Harness Loop MCP Agent Skill 各种名词看不懂？没关系，一篇帮你说清楚。

先看一个很容易遇到的真实任务：

你是一个课程主理人，手里有一堆直播课逐字稿、学员问答、案例截图和产品资料。你想做一个”AI 内容生产小助手”：它能读你的资料，整理成公众号文章、小红书文案和课程大纲；遇到不确定的信息会先查知识库；需要配图时能生成图片；最后还能把流程沉淀下来，下次一句话继续跑。

这件事听起来只是一句”让 AI 帮我做内容”，但真正拆开以后，几乎会碰到本文所有名词。

先看总览：

一句话记住：AI 不是一个孤立工具，而是一套从”理解需求”到”连接资料”再到”执行交付”的工作系统。

二、AI 的能力底座：AI、大模型、LLM、GPT、AIGC

这一章解决一个最基础的问题：

ChatGPT、GPT、LLM、大模型、AI，到底是不是一回事？

答案是：不是。

它们是层级关系，不是平级关系。

AI 是什么

AI 就是人工智能。说白了，就是让机器学会干一部分原来只有人才会干的活：看懂文字、看懂图片、听懂说话、写文章、算数据、写代码，或者按你的吩咐把一件事办完。

以前我们操作软件。

现在我们开始指挥 AI。

机器学习、深度学习、神经网络是什么

这三个词经常一起出现。可以这样理解：

神经网络是深度学习常用的计算结构。

用教电脑认猫来打比方：

  • 过去的老办法，是程序员写死规则：”有尖耳朵、有胡须、会喵喵叫的是猫”。
  • 机器学习，是给电脑看大量猫的照片，让它自己总结”猫长什么样”。
  • 深度学习，是机器学习的加强版，用很多层神经网络一点点识别线条、眼睛、耳朵、轮廓，最后认出整只猫。
    一句话记住：

机器学习是让机器看例子自己学；深度学习是其中学得最深的一派；今天的大模型，大多是深度学习的产物。

大模型有哪些类型

LLM 是什么

LLM 就是大语言模型。

它不是搜索引擎，也不是普通聊天机器人。搜索引擎主要帮你找已有网页；LLM 更像是在理解你的问题之后，根据自己学到的语言规律和知识结构，生成一个新的回答。

比如你说：

帮我把这段课程逐字稿整理成公众号文章。

LLM 会做几件事：

  1. 理解你的需求：你不是要摘要，而是要公众号文章。
  2. 理解原始材料：看懂逐字稿里讲了什么。
  3. 提炼结构：找重点、分层次、组织逻辑。
  4. 生成内容：写标题、开头、正文、小标题、结尾。
  5. 调整表达：根据你要求的风格，变得更口语、更专业或更适合小红书。
    AIGC 是什么

AIGC 不是某一个工具，而是一类内容结果。

只要是 AI 生成出来的文字、图片、音频、视频、代码，都可以叫 AIGC。

比如：

  • AI 写的一篇文章
  • AI 生成的一张海报
  • AI 做的一段视频脚本
  • AI 写的一段代码
  • AI 整理出来的会议纪要

    AI 是能力，AIGC 是结果。

三、使用入口：模型、产品入口、API

这一章解决一个常见误会：

GPT、ChatGPT、API，不是一回事。

可以这样记：

人用 AI，通常是打开一个聊天窗口，比如 ChatGPT、Kimi、豆包。

但软件系统不能像人一样去点按钮、打字聊天。它需要一种稳定的方式调用 AI。

这个方式，就是 API。

比如你做一个公众号排版工具，想让它自动生成标题，流程可能是：

  1. 用户输入一篇文章。
  2. 你的工具把文章内容通过 API 发给 AI。
  3. AI 生成 10 个标题。
  4. API 把结果传回你的工具。
  5. 工具展示给用户。
    所以 API 的作用不是”给人聊天”，而是：

让软件可以调用 AI 的能力。

和 API 经常一起出现的词

四、把需求说清楚：Prompt、System Prompt、提示词工程

这一章解决一个实用问题：

为什么同一个 AI，有的人用起来像助理，有的人用起来像随机聊天？

差别往往不在模型，而在你有没有把任务说清楚。

一个好 Prompt 通常包含 6 个要素：

  1. 角色：你希望 AI 以什么身份工作？
  2. 任务：你要它完成什么？
  3. 对象：内容写给谁看？
  4. 资料：它应该参考哪些素材？
  5. 格式：输出成文章、表格、清单，还是脚本？
  6. 限制：不要做什么？哪些信息必须核实？
    比如不要只说：

帮我整理一下这节课。

可以改成：

你是一个课程内容编辑。请把下面这份 AI 编程课逐字稿，整理成一篇适合小白阅读的公众号文章。读者是刚接触 AI 工具的人。请保留核心概念，删掉口水话，标题要直白，正文用小标题分层，结尾给一份行动清单。不要编造逐字稿里没有的数据。

同样是让 AI 干活，后者的可控性会高很多。

五、把资料交给 AI：Token、上下文、知识库、RAG、Embedding

这一章解决一个关键问题：

AI 为什么有时候答得准，有时候一本正经地胡说？

因为 AI 当前能看到什么，决定了它能基于什么回答。

Token 是什么

电脑不认识文字，只认识数字。所以 AI 读你的话之前，要先把句子切成一小块一小块，每一块就是一个 Token。

输入越多、输出越长，消耗 Token 越多。它会影响成本、速度和上下文长度。

你可以粗略理解为：

Token 是 AI 世界里的字数单位、计算单位和成本单位。

RAG 到底是怎么回事

RAG 这个名字看着吓人，其实就是”先翻资料，再回答”。

全过程只有三步：

  1. 你提问：”我们的退款政策是什么？”
  2. 系统先去你的知识库里检索，找出最相关的几段资料。
  3. 把找到的资料连同你的问题一起交给大模型，让它基于资料生成回答。
    没有 RAG，AI 靠记忆答题，容易编。

有了 RAG，AI 先翻书再答题，答案更容易有出处。

市面上的”知识库问答””企业智能客服””和你的文档对话”，背后基本都是这套逻辑。

六、连接外部世界：MCP、CLI、插件、工具调用

这一章解决一个进阶问题：

AI 怎么从”会说话”变成”会干活”？

答案是：让它连接工具。

MCP 为什么被叫作 AI 的 USB-C

在 MCP 出现之前，AI 想连接一个新工具，开发者就要单独写一套对接代码：连飞书写一套、连 GitHub 写一套、连数据库又写一套。

工具一多，接口就乱。

MCP 做的事，就是把这个”插口”标准化。工具方按统一规范做一个 MCP Server，AI 这边就能更容易接上。

小白暂时不需要会写 MCP，但要建立一个直觉：

当你希望 AI 能读我的飞书文档、操作我的浏览器、查我的数据库时，背后大概率需要某种工具连接能力。

联网搜索也是一种工具调用

你在 AI 产品里打开”联网搜索”，本质就是给 AI 接了一个搜索工具。

AI 判断你的问题需要新信息，就先去搜索，再基于搜到的内容回答。

它和 RAG 很像：

  • RAG 查你自己的知识库。
  • 联网搜索查整个互联网。

七、从回答到执行：Agent、Coding Agent、Workflow

这一章解决一个现在最重要的问题：

AI 只是聊天工具，还是能真正把事情办完？

这就是 Agent 和 Workflow 要解决的事。

普通聊天 AI 和 Agent 的区别

普通聊天 AI 像一个只出主意的人。你问它”晚饭吃什么”，它给你一份菜谱。

Agent 更像一个能执行的助理。你说”搞定今天的晚饭”，它会列菜单、查冰箱、下单、提醒你几点开火。

一个只回答。

一个真办事。

Agent 和 Workflow 的区别

这句话很关键：

Workflow 是你提前把步骤设计好，AI 照着走；Agent 是你只给目标，AI 自己决定下一步做什么。

Workflow 像流水线，适合每天重复的事。

Agent 像助理，适合开放式任务。

实际工作里，两者经常组合：用 Workflow 固定大流程，在需要判断的环节让 Agent 自由发挥。

Coding Agent 是什么

普通聊天 AI 只能把代码说给你听，你还要自己复制、粘贴、运行。

Coding Agent 不一样。它可以直接进入你的电脑或项目环境：

  • 读项目文件和文件夹。
  • 创建、修改文件。
  • 在命令行里运行代码。
  • 看报错、自己修。
  • 一步步把项目真正做出来。
    常见的 Coding Agent 有 Claude Code、Codex、Cursor 等。它们的共同点是：不只生成代码，而是接管”写、跑、改、交付”的完整循环。

八、模型是怎么被造出来的：训练、微调、蒸馏、量化

这一章解决一个背景问题：

新闻里天天说训练、微调、蒸馏、参数、算力，到底是什么意思？

你不需要会训练模型，但懂一点这些词，看 AI 新闻就不会像看天书。

幻觉为什么也放在这里讲

幻觉不是简单的 bug，而是大模型工作方式的天然副作用。

它本质上是在”根据规律生成最像样的回答”，不是每次都去数据库里查标准答案。

所以：

  • 重要事实、数字、引用，要验证来源。
  • 让 AI 基于你给的资料回答，能减少幻觉。
  • 越冷门、越新的信息，越要联网搜索或交叉检查。

九、让 AI 发挥更好：提示词工程、上下文工程、护栏

这一章解决一个使用方法问题：

为什么同样的模型，有的人用得很稳，有的人总是返工？

因为会用 AI，不只是会写一句 Prompt，而是会给 AI 准备完整工作环境。

提示词工程 vs 上下文工程

同样是让 AI 写用户注册功能：

只做提示词工程：

帮我写一个用户注册功能。

AI 只能猜你的技术栈、数据库、代码风格和错误处理方式。

做了上下文工程：

我在做 Node.js + PostgreSQL 的项目，数据库工具用 Prisma。这是项目目录、已有接口风格和错误处理规则。请帮我实现用户注册，要有邮箱验证，和现有代码保持一致。

第二种方式下，AI 不用猜，返工次数会少很多。

这也是为什么 CLAUDE.md、知识库、Skills、Harness 这么重要：它们本质上都是在提前准备上下文和边界。

十、2026 常见热词：Vibe Coding、Harness、GEO

这一章解决一个现实问题：

为什么这些新词突然都火了？

因为 AI 正在从”聊天问答”进入”真实工作流”。

Vibe Coding 的边界

Vibe Coding 最大的魅力是：不会写代码的人，也能”说”出一个能跑的工具。

但它有一条红线：

代码是 AI 写的，责任还是你的。

放弃逐行写代码没问题，放弃验收不行。

重要项目要测试，涉及钱和数据安全的项目不能纯靠感觉上线。这正是 Agentic Engineering 和 Harness 出现的原因：先让 AI 放开做，再用流程和规则把它管住。

十一、回到开头案例：一条线串起所有术语

现在回到开头那个案例：你要做一个”AI 内容生产小助手”，让它把课程逐字稿、学员问答、案例截图和产品资料，整理成公众号文章、小红书文案、课程大纲和发布清单。

如果只看表面，这是一句 Prompt。

但如果按真实交付拆开，它其实是一条完整链路：

真正有用的 AI，不是只负责回答一句话，而是从理解需求、读取资料、连接工具、执行动作，到最后交付结果的一整套系统。

十二、最后记住这张清单

你不需要把所有术语都背下来。

你只要记住这几件事：

  • 分清 AI、大模型、LLM、GPT：它们不是平级关系。
  • 分清模型、产品入口、API：一个提供能力，一个给人使用，一个给软件调用。
  • 写 Prompt 时，要说清角色、任务、对象、格式、语气、限制、参考资料和交付结果。
  • 资料变多时，主动想到 Token、上下文、知识库、RAG 和 Embedding。
  • 当你希望 AI 读文件、调工具、跑流程时，要想到 MCP、CLI、插件和工具调用。
  • 当你希望 AI 不只回答，而是真正把事情做完时，要想到 Agent、Coding Agent 和 Workflow。
  • 分清 Agent 和 Workflow：一个自己决定路线，一个照着固定步骤走。
  • 重要事实和数字，永远记得防幻觉：验证来源、引用资料、交叉检查。
  • 看到 Vibe Coding、Harness、上下文工程这些新词不要慌，它们都在回答同一个问题：AI 能干活之后，人怎么指挥好、管得住。

    你只有懂了这些概念的意思，才能更好的在工作和生活中进行运用。

黄小木｜T11级工程师｜内容为codex创作，若有侵权请指出｜持续分享 AI 信息、副业赚钱、程序员转型OPC心得｜X：@ai_xiaomu

来源：@ai_xiaomu · 原文链接