看完这条:AI 七层全貌(Token → Skills)
摘要
从 Token 到 Skills 的 AI 协作全景,分七层逐层拆解:Token → 提示词 → 上下文 → Agent → Harness → MCP → Skills。
学习路径:先懂 Token → 写好 Prompt → 管理 Context → 设计 Agent → 搭建 Harness → 接入 MCP → 沉淀 Skills。
来源:抖音图文
七层全景总览
| 层 | 核心定义 | 类比 |
|---|---|---|
| Token | AI 的最小输入单元 | 乐高小粒 |
| Prompt(提示词) | 人与 AI 对话的指令 | 点餐的菜单指令 |
| Context(上下文) | 多轮记忆与外部知识 | 随身记事本 |
| Agent(智能体) | 能自主行动的智能体 | 自动跑腿的助手 |
| Harness(框架/编排) | 工作流编排框架 | 任务流水线 |
| MCP(模型上下文协议) | 模型上下文协议/工具标准 | 通用翻译手册 |
| Skills(技能) | 可复用技能包装 | 随身工具包 |
记忆口诀:「Token是砖,Prompt是图,Context是地」。
📷 图解全景


1. Token —— AI 理解世界的最小积木

- 核心作用:大模型处理文字的基本单位;英文按子词(subword)、中文常按字/词切分。
- 换算:
1 token ≈ 0.75 个英文单词、1-2 个汉字。 - 控制技巧:精简表达、删除冗余、用英文关键词更省 token、合理分段。
- 常见误区:不是按字符数计费;不是一个词一定等于一个 token。
- 实战:“人工智能”≈2-4 tokens,“AI”≈1 token。
2. Prompt(提示词)—— 让 AI 听懂的人话翻译器

- 核心作用:人与大模型的唯一沟通接口,提示词质量直接决定输出质量。
- 万能结构:
角色(Role) + 任务(Task) + 背景(Context) + 约束(Constraint) + 输出格式(Format) + 示例(Example)。 - 关键要素:角色设定(明确身份)、任务描述(具体可执行、避免模糊动词)、约束条件(长度/风格/禁止项/引用来源)、Few-shot 示例(2-3 个输入输出样例)。
- 进阶技巧:使用分隔符
##、让 AI 先思考再回答、要求自我检查、链式提示拆解复杂任务。 - 常见误区:提示词不是越长越好;不要一次提多个矛盾要求。
- 模板:
你是一位XX,请根据YY,完成ZZ,要求AA,输出BB格式。
3. Context(上下文)—— AI 的记忆库与知识外挂

- 核心作用:为模型提供当前任务所需背景,决定回答是否精准、连贯。
- 上下文窗口:模型一次能处理的 token 上限,包含系统提示 + 历史对话 + 当前输入。
- 多轮记忆:短期记忆在窗口内,超出会被截断或压缩。
- 长期记忆方案:向量数据库、知识库、RAG 检索增强生成、外部笔记/文档。
- RAG 流程:用户想问 → 向量化 → 检索相关片段 → 拼接进 Prompt → 生成答案。
- 管理技巧:保留关键信息、删除无关历史、使用摘要压缩、分块输入。
- 常见误区:以为 AI 能记住很久以前的话;把所有资料一次性塞进去。
- 优化口诀:「相关、精简、结构化、可追溯」。
4. Agent(智能体)—— 能自主行动的数字员工

- 核心作用:以大模型为大脑,能感知环境、做决策、调用工具、完成多步骤任务。
- 关键能力:规划 Planning、推理 Reasoning、工具调用 Tool Use、记忆 Memory、反思 Reflection、行动、围绕一个 Action。
- ReAct 模式:
Thought(思考)→ Action(行动)→ Observation(观察)循环。 - Multi-Agent:多个 Agent 分工协作(规划者、执行者、检查者、专家)。
- 应用场景:自动写报告、代码生成与调试、数据采集、客户服务、研究助手。
- 设计要点:明确目标、定义工具、设置停止条件、容错机制。
- 与 Chatbot 的区别:Chatbot 只回答问题;Agent 能自主做事。
一句话:Prompt 是给 AI 下命令,Agent 是让 AI 自己去干活。
5. Harness(工作流编排框架)—— 把 AI 能力组装成流水线

- 核心作用:框架/平台,将 Prompt、模型、工具、Agent 组合成可复用、可观测的工作流。
- 核心组件:节点 Node、边/连接 Edge、变量 Variable、条件分支 Condition、循环 Loop、人机确认 Human-in-the-loop。
- 常见框架:LangChain、LlamaIndex、Dify、Coze、FastGPT、Flowise、AutoGen。
- 能力:提示模板管理(集中管理 Prompt 版本、AB 测试、动态注入)、可视化编排(低开发门槛)、评估与监控(输入输出记录、效果评分、错误追踪、成本统计)。
- 应用场景:智能客服、内容生产流水线、审批助手、数据分析报告、营销自动化。
- 选型建议:个人试用 Coze/Dify;企业级用 LangChain/LlamaIndex + 自建。
Harness 是「舞台和剧本」,Agent 是「演员」。Harness 让 AI 从单点能力变成系统能力。
6. MCP(模型上下文协议)—— AI 与外部世界的通用插座

- 核心作用:Anthropic 提出的开放协议,统一大模型与外部数据源、工具的连接方式。
- 架构组成:
MCP Host(如 Claude Desktop/IDE)+MCP Client+MCP Server(提供资源/工具/提示)。 - 三大能力:Resources(语义资源)、Tools(可执行工具)、Prompts(预定义提示模板)。
- 工作方式:Server 注册能力 → Client 发现工具 → 模型决定调用 → 执行后返回结果。
- 与 Function Calling 区别:Function Calling 是模型能力;MCP 是工具供给标准。
- 开发优势:一次接入、多客户端复用,降低工具集成成本(像 USB-C/HTTP,让不同 AI 应用共享同一套工具生态)。
- 热⻔ Server:文件系统、GitHub、数据库、Slack、浏览器、知识库、日历。
一句话:MCP 让工具像 App 一样即插即用。
7. Skills(技能)—— 可复用、即拿即用的积木

- 核心作用:将特定任务的 AI 能力(Prompt + 工具 + 工作流)打包成可复用、可分享、可交易的模块。
- 技能组成:输入参数、系统提示、工具调用、输出格式、示例、错误处理。
- 与 Agent 区别:Agent 是「能自主决策的完整员工」;Skill 是「完成单一任务的熟练手艺」。
- 创建步骤:定义任务 → 编写 Prompt → 选配工具 → 测试迭代 → 封装发布 → 收集反馈。
- 复用价值:避免重复造轮子、沉淀组织知识、降低使用门槛。
- 质量指标:准确性、稳定性、易用性、可解释性、安全性。
一句话:Skills 是 AI 时代的 App,封装智慧,随手用。
📚 相关笔记
- Agent 基础丨大厂面试(九大能力板块) — Agent 层以下各板块的基础详解
- 12种 Agent Harness 设计模式 — 第 5 层 Harness 的 12 种落地模式
- Claude Skills 完全指南 — 第 7 层 Skills 深度
- AI 大模型 MOC