从一句话到改文档，AI助手能力分层解析，大模型、RAG、Agent与MCP如何协同工作

当用户对AI助手说：“按公司最新登录规章，改仓库里的接口说明，改完自测再给我看”，这看似一句普通指令，实则触发了一整套技术协作流程。它不再是单纯依赖大语言模型（LLM）生成文本，而是一次典型的多模块协同执行——从理解意图、检索依据、调用工具到自主规划步骤，各环节缺一不可。这一过程揭示了当前AI应用架构的核心演进方向：从“会说话”走向“能做事”。

大模型是“嘴和脑”，但不是“手和眼”

大模型作为整个系统的底层引擎，负责语言生成与推理：解释指令、起草修改稿、总结结果。它擅长把话“写圆”，却无法保证内容准确或实时。例如，若仅靠模型记忆回答“登录锁定规则”，可能凭训练数据编造出“错3次锁24小时”的答案——专业但错误。这正是“幻觉”产生的典型场景：模型优化的是词序概率，而非事实核查。

因此，大模型本身只是能力起点。它需要外部机制补足三大短板：知识时效性、操作能力与任务规划能力。这些缺口，由后续层级依次填补。

Prompt与上下文：对话的“说明书”与“工作台”

用户输入的那句话，本身就是Prompt——明确任务目标、约束条件与输出格式。而上下文窗口（Context Window）则决定了模型本轮能“看到”多少信息。若公司规章全文超20万字，远超主流模型32K Token上限，直接粘贴无效。此时必须依赖外部检索机制，否则模型只能“凭印象发挥”。

Token作为计算单位，影响成本与长度限制，但它不等于智能程度。一段长文本被切分为更多Token，只说明它更冗长或分词更细，与推理质量无直接关联。

Embedding与向量库：给文字打“语义指纹”

传统关键词搜索在面对表述差异时极易失效。例如，“输错几次会封号”与“密码错误锁定策略”语义相近，但字面无重合。Embedding技术将文本映射为高维向量，使语义相似的句子在向量空间中距离更近；向量库则高效存储并召回这些“意思指纹”。

这一层解决了“找得到”的问题，但尚未解决“怎么用”。它为RAG提供基础支撑，却不能自动生成答案或执行动作。

RAG：开卷考试式的事实保障

RAG（Retrieval-Augmented Generation，检索增强生成）是应对知识时效性问题的关键方案。其流程清晰：先从向量库中检索最相关的规章片段 → 将结果注入上下文 → 再由大模型基于此生成响应。

回到原任务：助手首先检索“登录规章V3.2”，获取其中“连续3次失败后锁定30分钟，管理员可解封”条款，再据此修改接口文档中的错误描述。RAG确保输出有据可依，大幅降低幻觉风险，但它仍属“被动响应”——不会主动打开仓库、编辑文件或运行测试。

工具调用与MCP：赋予AI“一双手”

要真正“改文档”并“自测”，AI需具备操作能力。工具调用（Tool Calling）允许模型触发外部API，如Git提交、Postman测试、文档编辑器写入等。MCP（Model Control Protocol）则是近年兴起的标准化协议，旨在统一不同工具的接入方式，避免每个工具都需定制适配。

MCP的核心价值在于解耦：前端界面、工具服务与模型决策可独立迭代。例如，一个“修改接口文档”技能可绑定多个工具链（如Swagger Editor + CI检测），而无需重写模型提示词。开发者只需定义工具规范，模型即可通过MCP动态调用。

Agent与Skill：自主规划与工序拆解

当任务涉及多步骤、条件判断或状态追踪时，单纯RAG+工具调用仍显不足。此时需引入Agent架构：它是一个具备目标分解、步骤调度与状态管理能力的控制器。

调用Skill“查最新登录规章”（RAG）

调用Skill“拉取仓库接口文档”（Git API）

调用Skill“比对并定位待改字段”（文本处理）

调用Skill“生成合规修改稿”（LLM）

调用Skill“提交变更并触发CI”（工具链）

等待测试结果，反馈用户

这一流程已在多个开源项目中落地验证。例如，开发者“喜欢吃豆”开源的Agent UI Lab项目，通过AG-UI（Agent-GUI交互协议）、A2UI（声明式界面）与MCP Apps三者协同, 实现了从消息流、工具调用到界面更新的全链路可追溯。该项目不依赖真实大模型，仅用确定性规则模拟完整交互，便于前端工程师理解状态同步、事件溯源与业务一致性保障机制。

技术栈正在分层固化

当前AI应用开发正经历类似移动互联网早期的“协议分层”过程：

底层：大模型（推理引擎）
中间层：Embedding/RAG（知识接入）、MCP（工具接入）
上层：Agent/Skill（任务编排）、UI协议（人机交互）

这种分层使系统更具可维护性与扩展性。企业无需等待“更聪明”的模型，即可通过组合现有模块提升自动化水平。例如，某金融公司已将合规审查流程封装为12个Skill，由Agent调度执行，人工复核环节减少70%。

值得注意的是，各层之间存在强依赖关系：没有高质量Embedding，RAG效果打折；缺乏统一MCP，工具集成成本高企；缺少Agent调度，多步任务易中断。真正的工程挑战已从“模型能否生成”转向“系统能否可靠执行”。

结语：从“问答”到“办事”的范式迁移

AI助手的发展路径日益清晰：初期聚焦语言生成（LLM），中期强化知识接入（RAG），当前进入操作闭环阶段（Agent+MCP+Skill）。用户需求也从“告诉我答案”升级为“帮我完成这件事”。这一转变倒逼技术栈重构——不再追求单一模型的全能，而是构建可插拔、可验证、可审计的协作系统。

未来竞争焦点将落在三方面：一是RAG的检索精度与低延迟能力；二是MCP的生态兼容性与安全管控；三是Agent的规划鲁棒性与异常恢复机制。当“改文档”这样的任务能被稳定交付，AI才真正从辅助工具迈向生产力主体。