简介:本文围绕传统开发术语与AI Agent工程术语展开对比,分析 Acceptance Criteria、MVP、POC、Prototype 与 LLM、Token、Embedding、RAG、MCP、Agent Loop、Harness、DAG、Scheduler 在目标、抽象层级、验证方式和治理重点上的差异,帮助读者在技术选型、方案评估与项目落地时形成清晰判断。
在从零到一构建一个软件系统的过程中,团队通常会先经历需求分析、产品定义、方案验证、原型设计、开发实现、测试验收等环节。这个阶段常见的关键名词包括验收标准、最小可行产品、概念验证、原型等。它们解决的核心问题是:我们要做什么、做到什么程度算完成、是否值得投入资源、用户交互是否可行。
当系统进一步演进,尤其是开始构建智能问答、知识检索、自动任务执行、多工具协同、智能体应用时,团队又会遇到另一类名词:LLM、Token、Embedding、RAG、MCP、Agent Loop、Harness、DAG、Scheduler 等。这些概念并不只是“技术名词”的简单增加,而是代表工程关注点从“业务功能是否完成”转向“模型如何理解任务、如何调用工具、如何控制流程、如何评估效果”。
因此,本文并不把这两类名词看成互斥关系,而是将它们视为两种不同工程语境下的能力描述:
理解两者之间的差异,有助于团队在需求分析阶段就建立正确的技术预期,避免把传统软件交付方法直接套用到 AI 应用上,也避免在没有明确验收标准的情况下盲目进入智能应用开发。
传统开发术语通常用于回答“产品该做成什么样”“什么时候可以认为完成”“如何证明方案可行”。
验收标准用于判断一个功能是否真正完成。它通常应具体、可验证、可测试,而不是模糊描述。例如,“搜索速度要快”不够清晰;“在 1000 条数据范围内,搜索接口响应时间低于 2 秒”则更接近可验收的标准。
验收标准的价值在于把业务期望转化为可检查的结果,减少开发、测试、产品之间的理解偏差。
MVP 强调先实现核心价值,再逐步完善。它并不追求功能完整,而是用最小成本验证关键假设。例如,一个内容推荐系统是否值得继续投入,可以先验证用户是否愿意点击、停留、收藏或转发,而不是一开始就建设复杂的推荐运营后台。
MVP 适合从零到一阶段快速验证需求,但前提是必须明确“最小”的边界,否则容易变成功能缩水的半成品。
POC 用于验证某种技术或方案是否可行。它关注的是“这条路能不能走通”,而不是“产品能不能直接上线”。例如,验证某类模型是否能理解业务文档、某种检索方案是否适合知识库、某种自动化流程是否能完成端到端任务。
POC 的重点是降低技术不确定性,通常不要求完整权限体系、高可用架构和长期运维能力。
原型用于展示产品交互和设计思路。它可能是页面草图、交互流程、可点击界面,也可能是带有部分逻辑的可运行模型。原型帮助团队在开发前对齐体验、流程和关键路径。
原型不一定包含真实后端能力,其价值在于提前暴露交互问题,而不是证明系统最终可交付。
AI Agent 工程术语用于描述智能应用中的模型调用、上下文构造、工具协同、流程编排、执行控制和效果治理。
LLM 是智能应用中的核心推理与生成能力来源。它负责理解输入、生成内容、进行推理、给出结构化结果或决定是否调用工具。
在 AI Agent 工程中,LLM 不是孤立使用的,而是需要结合上下文、工具、记忆、权限和评估机制共同工作。
Token 是模型处理文本或结构化输入时的基本单位。它影响上下文长度、输入输出成本、响应速度和截断策略。在设计 AI 应用时,Token 不仅是计费维度,也是上下文窗口管理和成本控制的重要变量。
Embedding 是将文本、图像或其他数据转换为向量表示的技术。它常用于语义检索、相似匹配、聚类和召回。在知识库问答和 RAG 场景中,Embedding 决定了文档能否被语义化召回。
RAG 是指在生成回答前先检索相关知识,再将检索结果作为上下文提供给模型。它可以降低模型完全依赖参数记忆带来的不确定性,使回答更有依据。
RAG 通常包括文档切分、向量化、索引构建、召回、重排、上下文拼接、答案生成等环节。
MCP 可以理解为一种让模型或智能应用更方便接入外部上下文、工具或数据源的协议化思路。它关注的是如何以标准化方式暴露能力,使智能体能够在受控环境中访问外部资源。
在工程实践中,MCP 相关能力需要与权限控制、审计、数据隔离和调用限制结合考虑。
Agent Loop 描述智能体反复执行“观察—思考—行动—反馈”的循环过程。例如,模型先判断是否需要检索,再决定是否调用工具,然后根据工具返回结果继续推理,直到任务完成或达到停止条件。
Agent Loop 提升了任务自动化程度,但也带来了流程不确定性和成本控制难度。
Harness 可理解为对智能体行为的约束和治理机制。它包括权限限制、工具白名单、输入输出校验、敏感操作拦截、日志追踪、终止条件等。
如果没有 Harness,Agent Loop 可能产生不可控调用、越权访问、重复执行或异常循环。
DAG 是一种任务编排方式,用节点表示任务,用边表示依赖关系。它适合表达流程明确、依赖关系清晰、可并行执行的任务链。
在 AI 应用中,DAG 可用于约束 Agent 行为,使部分流程保持确定性。
Scheduler 负责安排任务执行顺序、资源分配、并发控制、重试策略和失败恢复。当多个任务、多个工具调用或多个智能体实例并行运行时,Scheduler 决定谁先执行、如何执行、失败后如何处理。
虽然两类术语所处的工程阶段不同,但它们并不是完全割裂的。相反,它们在底层目标上存在明显共性。
传统开发中的 MVP、POC、Prototype,本质是通过低成本验证降低产品和技术风险。AI Agent 工程中的 RAG、Agent Loop、Harness、Scheduler,也是通过检索、流程约束、调度和治理降低模型应用的不确定性。
区别只在于:传统术语更关注业务不确定性和交付不确定性,AI Agent 术语更关注模型能力、上下文质量和执行过程的不确定性。
MVP 要求先验证核心价值,POC 要求先验证关键可行性。AI Agent 应用也同样需要从小范围开始,例如先构建单轮问答,再扩展到多轮对话;先做单工具调用,再扩展到多工具协同。
无论是传统产品还是 AI 应用,直接追求完整系统都会放大成本,因此都需要通过分阶段验证降低风险。
传统开发中的需求文档、业务规则、交互原型、验收标准,都是给开发和测试人员的上下文。AI Agent 工程中的 Prompt、Embedding、检索文档、工具描述、历史消息、任务状态,也是给模型的上下文。
二者虽然载体不同,但都强调:如果上下文不清晰,结果就会不可预期。
传统系统依赖测试用例、验收标准、回归测试。AI Agent 应用则需要评估集、任务成功率、工具调用正确性、回答依据、日志追踪和人工复核。
没有验收机制的智能应用,很容易陷入“看起来能回答,但无法判断质量”的状态。
传统开发术语通常从业务目标出发,关注用户是谁、需求是什么、功能如何完成、交互是否顺畅。例如,一个订单系统是否支持取消订单、退款流程是否完整、异常状态是否有提示。
AI Agent 工程术语则从模型执行能力出发,关注模型如何理解任务、如何检索知识、如何调用工具、如何决定下一步行动。例如,用户问“帮我总结这份文档并生成任务列表”,系统需要先解析意图,再检索或读取文档,再调用生成能力,最后输出结构化结果。
因此,传统术语更适合描述“产品边界”,AI Agent 术语更适合描述“执行机制”。
传统软件的验收标准通常可以被明确写成功能条件。例如:
AI Agent 应用的验证则更复杂。一个回答可能没有唯一正确答案,一个任务可能有多种完成路径。因此,除了功能是否正确,还需要关注:
这意味着 AI Agent 应用不能只依赖传统测试用例,还需要建立评估集、模拟输入、边界测试和人工评审机制。
传统开发的输入通常是需求文档、用户故事、流程图、原型图和接口定义。这些信息虽然可能有模糊性,但通常可以通过评审、澄清和原型迭代逐步明确。
AI Agent 的输入则更多样,包括自然语言请求、用户历史对话、文档片段、工具返回结果、模型推理中间状态和外部系统反馈。输出也不一定是固定字段,可能是文本、结构化对象、工具调用指令、计划步骤或多轮回复。
因此,AI Agent 工程需要更重视上下文管理、数据清洗、结构化约束和输出校验。
传统业务流程通常可以用流程图明确表达,例如用户下单、支付、发货、收货、评价。每一步的条件和分支相对清晰。
AI Agent 应用中的 Agent Loop 则可能根据模型判断动态决定下一步。例如,模型可能先调用搜索工具,再根据结果决定是否继续检索;也可能先生成计划,再逐步执行子任务。
动态执行提高了灵活性,但也带来了循环、误调用、上下文膨胀和不可预测行为。因此,DAG 和 Scheduler 常常被用来约束和编排 AI 流程,让部分环节保持确定性。
传统开发的主要风险包括需求理解错误、范围蔓延、接口不一致、测试覆盖不足、性能不达标等。
AI Agent 应用则额外引入模型相关风险:
这些风险要求 AI Agent 工程不仅关注“能不能运行”,还要关注“是否受控运行”。
传统应用的运维重点通常包括服务部署、配置管理、日志监控、版本发布、回滚、容量规划和故障恢复。
AI Agent 应用则需要管理更多类型的版本和依赖:
如果这些组件没有统一版本管理,系统可能出现“昨天回答正确,今天回答错误”的情况,而且很难定位原因。
| 对比维度 | 传统开发术语视角 | AI Agent 工程术语视角 | 选型与落地含义 |
|---|---|---|---|
| 核心问题 | 产品做什么、如何验收 | 模型如何理解、调用和完成任务 | 传统术语定边界,AI 术语定执行 |
| 典型名词 | Acceptance Criteria、MVP、POC、Prototype | LLM、Token、Embedding、RAG、MCP、Agent Loop、Harness、DAG、Scheduler | 两类名词需要结合使用 |
| 输入形态 | 需求文档、用户故事、原型、业务规则 | 自然语言、上下文、文档、工具描述、任务状态 | AI 应用更依赖上下文治理 |
| 输出形态 | 页面、接口、功能、业务流程 | 文本、结构化结果、工具调用、计划步骤 | AI 输出需要校验和约束 |
| 验证方式 | 测试用例、验收标准、回归测试 | 评估集、任务成功率、工具调用正确率、人工评审 | AI 应用需要更细粒度评估 |
| 风险类型 | 需求偏差、范围蔓延、接口不一致 | 幻觉、越权、误调用、上下文污染、循环失控 | AI 应用需要更强治理 |
| 架构关注 | 模块拆分、接口设计、数据流 | 模型调用、检索、工具接入、编排、调度 | AI 架构更依赖多组件协同 |
| 运维关注 | 部署、发布、回滚、监控 | 模型版本、提示版本、索引版本、日志追踪、成本控制 | AI 运维需要多版本治理 |
| 成本关注 | 开发人力、服务器资源、维护成本 | Token、Embedding、模型调用、工具调用、检索资源 | AI 成本更依赖调用策略优化 |
| 适用阶段 | 需求定义、产品验证、交付验收 | 智能能力构建、任务自动化、智能体工程 | 从零到一阶段可先传统术语再扩展 |
如果一个系统目标清晰,例如后台管理、订单处理、权限管理、内容发布、数据报表,那么传统开发术语更重要。团队应优先明确验收标准、MVP 范围和原型流程。
这类系统中,AI 能力可以作为增强项,例如智能搜索、摘要生成、分类辅助,但整体仍应以确定性业务逻辑为主。
如果系统需要基于企业文档、产品手册、制度文件进行问答,那么 RAG、Embedding、Token、LLM 等 AI 术语会更重要。同时,仍需要传统验收标准来判断回答是否准确、是否有依据、是否可追溯到原文。
这类场景的选型重点是:文档质量、切分策略、向量化模型、召回效果、上下文拼接方式和回答引用机制。
如果系统需要完成“查询数据—生成报告—发送通知—创建任务”等复合动作,则 Agent Loop、MCP、Scheduler、Harness 等概念会更重要。
此时不能只依赖模型自由决策,而应通过 DAG 或状态机约束流程,通过 Harness 控制权限,通过 Scheduler 处理并发和失败重试。
在概念验证阶段,可以先用 POC 和 Prototype 判断方向是否可行,再引入 AI Agent 工程术语进行细化。例如,先验证某类文档是否能被有效检索,再验证模型是否能基于检索结果生成可接受的回答,最后再考虑工具调用和自动化执行。
这种路径可以降低风险,避免一开始就构建复杂智能体。
当 AI 应用进入生产环境,必须同时关注传统验收和 AI 工程治理。也就是说,既要保证功能可用,也要保证模型行为可控、可追溯、可回滚、可评估。
生产级 AI 应用通常需要:
如果一个项目连核心用户、核心场景和成功标准都没有明确,那么不建议直接进入复杂 Agent 工程。此时应先用 Acceptance Criteria、MVP、POC、Prototype 明确问题定义。
只有问题定义清晰,后续模型、检索和工具编排才有意义。
AI 应用中最大的不确定性往往不是页面实现,而是模型能力、数据质量和工具协同是否满足业务要求。因此,可以通过 POC 验证:
POC 的目标不是做完整产品,而是回答关键问题是否成立。
如果任务步骤无法完全预先定义,模型需要根据中间结果动态决定下一步,那么 Agent Loop 是合理选择。但必须设置停止条件、最大迭代次数、异常退出机制和人工接管策略。
如果流程本身可以拆解为固定步骤,例如“检索—摘要—分类—生成—审核”,则 DAG 比完全自由 Agent Loop 更稳定。DAG 有助于减少不可控分支,提高可测试性和可维护性。
一旦 Agent 可以调用工具或访问数据,就必须考虑权限边界。应使用最小权限原则,限制工具范围,记录调用日志,对高风险操作进行二次确认。
在涉及敏感数据的场景中,Harness 的治理价值往往高于单纯的模型生成能力。
AI Agent 应用的成本不仅来自模型调用,也来自检索、工具调用、重复执行和长上下文。团队应在设计阶段考虑:
如果团队过去主要做传统软件开发,转向 AI Agent 应用时,需要特别注意以下问题。
传统需求文档通常是给人看的,而 AI Agent 需要更结构化的上下文。直接粘贴长文档可能导致上下文混乱、关键信息被淹没或 Token 消耗过高。
更合理的方式包括:
传统验收标准通常关注功能是否可用。AI Agent 应用则需要增加任务层面的验收条件,例如:
Agent Loop 和工具调用天然存在不确定性。接口设计时应考虑:
AI 应用一旦接入真实业务系统,权限问题会变得非常关键。权限设计应包括:
AI Agent 可能读取文档、对话、表格、日志或外部数据。团队需要明确哪些数据可以进入模型上下文,哪些数据需要脱敏,哪些数据不能进入日志,哪些输出需要人工复核。
特别是涉及个人信息、商业机密、内部制度的场景,应建立明确的数据使用边界。
AI 应用不可能保证每次输出完全一致。因此,不能只依赖单次演示效果,而应建立持续评估机制,例如:
下面给出一个通用示意,帮助理解传统验收标准与 AI Agent 执行如何结合。
feature: 文档智能问答acceptance_criteria:- 用户提问后,系统能基于指定文档生成回答- 回答中能标注引用来源- 当文档中没有相关内容时,系统提示未找到依据- 敏感字段不进入模型上下文- 每次调用记录耗时、Token 消耗和工具调用情况
这个例子体现了传统 Acceptance Criteria 的表达方式:条件具体、可检查、可验收。
while not task_done and step_count < max_steps:context = build_context(user_input, retrieved_docs, history)decision = llm_decide(context)if decision.need_search:result = search_tool.execute(decision.query)context = append_result(context, result)elif decision.need_tool:if not permission_allowed(decision.tool):return safety_message()result = tool.execute(decision.tool, decision.params)context = append_result(context, result)elif decision.answer_ready:answer = generate_final_answer(context)return validate_and_return(answer)else:return ask_for_clarification()
这个伪代码体现了 AI Agent 工程中的几个关键点:
传统开发术语与 AI Agent 工程术语之间,并不是简单的“新旧关系”,而是不同抽象层级的工程语言。
而在 AI Agent 工程中:
真正成熟的从零到一开发,并不是只会使用其中一类名词,而是能够根据项目阶段组合使用:先用传统术语明确需求、边界和验收,再用 AI Agent 术语设计智能能力、执行流程和治理机制。
对于团队而言,更稳妥的路径通常是:
归根结底,两类术语的共同目标都是降低系统建设中的不确定性。区别在于,传统开发术语更强调业务确定性,而 AI Agent 工程术语更强调模型能力与执行过程的可控性。选型时,不应追求名词数量的堆叠,而应根据业务风险、技术成熟度、团队能力和长期运维成本,选择合适的组合方式。