最近集中啃了一批 AI 学习笔记——从大模型怎么工作，到 Agent 凭什么能"干活"

目录

大模型到底在干嘛

Agent 的真相

MCP / Function Call / Agent / Skill

ReAct 论文

Skill 为什么值得单独聊

Stanford AI Index 2026

可直接用的方法论

你有没有这样的感觉：ChatGPT 用得挺溜，但一说到 AI Agent、MCP、Skill、Function Call，脑子里就开始打架，分不清谁是谁？

我在 Notion 里攒了一批学习笔记，最近集中过了一遍，发现这些东西其实有一条清晰的脉络。今天把它串成一篇，争取用大白话讲明白：

大模型是怎么从"会聊天"变成"会干活"的。

一、先回到地基：大模型到底在干嘛

很多人以为大模型"懂"知识，其实它的本质机制特别朴素——预测下一个词（token）。

你说"今天天气真"，它算出下一个最可能是"好"。仅此而已。但就是这个朴素的机制，配合海量数据和大规模训练，硬生生"涌现"出了理解和推理能力。

它的一生大致走四个阶段：

预训练：海量文本灌进去，学会语言生成

代码训练：代码的严谨结构给了它推理能力

监督微调（SFT）：教它"像人一样"回答

RLHF：用人类反馈做强化学习，完成对齐

几个必须知道的词：

概念	一句话解释
Token	模型处理文本的最小单位，一个汉字约占 1~2 个 token
参数	模型里"存知识"的数字权重
上下文窗口	模型一次能"看见"的输入上限
温度	控制随机性：低→保守稳定，高→发散有创意
幻觉	编造不存在的事实——因为它是"猜"，不是"查"

把"幻觉"记牢。它解释了后来几乎所有 AI 翻车的名场面：模型不是在撒谎，它只是在认真猜测。

二、Agent 的真相：没有新智能，只是长了手和脚

"Agent 是不是比大模型更聪明？"

答案可能让你意外：Agent 没有新的智能，核心还是那个 LLM。它只是多了"手和脚"——能调用工具、能读写文件、能按流程执行。

一条公式概括：

Agent = LLM + 工具使用 + 外部记忆 + 规划分解

每一个加号背后都有代价：

工具使用：每多一个工具，就多一次"幻觉行动"的风险

外部记忆：突破了上下文窗口，但也可能"目标漂移"

规划分解：能把复杂任务拆成步骤，但错误也会级联放大

所以别把 Agent 当神话。它是个能干活但需要盯着的同事，不是全知全能的神。

三、四个概念别再搞混：MCP / Function Call / Agent / Skill

这是我最头疼的部分，现在用"一图一表"说清楚。

一句话记住它们：

概念	一句话定义	比喻
Skill	教 AI 怎么做某类任务的方法论/知识包	技能书
Agent	自主决策、编排任务的智能实体	智能工人
Function Call	模型直接调用预定义函数的能力	瑞士军刀
MCP Server	标准化连接外部系统/数据的服务	工具箱

它们在架构里的位置（从下往上）：

外部世界（数据库 / API / 文件系统）

                                                                               ↑

集成层 MCP Server（连接外部世界） ← 工具箱

                                                                              ↑

推理层 LLM + Function Call（模型原生） ← 瑞士军刀

                                                                              ↑

知识层 Skill（教 AI 怎么做） ← 技能书

                                                                              ↑

编排层 Agent（自主决策、多步编排） ← 智能工人

​

一句话理清四者的分工：

Function Call：解决「决定做什么」

MCP：解决「怎么做到」（如何连接外部）

Skill：解决「怎么做得更好」（方法论）

Agent：解决「谁来做、如何统筹」

它们不是替代关系，而是互补关系。一个成熟的 Agent 系统，通常四者都要有。

怎么选？ 按任务复杂度来：

简单 + 低延迟 → Function Call（查天气、翻译）

复杂 + 多源数据整合 → MCP Server（CRM、跨平台数据）

重复性工作流 + 内部规范 → Skill（代码审查、写作模板）

端到端 + 自主决策 → Agent（自动化客服、复杂任务）

四、Agent 的理论源头：ReAct 论文

聊到 Agent，绕不开一篇奠基论文——ReAct（ICLR 2023）。

它的核心思想一句话：让 LLM 边想边做。

以前的模型要么"只会想不会做"（纯推理），要么"只会做不会想"（纯行动）。ReAct 把它们交织在同一序列里，交替输出三种内容：

Thought（推理）→ Act（动作）→ Obs（环境反馈）

推理引导行动，行动反馈修正推理，互相增强。这听起来是不是特别像人？遇到问题先想想，然后动手，看结果不对再调整思路——ReAct 就是把人类"边做边想"的工作方式教给了模型。

效果也立得住：在具身决策任务 ALFWorld 上，成功率做到了 71%，显著高于只行动的基线（约 45%）；在线购物任务 WebShop 上也明显领先模仿学习基线。

后来的 AutoGPT、LangChain Agent、各种 ReAct-style 框架，全都是它的徒子徒孙。如果你只看一篇 Agent 相关论文，就看这篇。

五、Skill 值得单独聊聊：让 AI 从通才变专家

如果说 Agent 是工人，Skill 就是给工人配的技能证书。

一个 Skill 就是一个文件夹，包含三要素：

SKILL.md：说明书（什么时候用、怎么用、注意什么）

Script：可执行脚本

Reference：参考文档、模板

它把领域知识、操作流程、工具调用和最佳实践打包成"技能包"，让 AI 从"什么都懂一点"变成"某个领域的熟手"。

为什么 Skill 不烧 Token？ 因为它采用三层渐进式加载：

L1 元数据：启动时只扫"名片"（名称+描述），约 100 Token/个

L2 说明文档：技能被触发时才加载完整 SKILL.md，低于 5000 Token

L3 资源/代码：按需用 bash 读取，根本不进上下文

相当于 AI 面前有一个"名片夹"，它先翻名片判断要不要用你，再翻开说明书，最后才去查附录。省 Token，还省上下文。

Skill 和 Command、MCP 的区别（厨房比喻）：

Command = 微波炉的"指定按钮"：用户主动触发，固定单一功能

MCP = 厨房里的"单一厨具"：提供外部能力，但什么时候用由模型判断

Skill = 完整"菜谱"：定义流程+工具+最佳实践，模型自动匹配

怎么写好一个 Skill？ 记住五条心法：

原子性：小而美，像积木一样可复用组合

给例子（最关键）：Few-shot 示例让模型秒懂格式和风格

立规矩：定角色 + 拆步骤 + 画红线（禁止什么）

造接口：像设计 API 一样定义输入参数和输出格式

勤复盘：把翻车案例变成新规则，持续迭代

一个实用建议：Skills 不生效？十有八九是 Description 没写好——Agent 全靠描述判断何时调用你。

六、抬头看路：Stanford AI Index 2026 的关键信号

学技术的同时，也要知道这行在往哪走。斯坦福《AI Index Report 2026》（全球公认最权威的 AI 全景报告，2026 年 4 月发布，统计截至 2025 年）的几个关键信号，我挑最有感的讲：

中美模型差距缩到 2.7%——顶级模型能力几乎并驾齐驱，AI 不再是美国单极格局

中国在论文和专利上领先——AI 出版物数量、专利数量位居全球第一

AI 采用速度超过 PC 和互联网——渗透速度成为史上最快的一轮技术扩散

初级编程岗受冲击——25 岁以下程序员岗位大幅缩水，AI 正在重新定义"什么工作会被替代"

投资狂热与残酷现实并存——投资总额暴涨，但利润向头部集中（20% 的公司攫取了 74% 的 AI 利润），大量早期项目折戟

进入"落地考验期"——模型不再稀缺，真正稀缺的是算力、场景和信任

最让我记住的是第 4 条和第 6 条的呼应：纯拼"会写代码"的窗口在收窄，而"把 AI 落到真实场景、并赢得信任"的价值在放大。 对普通人来说，这反而是个机会——懂一个行业 + 会用 AI，比单打独斗学编程更有竞争力。

数据说明：本节已更新为 2026 版报告（2026 年 4 月发布，统计截至 2025 年）。引用来源：斯坦福 HAI《AI Index Report 2026》及相关中文解读。

七、最后：一些可以直接用的方法论

笔记里最有价值的部分，其实是几套能直接上手的方法。

1、交付闭环 4 步法（让 AI 干活前的固定动作）：

清晰目标：定义"我要什么"

明确约束：定义"不要什么"，设好边界

AI 自主执行：在框架内让它充分发挥

审查结果：人来验收质量，迭代反馈

目标越清晰、约束越明确，AI 越能自主发挥；越模糊，就越要收紧控制。

2、想用好 AI，练这 5 种能力（Architect 五能力）：

C1 清晰沟通意图：把想法翻译成 AI 可执行的指令

C2 拆解复杂目标：大任务拆成小任务，逐步可控

C3 验证输出质量：判断结果对不对，建立质量闭环

C4 编排多步流程：让多个 AI 工具协同完成工作流

C5 沉淀复用经验：把成功经验变成可复用的模板

3、两种人机协作模式，按需选择：

半人马式（Centaur）：人和 AI 分工明确，人决定何时切换；清晰可控，适合责任边界敏感的工作

赛博格式（Cyborg）：人与 AI 深度融合；效率高，但人容易失去控制感

我的建议：先用 Centaur 跑通流程，再逐步尝试更深融合。

结尾：AI 的定位，说到底是"搭档"不是"替身"

AI 更适合做"搭档"：AI 做初稿、穷举、角色扮演，人做方向、判断、取舍。

它能替你写一万字初稿，但"这篇稿子的立场是什么"得你来定； 它能穷举一百种方案，但"选哪个"得你拍板； 它能扮演任何角色陪你演练，但"现实里要怎么办"得你负责。

保持主动提问，避免被动接收。 这大概是用好 AI 最重要的一条心法。

如果你也在学 AI，可以试着给自己列一张行动清单：

每次让 AI 做事，先写清楚：目标（要什么）+ 约束（不要什么）+ 验收标准

先把一个流程用"半人马"模式跑通，再谈深度融合

凡是会"真的做事、影响外部"的输出，必须人工审查一遍

共勉。

主要参考：ReAct 论文（ICLR 2023）、Stanford AI Index Report 2026、Anthropic Skills 机制、TRAE《一文读懂 Skills》及相关学习笔记。

注：关键数据已进行核对，确保准确。