本文是「从零 build agent」系列教程的第一篇，旨在帮助你理清 Agent 开发中的核心概念。如果你对这个系列感兴趣，欢迎关注 https://github.com/KieSun/how-to-build-agent 获取完整教程和代码示例。

如果你关注 AI 领域，肯定被这些术语轰炸过：Agent、Tool、Function Calling、ReAct、Memory、RAG、MCP、Skill 等等。

单独看每个词，大概能理解个意思，但真要动手搭一个 Agent 系统时，你会发现这些概念之间边界模糊、关系复杂，很容易陷入好像懂了但又没完全懂的状态。

更现实的问题是，现在越来越多公司招人时要求"熟悉 AI 工具使用"，面试里关于 Agent 的概念问题也变多了。不少人确实用过 ChatGPT、Claude 或各种 Agent 产品，但被问到"Agent 和普通 LLM 调用有什么区别"、"什么是 Tool Calling"、"ReAct 是什么"时，往往答得模棱两可。用过是一回事，说清楚原理和边界是另一回事——这种理解偏差在面试中很容易暴露。

因此在从零开始搭一个完整的 Agent 系统前，我们得先把这些核心概念理清楚：它们到底是什么、解决什么问题、在整个系统里扮演什么角色。

**就算你暂时不打算动手搭 Agent，这些概念也值得认真了解。**无论是用现成的 Agent 框架、读相关论文、还是评估 AI 产品的能力边界，理解这些术语的准确含义都会让你少走很多弯路。更重要的是，当你看到一堆术语宣传时，能判断出它到底在说什么，而不是被术语唬住。

下面是你在搭或使用 Agent 过程中会反复遇到的关键概念。我会用最直白的方式解释它们，并标出容易混淆的地方。

按学习顺序分层解释（从易到难）

第 0 层：模型的输入输出（最基础）

1）LLM（大语言模型）
接收文本，生成文本的程序。你给它一段话，它接着往下写或者回答你的问题。在我们使用 AI 的过程中，它就是负责"思考"和"决策"的核心，但是也仅限于此。

2）Token
模型处理文本的最小单位，也是计费单位，一个 token 大概是 0.75 个英文单词。你调用模型时，输入和输出都按 token 数量收费，每个模型的收费各不相同，比如 Claude Opus 就很贵。

3）Context（上下文）
模型这次调用实际看到的所有内容——对话历史、你提供的文件、检索到的资料、工具返回的结果等。

3）Context window（上下文窗口）
模型一次能看见多少内容的上限，超过这个量，前面的内容就会被截掉从而导致丢失信息。

4）Prompt（提示词）
你给模型的输入，包括指令、问题、示例、背景资料等。可以理解为这次你想让它干什么。

5）System prompt（系统指令）
比普通 prompt 更高优先级的规则，用来设定模型的全局行为、回答风格、安全边界等。通常在对话开始前就设置好，整个会话都生效。

6）AGENTS.md
放在代码仓库里的"项目说明书"，告诉 coding agent 这个项目怎么跑、怎么测、代码风格是什么等等。

第 1 层：让模型能动手，输出可解析

7）Tools（工具）
让模型能操作真实外部世界的功能：读写文件、执行命令、查数据库、调接口等。有了工具，模型才能从只会说变成能做事。

8）Function Calling
让模型按格式（一般是 JSON Schema）决定调用哪个函数并生成符合要求的参数，然后让程序执行对应函数，再把结果返回给模型继续思考。

9）Structured Output / Schema（结构化输出）
让模型按你要求的格式输出结果（比如 JSON）。这样你就能稳定地解析它的回答，不用担心格式乱七八糟。

第 2 层：Agent 的循环与 ReAct（开始像智能体）

10）Agent（智能体）
模型 + 工具 + 记住当前进度 + 反复执行的循环。它不是一次性给答案，而是会多轮思考、调用工具、根据结果调整计划，直到完成任务。

11）Agentic loop（执行闭环）
Agent 的工作方式：想下一步该干什么 → 调工具去做 → 看结果 → 根据结果决定下一步，一直循环到任务完成或达到终止条件。

12）ReAct

ReAct(Reasoning and Acting)是当前智能体最主流的设计模式，核心是 Thought → Action → Observation 的循环：

1. 1. Thought(推理)：分析当前情况,决定下一步做什么
2. 2. Action(行动)：调用工具执行操作
3. 3. Observation(观察)：获取工具返回的结果
4. 4. 回到 Thought，根据结果继续推理

这种循环让模型能用外部信息纠正自己的想法，而不是一次性瞎猜到底。

第 3 层：让 agent 记得住、查得到、可追溯

13）Memory（记忆）

目前主流 Agent 系统里，通常会维护三类信息层：

• • 工作记忆 / 当前状态（任务进度、计划、待办，通常只在当前 loop 内）
• • 长期记忆（跨会话，可能存于 KV、文档或向量库）
• • 事实依据 / 审计日志（用于可追溯、可审计；严格来说不属于 Memory，但常与 Memory 体系一起设计）

14）RAG（检索增强生成）
先从外部知识库里找相关资料，再让模型基于这些资料生成答案。模型本身不可能记住所有东西，因为 context window 是有限的，RAG 让它能查相关资料再回答。

15）Embeddings（向量表示）
把文本/代码转成一串数字，方便计算机判断哪些内容意思相近。RAG 主要就是靠这个来按相关性找资料。

16）Vector Store（向量库）
支持向量相似度检索的存储/索引层，负责执行快速的最近邻搜索。

第 4 层：工程化、模块化、扩展生态（接近实际产品的能力拼装）

17）SKILL（技能包）
把可复用的流程/规范打包成一个目录（必选的说明文档 SKILL.md + 可选的脚本/资料）。支持按需加载：先注入元信息，真要用时再把完整内容加载进来，省 token。

18）SubAgent（子智能体）
把子任务交给专门的 agent 去做，隔离上下文，避免主对话被污染。Claude Code 支持自定义 subagents 来做任务分工。

19）Multi-agent（多智能体）
多个 agent 并行干活（比如一个探索代码库、一个写实现、一个写测试），最后把结果汇总。

20）MCP（模型上下文协议）
Anthropic 提出的开放协议标准，是 LLM 应用（client）和外部系统（server）之间的协议标准。解决了工具集成碎片化的问题，不用再为每个工具写专门的适配代码，只要实现 MCP 协议就能让任何 Agent 调用，类似 USB 接口统一了硬件连接标准。

21）Sandbox（沙盒）
给 agent 的可控执行环境，把它能接触的资源圈在一个安全边界里（比如只能读写某个工作目录、网络访问受限、命令白名单等），避免模型一时冲动就把系统文件删了或把密钥发出去。

容易混淆的对照

1. LLM vs Agent（最常见的混淆）

很多人误以为 LLM 就是 Agent，这是最核心的误解：

• • LLM：只是一个会说话的大脑，只能被动地接收输入、生成文本，不能主动做事
• • Agent：是一个完整的自主系统，以 LLM 为核心，但增加了：
• • 工具调用能力（能读写文件、执行命令、查数据库）
• • 记忆系统（能记住之前的对话和决策）
• • 执行闭环（能反复思考→行动→看结果→调整）
• • 规划能力（能把大任务拆成小步骤）

类比：LLM 像一个博学的顾问，只能给建议；Agent 像一个数字牛马，能实际干活。

2. Prompt vs System Prompt

这两个都是给模型的输入，但优先级和作用范围完全不同：

• • Prompt（用户提示词）：每次对话时你具体问的问题或给的指令，动态变化
• • System Prompt（系统提示词）：在对话开始前就设定好的"全局规则"，定义模型的角色、风格、边界，整个会话都生效

类比：System Prompt 是员工的"岗位职责说明书"，Prompt 是你每次交给他的"具体任务单"。

3. RAG vs Embeddings vs Vector Store

这三个概念在 RAG 系统中紧密协作，但各司其职：

• • RAG（检索增强生成）：整体架构/方法论，让模型先查资料再回答，减少瞎编
• • Embeddings（向量表示）：数据表示形式，把文本转成一串数字，方便计算相似度
• • Vector Store（向量库）：存储工具，专门存这些向量并快速找出最相关的

关系链：RAG 是目标 → Embeddings 是实现手段 → Vector Store 是承载工具

类比：RAG 像"图书馆问答系统"，Embeddings 是"图书编码系统"，Vector Store 是"智能书架"。

4. Context vs Context Window

• • Context（上下文）：模型这次实际看到的所有内容（对话历史、文件、检索结果等）
• • Context Window（上下文窗口）：模型能看的内容上限（比如 128k tokens），超过就会被截断

类比：Context 是你桌上摊开的所有文件，Context Window 是你桌子的大小。

5. Function Calling vs Tools

• • Function Calling：一种机制，让模型按格式（JSON Schema）调用函数
• • Tools（工具）：具体的功能实现，比如"读文件"、"查数据库"、"调 API"

关系：Function Calling 是"调用标准"，Tools 是"被调用的东西"。

类比：Function Calling 是"遥控器的按键协议"，Tools 是"被遥控的各种家电"。

原文链接：https://mp.weixin.qq.com/s/nosF5wDa7yCr8kiC3NKbNg