文章目录1.LLM2.RAG️、MCP️3.Agent4.Workflow5.SKills1.LLMLLM大模型就相当于人的大脑当对它进行问答的时候会基于它的训练数据进行回答。但直接调用API存在则不少问题1没有记忆能力问了一个问题就忘记上一个问题2没有隔离功能使用的上下文是共享的无法区分不同用户各自的内容解决上面的问题其实很简单就是在发送给LLM之前将用户标识和用户的历史会话信息拼接在用户Prompt、系统Prompt后面。2.RAG️、MCP️在慢慢的使用过程中会发现LLM的回答不能满足我们的需求了。它内部的训练数据过于老旧并且缺乏企业内部的知识库。故引入了RAG和MCPServer。RAG通过将资源向量化存储到向量库中问答的时候再从向量库中找相似性高的内容拼接用户Prompt、系统Prompt、上下文等发送给LLM。MCP Server本质是nodejs软件或python程序就像一个工具包这个工具可以获取当前的时间也可以抓取网络信息进行联网搜索等。如果有能力自己也可以遵从MCP上下文协议开发工具供开发者使用。3.Agent经过上面的完善现在LLM已经可以结合最新信息提供给我们满意的答案。但这远远不够。LLM只会说不会做还需要我们自己手动操作。所以Agent出现了它就相当于人的四肢。LLM大脑说Agent四肢使用MCP Server工具做。4.Workflow在Agent处理任务的时候有一些复杂、重复的任务一次完成后没有保存下来。下一次执行的时候又重复思考即浪费Token又浪费时间。需要把它固化下来方便复用Workflow就出现了。Workflow规定了一个节点干什么下一个节点干什么就像流水线一样。有一些图形化界面工具可以快速搭建工作流无需编码5.SKills因为Workflow固定了所以要处理不同任务就需要重新创作新工作流。随着时间的推移工作流越来越多这似乎有点麻烦可以让它灵活一点吗Skills应运而生。Skills就像一本操作手册里面写了什么时候可以使用哪些工具。Agent可以按照手册去使用MCP Server工具处理任务。相较于WorkflowSkills可以依据LLM动态地将各个节点进行组合而无需手动组合。其实大部分高大上的名词底层都是通过添加提示词实现。如RAG/MCP/Skills。