一文讲清楚 AI Agent 的核心概念：从 Token、Skill、RAG 到 MCP、SDD、Loop Engineering 和 Harness Engineering- 大数跨境

首页

一文讲清楚 AI Agent 的核心概念：从 Token、Skill、RAG 到 MCP、SDD、Loop Engineering 和 Harness Engineering

智能体AI

2026-07-03

导读：Token、RAG、MCP、Loop……看完这篇，AI Agent的所有名词不再打架

近期有读者反馈，在系统学习 AI Agent 三个月后，面对 Token、RAG、MCP、Skill、SDD、Loop Engineering 等层出不穷的新概念，感到愈发困惑。这些术语看似独立，实则缺乏一条清晰的主线。

事实上，这些概念并非平行的词条，而是一套分层递进的工程体系。每一层的出现都是为了解决上一层遇到的瓶颈。理清这条主线，便能理解各技术在 AI 工程中的确切定位。

第一层：Token——一切的原材料与限制根源

理解 Agent 机制的前提是理解 Token。模型处理的并非自然语言文字，而是切分后的最小单元 Token。这一概念引出了核心限制：模型单次推理能处理的 Token 数量存在上限，即上下文窗口（Context Window）。

尽管 2025 年后主流模型的上下文窗口已突破百万级，但这并未消除工程挑战。全量加载海量 Token 将导致成本激增和延迟过高。因此，后续所有机制的核心目标一致：在有限的 Token 预算内，精准注入最有价值的信息。

第二层：RAG——构建可检索的“外脑”

模型训练完成后知识即冻结，无法知晓实时信息或私有数据。RAG（检索增强生成）通过在回答前检索外部知识库相关片段并注入上下文，解决了知识边界问题。

针对"RAG 已死”的论调，2026 年的生产实践证实 RAG 依然不可或缺，主要基于三点：成本控制（检索远低于全量加载）、低延迟响应以及知识库的实时更新能力。RAG 作为 Agent 的“长期记忆外挂”，专注于解决知识检索问题，而非工具调用。

第三层：MCP——统一工具调用标准

当 Agent 需要执行发邮件、写数据库等动作时，MCP（模型上下文协议）提供了统一标准。此前，不同框架调用工具的方式各异，如同插座规格不统一。MCP 定义了模型发现、调用工具及接收结果的规范，实现了工具厂商一次开发、多平台通用。

RAG 是“外脑”负责知，MCP 是“手”负责行。赋予 Agent 执行能力同时也带来了安全风险，因此企业级 MCP 部署必须包含代码审计、权限控制及操作日志等安全标配。

第四层：Skill——能力的模块化与按需加载

为避免将所有规则堆砌在 System Prompt 中造成 Token 浪费，Skill 机制应运而生。Skill 是标准化的能力模块（通常由 SKILL.md 定义），Agent 根据任务动态激活特定 Skill，实现信息的“渐进式披露”。

这一设计使 Agent 能力从“单体”走向“模块化”，是 AI 工程从实验走向生产的关键一步。

范式演化：从 Prompt 到 Loop 的工程进阶

上述四层构成了 Agent 的“零件”，而工程师的工作方式则经历了从优化单句话到设计自主系统的范式转移。

Prompt Engineering（2022-2023）：优化单次交互

早期阶段聚焦于如何撰写高质量 Prompt，通过措辞和示例优化单次交互的输出质量。

Context Engineering（2025）：管理全局信息

随着任务复杂化，工程重心转向管理模型可见的所有信息（历史对话、检索文档、工具结果等）。Shopify 创始人将其定义为“为任务提供所有上下文，使其对模型而言可合理解决”。Prompt Engineering 由此成为 Context Engineering 的子集。

Harness Engineering（2026 年初）：搭建运行环境

Harness（马具/安全带）工程旨在为 Agent 构建安全的运行环境，包括工具集、沙箱隔离、约束边界及反馈回路。若 SDD 解决“做什么”，Harness 则解决“在何种条件下做及如何验收”。

SDD（2025-2026）：规格驱动开发

针对"Vibe Coding"（凭感觉编程）导致的代码不一致问题，SDD（规格驱动开发）主张在编码前制定精确、版本化的 Spec 文档。Spec 成为唯一真相源，Agent 依据 Spec 而非聊天记录进行实现，确保意图的稳定传递。

Loop Engineering（2026 年 6 月）：设计自主系统

Loop Engineering 标志着工程师角色的根本转变：不再直接发送指令，而是设计自动运行系统。工程师定义目标、验收标准及预算，由 Loop 自主分配任务、验证结果并迭代，直至目标达成。

一个完善的 Loop 包含六大模块：目标定义（Goal Spec）、动作执行（Action）、反馈机制（Feedback）、停止规则（Stopping Rule）、记忆持久化（Memory）以及治理与成本（Governance & Cost）。其中，独立于执行 Agent 的验证器是 Loop 能否稳定运行的关键瓶颈。

2026 年 AI 工程师的核心竞争力

在模型能力增强、工具普及的背景下，AI 工程师真正的稀缺能力不再是使用工具，而是定义“完成”。无论是判断 RAG 检索质量、审查 SDD 规格精度，还是设定 Loop 的停止条件，都依赖于工程师对领域知识的深刻理解。

Loop 仅是杠杆，撬动的是工程师的专业判断。明确问题域中何为“正确”，才是 2026 年最难被替代的核心价值。

【声明】内容源于网络

智能体AI

1234

内容 467

粉丝 0

智能体AI 1234

总阅读13.3k

粉丝0

内容467