AI 圈最让人头秃的不是技术难懂而是长得像的概念太多。「Skill 和 MCP 啥关系」「Workflow 和 Agent 怎么区分」这篇专门解决这些「脸盲」问题一张表说清楚。 目录Skill vs MCP vs Plugin能力封装的三种路RAG vs Fine-tuning vs Prompt EngineeringAgent vs Workflow vs PipelineContext Window vs Memory vs Knowledge BaseEmbedding vs Vector vs FeatureToken vs Word vs CharacterSkill vs MCP vs Plugin能力封装的三种路维度SkillMCP (Server)Plugin定位能力模块连接协议扩展单元谁出的各家自有体系Anthropic 主推ChatGPT/Cursor 等包含什么PromptToolSchemaResourcesToolsPromptsManifestBackend通信方式内部调用JSON-RPC 标准各自实现侧重点「干什么」「怎么连」「怎么扩展产品」类比手机 AppUSB-C 标准浏览器扩展一句话关系 MCP 底层连接协议管道 Plugin 产品级扩展机制容器 Skill 业务能力封装内容 理想状态 Skill 通过 MCP 协议对外提供能力 → 以 Plugin 形式嵌入产品 三层协作各司其职RAG vs Fine-tuning vs Prompt Engineering维度RAGFine-tuningPrompt Eng原理外挂知识库检索继续训练调整参数优化输入指令解决什么知识不足/私有数据风格/格式/领域适配输出质量控制时效性实时更新训练时固定每次实时成本低高最低幻觉大幅降低有所改善无直接改善数据安全数据不出域需要训练数据安全只改指令适合场景知识问答/文档检索特定风格/领域任务通用任务引导选型口诀 缺知识 → 用 RAG 缺风格 → 用 Fine-tune 缺规矩 → 写好 Prompt 三者可以叠加使用不是互斥关系Agent vs Workflow vs Pipeline维度AgentWorkflowPipeline决策者LLM 动态决策预定义流程固定步骤灵活性最高每步都可能不同中等有条件分支最低线性确定性低每次可能不同中高高每次一样调试难度高随机性大中等低可复现适用场景开放式复杂任务半结构化业务流固定数据处理什么时候用什么 任务完全确定→ Pipeline最快最稳 任务有固定流程但有分支→ Workflow 任务开放、需要灵活应对→ Agent 实际项目中往往是混合的 Pipeline 做数据处理稳定部分 Workflow 编排业务流程半结构化部分 Agent 处理不确定环节灵活部分Context Window vs Memory vs Knowledge BaseContext WindowMemoryKnowledge Base是什么模型的单次输入上限对话历史管理企业/领域知识库作用范围当前这一次请求当前/跨会话全局共享生命周期请求结束就清空可持久化长期积累类比人的工作记忆(7±2)人的短期 长期记忆人读过的所有书容量限制固定如 128K tokens弹性取决于存储取决于向量数据库规模谁管理用户/Prompt 工程应用系统运维/数据团队Embedding vs Vector vs Feature这三个词经常混用其实含义不同 Embedding嵌入 → 强调「从原始数据到低维表示的映射过程」 → 通常指神经网络输出的语义表示 → 如「文本 Embedding」「图像 Embedding」 Vector向量 → 强调「数学结构——一组有序数字」 → Embedding 的输出就是一个 Vector → 如「1536维向量」「向量数据库」 Feature特征 → 强调「数据的属性或表征」 → 更广义可以是手工设计或自动学习的 → 如「图像特征」「统计特征 关系 Embedding 过程产出 Vector 作为 Feature 使用 Feature 可以来自 Embedding 也可以是其他方式提取Token vs Word vs CharacterTokenWordCharacter中文例子“你好” 1~2 Token“你好” 1 个词“你好” 2 字符英文例子“hello” 1 Token“hello” 1 词“hello” 5 字符代码例子“def” 1 Token“def” 不是一个完整词d/e/f 3 字符决定因素​分词器(BPE 等)语言规则编码(UTF-8)用途LLM 的基本单位NLP 分析字符串操作❌ 常见误区❌ 这些概念是完全独立的 — 它们在不同层面互相影响如 Token 数量直接影响 Context Window 管理❌ 必须选一个 — 大多数系统会同时用到多个概念如 RAG 系统Context Memory Knowledge Base 三者并用❌ 搞清楚这些只是为了考试 — 选错架构会导致整个项目走弯路