面对层出不穷的AI技术名词，与其被动追逐，不如主动厘清其本质。这篇内容将Agent、RAG、MCP等主流概念置于统一的工程架构中，清晰揭示它们各自的功能定位与内在联系，帮助读者穿透概念迷雾，建立对AI应用技术栈的系统性认知。
智能速览
大模型（LLM）的核心能力是文本生成，不具备执行任务的能力。
Agent是流程控制和工具调度的中间层，负责连接模型与具体执行程序。
RAG通过检索增强生成，主要解决回答的信息来源和可靠性问题。
Function Calling是模型与程序交互的结构化约定，MCP是其标准化扩展。
Workflow与Scale分别对应流程固化与灵活编排两种不同的任务处理模式。
判断新技术名词的价值，关键看它解决了哪类问题、处于系统哪一层。
精华内容
面对层出不穷的AI技术名词，与其逐个记忆，不如回归工程本源。将这些概念置于统一的架构中审视，其功能、位置与价值便一目了然。
模型核心：生成与局限
首先要明确，大模型（LLM）的本体只负责一件事：根据输入生成输出，它本质上是强大的文本生成器。它并不天然具备访问本地文件、上网搜索、调用数据库或接口的能力，也无法可靠地执行固定流程。因此，要让AI“做事”，就必须为其补充上下文、记录历史记忆，并连接外部工具，这些是弥补其能力短板的前提。
上下文（Context）、提示词（Prompt）和记忆（Memory）的作用，就是让单轮对话能够持续，让模型理解当前的背景信息。工程实践中，记忆通常是将历史对话摘要后，作为固定文本塞回上下文，以平衡成本与效果，防止模型“断片”或产生幻觉。
执行中枢：Agent与工具
当需要执行具体任务，如查阅PDF、调用API查询订单或运行脚本处理数据时，Agent就登场了。Agent的核心是流程控制、工具调度与状态管理，它充当着模型与外部世界交互的中间层。模型负责判断与表达，而程序负责执行与交互。
这种架构也解释了为何Agent本身不需要太多智能，因为确定性、流程化的工作都应交由专门的工具（程序）处理。Function Calling就是模型与Agent之间的一种结构化交互约定，通常使用JSON格式来明确调用意图和参数。而MCP（模型上下文协议）则进一步将工具的定义、传参和返回值标准化，解决了Agent如何发现和调用外部工具服务的问题。
知识增强：RAG的应用
RAG（检索增强生成）技术的出现，是为了让AI生成的内容更可靠，并能引用自有资料。其工作流程已相当固化：首先将知识库文档切片并向量化；当用户提问时，通过语义相似度检索出相关片段；最后将检索结果塞回上下文，由模型归纳整理并生成答案。
RAG解决的核心问题是信息来源，而非提升模型的推理能力。在企业知识库应用中，它的价值主要体现在两个方面：一是减少AI胡言乱语，二是提供可追溯的引用依据。但RAG的效果高度依赖于文档质量和切片精度，否则召回的可能是大量噪声，反而干扰模型生成正确答案。
流程编排：固化与灵活
对于复杂的业务流程，如“抽取PDF内容、翻译成中文、保存为Markdown”，不同环节适合不同的技术方案。Workflow（工作流）适合流程固化的场景，通过硬编码或低代码方式固定步骤，其优势是极其稳定可控，但缺点是灵活性差，难以应对输入变化。
Scale则是一种更灵活的编排方案，它支持渐进式披露，能根据任务需求动态加载不同的技能或脚本。这种动态选择由大模型完成，在灵活性与稳定性间取得了平衡，但对模型的智能水平也有更高要求。当任务过于复杂时，还可以采用Subagent模式，将大任务分解为多个子任务，由不同的子Agent在各自的上下文中处理，本质上是上下文隔离和任务分解。
