都是啥？一文分清
你有没有一种感觉：不是你在追 AI，是 AI 每天在追着你跑？很多人觉得焦虑是因为学不过来，我倒觉得真正的问题是分不清，这些名词看着是一锅粥，其实仔细研究，你就会发现，他们各在各的位置，只要你清楚了所有专属名词各自的位置，你自然就能分清。这篇文章咱们就把工具按位置归位，把黑话按词典讲清，信息都来自公开资料，期望对大家受益。一、为什么之前说的五层装不下了
之前大家都把AI相关的工具分为5层，但是随着AI的发展，确实装不下了，这里举例三个装不下的证据：证据一：MCP、Agent Skills 不是产品，是标准，它们不属于模型层也不属于应用层，而是让所有层的部件能互相插拔，为什么这么说，咱们接着往下学习…证据二：Claude Code 和 Cursor 细分其实是两类东西。一个跑在命令行里，一个长在编辑器里，但干的是同一件事：进代码库干活。一个在终端里接完整任务、放手让它自主批量干活；一个嵌在编辑器界面，陪着你边看边改代码，两者都可以操作整个代码仓库，只是一个是委托干活，一个是并肩协作。证据三：还有 Harness。Harness 讲的是怎么驾驭AI，到底如何驾驭，咱们接着往下深究…所以，升级版地图我觉得以盖楼为形象比喻再恰当不过了，让我们仔细来拆解：一栋四层楼（产业链）：一层大模型，二层开发框架，三层低代码平台，四层数字员工；一套水电（标准与协议）：MCP、ACP、A2A、Agent Skills、AGENTS.md，贯穿全楼；N套形态（界面形态）：CLI、IDE、聊天窗、无人值守，员工穿哪种就怎么跟你打交道；入住资产（方法论与资产）：Harness、上下文工程、你攒下的 Skill。二、楼的一层：大脑——大模型
大模型是整栋楼的地基，在2026 年的格局大致分为三派：闭源旗舰派：GPT（OpenAI）、Claude（Anthropic）、Gemini（Google）等，他们能力上限高，适合复杂推理、多模态、超长上下文等。开源性价比派：DeepSeek、通义千问 Qwen 系列、MiniMax等，他们API 价格往往只有旗舰的零头，支持私有化部署，是企业级落地的主力。免费易用派：大家熟知的豆包、Kimi、元宝，零门槛，日常对话简单够用。三、楼的二层：搭积木——开发框架（偏向程序员）
LangChain是老牌通用积木：调模型、挂知识库、串工具，全帮你封装好了，很多企业已开始都用这个框架在完成企业AI平台的建设。LangGraph是进阶版，专治「多步骤、有状态」的复杂流程。LlamaIndex是文档派：资料解析、向量化、RAG 检索这一套它做得最顺手。想搭「AI 团队」？CrewAI让你像排剧组一样给 Agent 分角色。微软的AutoGen是多 Agent 实验的老前辈，虽然现在官方重心已转向 Microsoft Agent Framework。OpenAI Agents SDK是 OpenAI 的官方轻量框架。DeepSeek Harness（dsh）是 DeepSeek 开源的 Agent 运行时框架，主打插件化架构。四、楼的三层：组装台——低代码平台（适合普通人）
现在很多企业非技术人员都在用一些「组状台」来完成AI应用的搭建，假设给公司搭一个「内部知识库问答机器人」如何实现？分三条路。Dify：开源可视化平台，画布拖节点、连流程，知识库+工作流+模型全都有，支持私有化部署。Coze（扣子）：字节出品，零代码搭 Bot，一键发布到飞书、微信等渠道，简单便捷。n8n：自动化工作流平台带 AI 节点，能自托管——严格说它不是「AI 平台」而是「自动化平台装上了 AI」，把 AI 嵌进发票处理、客户跟进、数据同步这些业务流程里，它最顺手。海外的Make / Zapier同理，胜在接了 9000 多个应用。一句话记：Dify 是组装台，Coze 是成品店，n8n 是传送带。五、楼的四层：数字员工——职业 Agent
这一条线 AI 干的事都一样：你说需求，它写代码、改 bug、跑测试。区别在于，你在哪儿找到它。这里解释一下「形态」这个词：就是它上班的地方，也是你跟它打交道的入口。编程 AI 主要有两种入口。
第一种，装在代码编辑器里的。可以理解成 Word 里内置了一个写作助手：程序员敲代码敲到一半，它自动往下接，顺手指出错误。代表是 Cursor 和 GitHub Copilot，适用于日常开发，这种最顺手。
第二种，像雇了个远程程序员。过程你不用看，直接把整个任务扔过去：如：把这个系统从旧框架迁到新框架。它自己读代码、改文件、跑测试，干完交活。代表是 Claude Code 和 Codex，分别出自 Anthropic 和 OpenAI，是这一行的两大主流。国内的Codebuddy是最近大家用的比较多的产品。
还有一种更激进的：连任务都不用你盯，它自己把整段工程做完。代表是 Devin，定价也是企业级的；开源替代叫 OpenHands，想自己部署的团队可以看它。
选型提示：工装之间不冲突，很多开发者两个都用——IDE 里写日常代码，CLI 跑大活。龙虾，学名 OpenClaw，2025 年 11 月由奥地利开发者 Peter Steinberger 开源（MIT 协议），截至 2026 年年中 GitHub 星标超 36 万。口号直白：The AI that actually does things。你说「把桌面的 PDF 按日期归档」，授权后的它会自己读桌面、建文件夹、挪文件，干完发通知——而不是给你写一篇操作攻略。数据默认留在本地，接飞书、企微、钉钉都能遥控。它的形态最特别，你在任何聊天软件如微信、飞书里发消息，它随时在你电脑里干活，因为要自己部署调教、越养越懂你，圈内黑话叫「养龙虾」。爱马仕，学名 Hermes Agent，Nous Research 2026 年 2 月开源，星标 14 万+。和龙虾同赛道、同工装，差异点是四个字：自我进化。龙虾的技能靠你去 ClawHub 市场手动装；Hermes 每干完一个活，自动把经验写成一页「技能文档」——步骤、坑点、验证方法，下次直接复用还会自己迭代。Manus：云端通用 Agent，丢给它一个课题，它自己可以去调研、写报告、做交付物，适合不想部署、要快速出活的研究和内容场景。六、贯穿全楼的水电：标准与协议
你肯定见过这些词：MCP、ACP、A2A、Agent Skills、AGENTS.md…它们都不是产品，是标准，通过比喻可以形象的了解，即盖好大楼里的水管、电线、插座…没有它们，每层各自为战；有了它们，部件才能互相插拔。 | | |
|---|
| | 由Anthropic 发起，AI 世界的 USB 口，工具和数据源用统一方式接到任何模型上 |
| | 让任何一家的编程 AI，都能直接进你惯用的编辑器里干活，不用每家单独做适配 |
| | |
| | SKILL.md 打包的技能安装包，即插即用，方便易用 |
| | 放在代码仓库根目录，告诉 AI 这个项目的规矩，主流编程 Agent 都可以使用 |
Skill 是一个文件夹：核心是一份 SKILL.md 说明书（写清楚这个技能叫什么、什么时候用、具体怎么做），旁边可以附带脚本、参考文档、模板等，装进 Agent 后，AI 就多了一样本领，就像给手机装 App一样简单。它解决一个很实际的矛盾：你想让 AI 懂你团队的规范、你业务的流程，但全塞进对话里，既占上下文又贵，Skill 的设计叫渐进式加载：平时只占用几十个 token 的「目录条目」，任务匹配时才把说明书全文加载进来。几个关键事实：这个格式目前已被 Claude Code、Codex CLI、Gemini CLI、GitHub Copilot、Cursor、VS Code 等 20 多个平台采纳，一份 Skill 文件也可以实现跨平台通用；龙虾的 ClawHub 技能市场、Hermes 自动沉淀的技能文档，用的都是这套理念。一句话：协议是插座，Skill 是 App 安装包格式，插座统一了，App（skill) 才能装遍全天下的手机（AI平台）。七、入住资产：方法论与你攒的资产
Harness 是方法论，不是产品：harness 本义是马具，AI 语境里指包裹在大模型外面、让 AI 稳定干活的那套工程体系，一般拆成五个组件：指令、约束、反馈、记忆、编排。打个比方：模型是马，Harness 是马具加骑术，同一匹马，新手骑和骑手骑，是两个反馈，同样给团队配 Claude Code，有的团队提效明显，有的只会拿它自动补全，差距不在马，在马具（Harness ）。2026 年有个容易混淆的事：DeepSeek 出了一个开源产品，就叫 DeepSeek Harness（dsh），它把「驾驭 AI」这套理念做成了产品：一切皆插件的架构、四种运行模式、全程可回放的会话日志。所以现在说「Harness」，可能指方法论，也可能指 DeepSeek 那个框架——名字撞车，理念同源：都是不让裸模型瞎跑，给它套上马具。上下文工程（Context Engineering）：提示词工程的升级版，系统性地管理「喂给模型什么信息」；Prompt（提示词）：最基础的骑术，你怎么问，决定它怎么答；Skill 资产：Skill 的格式是通用标准，20 多个工具都认，所以你自己攒的技能文档，不用绑死任何一家工具：今天用 Claude Code，明天换 Codex，同一份技能文件拿过去照样能用，攒下的经验不会浪费。一句话总结这一节：模型是天赋，工具是装备，骑术和攒下的 Skill 才是你自己的资产。八、AI 热词速查词典
下面这些词高频出现，但很少有人一句话讲明白，我按自己的理解写了通俗版，有偏颇的地方欢迎指正：
| |
|---|
| 能自主理解任务、规划步骤、调用工具、执行到完成的 AI 程序，普通 AI 答完就停，Agent 会把事做完 |
| 以「AI 自己完成任务」为核心的产品形态，行业从聊天问答升级到自动干活的方向 |
| 用海量文本训练出来的神经网络模型，是所有对话式 AI 的内核，GPT、Claude、DeepSeek 都是 LLM |
| 模型处理文字的最小单位，也是计费单位，一个汉字约 0.5～1 个 token |
| 你发给 AI 的指令和要求，同一件事，问法不同，产出质量差很多 |
| 模型一次对话能装下的信息总量上限，超出的部分会被忘掉 |
| 决定给模型看什么、不给看什么的工程方法，提示词工程的升级版 |
| 回答前先检索你的资料库，用查到的内容作答，让 AI 基于你的资料说话，减少瞎编 |
| AI 生成的看起来可信、实际错误的内容，大模型最难根治的毛病 |
| Function Calling / Tool Use | 模型按需调用外部工具（查数据库、发邮件、调接口）的机制，Agent 能干活的基础 |
| 三种通信协议：MCP 管工具接模型，ACP 管编辑器接 Agent，A2A 管 Agent 之间互相协作 |
| 写在代码仓库根目录的说明文件，告诉 AI这个项目的规矩 |
| 按标准格式（SKILL.md）打包的技能文档，装进 Agent 就多一项本领，跨工具通用 |
| 驾驭模型，包在模型外面、让它稳定干活的工程体系，核心是五件事：指令、约束、反馈、记忆、编排 |
| 主 Agent 派出去处理专项任务的小 Agent，干完把结果交回来 |
| 把一个大任务拆给多个 Agent 分工协作的架构，每个 Agent 扮一个角色 |
| 命令行界面，靠敲文字命令操控电脑的窗口，程序员装软件、跑脚本、管服务器都在这儿干；编程 AI 也大多从这里进出，方便直接替你执行命令 |
| Karpathy 2025 年提出的「氛围编程」：全程用自然语言指挥 AI 写代码 |
| 拿自己的数据对模型再训练一轮，让它学会特定领域的知识 |
| 开源权重指模型文件公开、可下载、可自己部署；BYOK 指自带 API Key，工具随便挑模型 |
| 模型能同时处理文字、图片、音频等多种形式的信息 |
九、AI 时代到底怎么学？三个原则
说说我的经验～
别按产品学，按地图学。产品一天一个新面孔，追是追不完的，但架构还是那个架构。我现在的习惯是，见到新名词先往地图上放一放：是块新砖，还是根新水管？放得进去，说明它是原事件的升级，不用从零学；放不进去，就需要专门花时间研究了。
第二个经验有点反直觉：先用，再学。收藏夹里躺着十篇教程，那种学习基本等于没学。不如挑件真实的小事，比如让龙虾把下载文件夹按类型归档，或者让 Claude Code 写个抓数据的小脚本，跑通一件，你对工具的理解就超过大多数只看测评的人。
还有一条我觉得最重要：把干过的活记下来。工具用得再熟，换一家就归零；但你把每次怎么干的、踩了哪些坑写成文档，那就是你的资产，这个动作现在有现成格式，就是前面讲的 Skill，写一次，哪个工具都能复用。
AI 时代最稀缺的能力，从来不是什么都会，而是能够快速分清什么是什么，并且能够判断在什么场景下需要使用什么工具或方法，能够帮助到自己，日新月异的工具越多，我们越要加强自己的判断力和认知力，这样才能够在AI时代下游刃有余，而不被淘汰。
你现在每天离不开的 AI 工具是哪一个？它帮你省下的第一件事是什么？评论区聊聊～ 