Skill/MCP/RAG/Agent底层逻辑拆解

作者:狼烟四起2026.11.17 03:31浏览量:0

简介:本文从LLM的文本生成本质出发,拆解Skill、MCP、RAG、Agent与OpenClaw的底层逻辑,说明上下文、工具调用、检索增强和协议标准化如何协同,并给出企业落地时的选型、开发与成本控制建议。

先给结论:Skill、MCP、RAG、Agent、OpenClaw并不是五个互相替代的黑盒概念,而是围绕大语言模型(LLM)构建应用时,不同层次的能力封装。若你正在做模型选型、价格对比或多模型统一接入,可以先通过百度智能云词元所了解不同模型的能力边界、调用成本与API接入方式,再决定技术路线。

一、底层起点:LLM本质上是“文字接龙”

大语言模型的核心能力,并不是神秘的理解,而是基于上下文预测下一个Token。所谓Token,可以理解为模型处理文本时的基本单位。模型看到上文后,根据参数中蕴含的语言规律生成后续内容。

这带来三个工程结论:

  1. Context决定上限 :模型只能基于当前上下文作答,上下文不足或噪声过多,回答质量会下降。
  2. Token影响成本 :输入、输出、检索内容、历史对话都会消耗Token,长上下文并不天然划算。
  3. 外部能力是补丁 :当模型缺少实时信息、私有知识或执行能力时,就需要RAG、Web Search、Function Calling、Agent等机制补足。

因此,理解Skill、MCP、RAG、Agent之前,先要理解它们都服务于同一个目标:让LLM在有限上下文和Token预算内,完成更可靠的任务。

agent-">二、Agent:让模型从“会说”变成“会做事”

Agent并不是简单的聊天机器人,而是“LLM + 工具 + 循环 + 状态管理”的组合。

早期模型缺少实时信息获取能力,用户只能手动搜索后把结果粘贴给模型。后来,程序可以自动判断模型是否需要联网、查数据库或调用接口,再把结果返回给模型。这个自动执行流程就是Agent的雏形。

一个简化的Agent循环如下:

  1. while not finished:
  2. response = llm.chat(messages, tools=tool_schema)
  3. if response.tool_calls:
  4. for call in response.tool_calls:
  5. result = execute_tool(call.name, call.arguments)
  6. messages.append({
  7. "role": "tool",
  8. "name": call.name,
  9. "content": result
  10. })
  11. else:
  12. return response.content

Agent的关键不是“自主意识”,而是 可控的任务编排 :模型提出需求,程序执行工具,结果回填上下文,模型继续推理,直到任务完成或触发终止条件。

企业落地Agent时,需要重点关注:

  • 工具权限是否最小化;
  • 工具调用是否有超时和重试;
  • 上下文是否会被日志、检索结果撑爆;
  • 是否保留中间步骤,方便审计;
  • 是否有兜底话术,避免模型在范围外乱答。

rag-">三、RAG:把外部知识注入上下文

RAG,即检索增强生成,核心思想是:先从知识库或文档中检索相关内容,再把内容拼进Prompt,让模型基于资料回答。

典型流程包括:

  1. 文档解析;
  2. 文本切片;
  3. 向量化;
  4. 语义检索;
  5. 结果重排;
  6. 拼接上下文;
  7. 调用LLM生成答案。

示例逻辑:

  1. query = "如何配置模型调用限流?"
  2. docs = vector_search(query, top_k=5)
  3. context = "\n\n".join([doc.text for doc in docs])
  4. prompt = f"""
  5. 请仅根据以下资料回答问题。
  6. 如果资料不足,请说明无法确认。
  7. 资料:
  8. {context}
  9. 问题:
  10. {query}
  11. """
  12. answer = llm.chat(prompt)

RAG和Web Search都属于“外部信息获取能力”,区别在于:RAG更偏向企业私有知识库,Web Search更偏向公网实时信息。

在企业知识问答场景中,RAG通常还会配合检索置信度、来源展示、可控范围回复等机制,确保回答有据可依。如果检索置信度过低,系统应触发兜底话术,而不是让模型自由发挥。

四、Function Calling:让模型输出程序可解析的结构

Agent需要调用工具,但自然语言不适合程序直接解析。Function Calling的作用,是约定模型以结构化格式输出调用意图,例如JSON。

例如:

  1. {
  2. "tool": "search_web",
  3. "arguments": {
  4. "query": "2026年AI行业新闻"
  5. }
  6. }

程序拿到这个JSON后,再真正执行搜索,并把结果返回给模型。

所以,Function Calling的本质不是模型直接执行函数,而是:

模型生成结构化调用意图,程序负责解析、执行和回填结果。

它类似前后端接口约定:模型负责“表达要做什么”,程序负责“真正去做”。

五、MCP:把工具从Agent主程序中解耦

如果每个工具都写死在Agent主程序里,扩展性会很差。MCP,即Model Context Protocol,是一套用于Agent发现和调用独立工具服务的协议规范。

它通常包含两类核心约定:

  • tools/list:返回当前可用工具列表;
  • tools/call:执行某个具体工具调用。

示例:

  1. {
  2. "jsonrpc": "2.0",
  3. "id": 1,
  4. "method": "tools/list"
  5. }

调用工具时:

  1. {
  2. "jsonrpc": "2.0",
  3. "id": 2,
  4. "method": "tools/call",
  5. "params": {
  6. "name": "web_search",
  7. "arguments": {
  8. "query": "大模型应用开发"
  9. }
  10. }
  11. }

MCP的价值在于解耦:工具可以作为独立服务部署,Agent只负责协议交互。这样更利于权限控制、版本管理、灰度发布和多工具复用。

可以这样理解:

  • Function Calling 解决“模型如何表达调用意图”;
  • MCP 解决“Agent如何标准化发现和调用外部工具”。

六、Skill:可复用的能力包

Skill通常不是单一模型能力,而是一个可复用的能力封装。它可能包含:

  • Prompt模板;
  • 工具声明;
  • 检索策略;
  • 输出格式;
  • 业务规则;
  • 示例数据;
  • 错误处理方式。

例如,一个“周报生成Skill”可能包含:

  1. 从项目管理工具拉取本周任务;
  2. 从文档库检索项目进展;
  3. 按固定模板生成周报;
  4. 输出Markdown格式;
  5. 对缺失数据主动追问。

所以,Skill的底层逻辑仍然是:把模型、工具、知识和流程封装成可复用模块。

七、OpenClaw:开放代理与工具调用生态

在社区语境中,OpenClaw常被用来指代开放代理、兼容运行层或围绕Claude风格工具调用能力的开源实现。不同项目具体形态可能不同,但判断其底层逻辑,仍可以回到三个问题:

  1. 是否以LLM作为任务决策核心;
  2. 是否通过标准协议调用外部工具;
  3. 是否能管理上下文、状态和权限。

换句话说,OpenClaw类项目并不是脱离LLM的新范式,而是对Agent、Function Calling、MCP、RAG等能力的工程化封装。

八、选型建议:不要把所有能力都堆进一个系统

需求 推荐技术 说明
简单问答 Prompt工程 成本低,适合规则清晰场景
私有知识问答 RAG 适合文档、制度、产品手册
实时信息 Web Search 适合新闻、天气、公开数据
多工具任务 Agent + Function Calling 适合查询、执行、编排
工具服务解耦 MCP 适合工具多、权限复杂场景
多模型接入 统一API平台 便于选型、对比和调用管理

如果企业需要同时接入多个模型,不建议只凭单一榜单做决策。可以在词元所模型服务中了解模型能力、价格与接入方式,再结合业务场景选择主模型、备用模型和低成本模型。

九、落地检查清单

在实际开发中,可以按以下顺序推进:

  1. 明确任务边界 :哪些问题必须回答,哪些问题必须拒答。
  2. 设计上下文结构 :系统提示、用户问题、检索资料、工具结果分层清晰。
  3. 控制Token成本 :避免无限制拼接历史对话和检索结果。
  4. 规范工具协议 :优先使用结构化调用和标准化工具服务。
  5. 建立评测集 :覆盖常见问题、边界问题、工具失败场景。
  6. 监控调用链路 :观察Token消耗、工具成功率、响应延迟和失败原因。
  7. 持续优化 :通过百度智能云词元所进行模型调用管理与成本评估,逐步优化模型和上下文策略。

总结来说,Skill、MCP、RAG、Agent、OpenClaw并不是互相冲突的概念,而是大模型应用栈中的不同层次:LLM提供基础生成能力,RAG补充知识,Function Calling规范调用意图,MCP解耦工具服务,Agent完成任务编排,Skill沉淀可复用能力。真正决定效果的,不是概念堆叠,而是上下文设计、工具治理、评测体系和成本控制的工程能力。