学习AI如同掌握一门新语言，Prompt、Agent、MCP、Skills、Workflow等概念繁多且易混淆。本文通过建立关系表，清晰解析了每个概念的核心作用与重点，帮助读者理解任务表达、能力封装、系统连接和执行组织等关键方面，为深入AI学习打下坚实基础。
刚理解 Prompt，接着是 Agent；开始研究 MCP，又遇到 Skills 和 Workflow。每个概念单独看都有解释，放在一起，却很容易分不清各自负责什么。
理解这些概念，可以先建立一张关系表：
◆
Prompt：核心作用：向模型表达任务与约束；需要理解的重点：目标、背景、规则和输出要求
◆
Skills：核心作用：封装可复用的专业知识与操作方法；需要理解的重点：能力描述、操作指引和配套资源
◆
MCP：核心作用：标准化 AI 应用与外部能力之间的连接；需要理解的重点：工具、资源、交互模板及通信方式
◆
Workflow：核心作用：组织多个步骤之间的执行关系；需要理解的重点：顺序、分支、并行与检查节点
◆
Agent：核心作用：根据目标和执行反馈动态决定下一步；需要理解的重点：工具选择、行动调整与停止条件
这五个概念分别描述任务表达、能力封装、系统连接和执行组织等不同方面。它们可以出现在同一个 AI 产品里，也可以按需要组合。
01｜Prompt：模型接收到的任务说明
Prompt 通常翻译为“提示词”。不过在产品设计中，把它理解为“提供给模型的任务说明”会更准确。
它可以包含任务目标、背景资料、判断标准、表达要求，以及允许和禁止的行为。用户在聊天框输入的一句话，只是这类信息的一种来源。应用本身也可以提前设置指令，并在运行时补充资料、工具返回结果或历史消息。
因此，一个任务最终呈现给模型的内容，可能由多个部分共同构成。
其中，背景资料帮助模型理解对象，规则限定处理方式，输出要求说明结果应当如何表达。把这些信息组织清楚，模型才更容易完成符合预期的任务。
需要区分的是：文字指令表达了要求，程序和运行环境决定哪些要求能够被强制执行。
例如，Prompt 可以要求模型遵守输出格式；系统还可以通过结构化输出、字段校验等机制检查结果。两者共同发挥作用，约束的可靠性才会更高。
02｜Skills：把专业方法封装成可复用资源
一套专业方法往往不只有一句指令，还包括操作步骤、参考资料、模板，甚至可执行脚本。Skills 提供了一种组织这些内容的方式。
按照 Agent Skills 开放规范，一个 Skill 至少包含一份名为SKILL.md的文件。其中记录技能的名称、描述和操作指引，也可以附带脚本、参考文档与模板资源。
从内容上看，Skills 可以承载领域知识，也可以承载完成任务的具体流程。它把这些内容组织成可维护、可分发的能力包，让支持该规范的 Agent 按需使用。
理解 Skills，有一个关键机制：渐进式加载。
规范描述的基本过程分为三个阶段：
1
发现：先读取技能名称和描述，了解有哪些能力可用。
2
激活：任务匹配时，再读取完整操作指引。
3
执行：按需要读取参考资料、使用模板或运行脚本。
这使技能库不必在每次任务开始时，把所有内容都塞进模型上下文。至于具体如何匹配、何时加载，由接入 Skills 的应用实现。
Skills 能提供指引和资源，但它的效果仍取决于内容质量、模型能力，以及运行环境是否具备所需工具。一个技能包含脚本，也不代表当前环境已经安装依赖，或获得执行权限。
03｜MCP：让外部能力以统一方式被连接
MCP 是 Model Context Protocol，即模型上下文协议。
它规定 AI 应用与外部服务交换信息、发现和调用能力的一套通信方式。按照官方架构，AI 应用作为 Host，通过 Client 连接 MCP Server，由 Server 提供相应能力。
对产品经理而言，可以先理解 MCP 中三类常见内容：
◆
Tools：可被调用的操作能力
◆
Resources：可供读取的上下文数据
◆
Prompts：服务端提供的交互模板
MCP 将这些能力以标准接口暴露出来，便于兼容的应用接入。至于业务功能如何实现、数据如何组织，仍由对应服务负责。
这也解释了 MCP 与 Skills 的关系。
Skills 可以提供使用某项能力的方法；MCP 可以提供连接该能力的接口。一个 Skill 可以指导 Agent 使用 MCP 工具，也可以只使用本地文件和脚本。一个 MCP 服务也可以直接被应用调用，无需依赖某个 Skill。
二者是可以配合的独立机制。连接外部服务，也不意味着自动获得全部数据与操作权限，实际访问范围仍取决于授权配置和服务端控制。
04｜Workflow：定义步骤之间的执行关系
Workflow 通常翻译为工作流，关注的是多个步骤如何组成一个执行过程。
它可以规定先后顺序、分支条件、并行任务，以及各步骤之间的数据传递方式。常见组织形式包括：
◆
串行：上一步的结果作为下一步的输入。
◆
分支：根据条件进入不同路径。
◆
并行：多个步骤同时执行，再汇总结果。
◆
迭代：根据检查结果重复部分步骤，并设置退出条件。
工作流中的节点可以调用模型，也可以执行普通程序、查询数据或等待人工确认。
因此，Workflow 并不意味着全程没有 AI 判断。设计者可以预先规定整体结构，再让模型负责其中的分类、生成或评估任务。
它的知识重点在于：任务的控制流程如何被表达、执行和检查。
Skills 里的操作指引可以描述一套流程，但这份描述与程序实际执行的工作流仍有区别。模型理解文字步骤，与系统逐个运行节点，具有不同的约束方式和执行特性。
05｜Agent：在执行中持续选择行动
Agent 在行业中有不同用法。为了理解架构，可以借用 Anthropic 对 Workflow 和 Agent 的一种区分：前者主要通过预先定义的代码路径编排，后者由模型在运行中动态决定过程和工具使用。
在这个定义下，Agent 的重要特征，是它会根据当前状态选择行动，并利用执行反馈调整后续步骤。
一个常见的运行循环可以表示为：
理解目标 → 选择行动 → 调用工具 → 观察结果 → 继续行动或结束。
这里的“观察结果”很重要。工具是否成功、信息是否充分、结果是否满足要求，都可能影响下一步。
Agent 的自主程度可以不同。系统可以限制其可用工具、运行时间、调用次数和权限，也可以在关键节点引入人工确认。
实际产品中，Workflow 与 Agent 经常结合：固定工作流里的某个节点，可以交给 Agent 动态处理；Agent 也可以调用一段已经定义好的工作流。研究它们时，应关注具体由谁决定执行路径，以及哪些部分已经被系统约束。
06｜把五个概念放回同一张知识地图
理解它们的关系，可以从两个角度入手。
第一个角度是任务需要哪些信息与能力。Prompt 表达当前任务和约束，Skills 提供可复用的知识与操作方法，MCP 为外部工具和资料提供标准连接方式。
第二个角度是这些能力怎样被组织执行。Workflow 显式组织步骤和数据传递，Agent 根据目标、状态与反馈动态选择行动。
两组内容可以组合，但没有必须全部使用的要求。
一次简单的模型调用，可以只使用清楚的任务说明；一套工作流可以直接调用 API；一个 Agent 可以只使用本地工具；支持 Skills 的应用，也可能同时通过 MCP 连接外部服务。
这种关系意味着，理解 AI 产品时，需要分别识别它的任务指令、知识资源、工具接口和控制流程。名称相似的产品，内部组合可能不同；使用相同组件的产品，也可能因为执行结构和约束方式不同，表现出明显差异。
对产品经理来说，真正有价值的知识，是能说明这些组件各自承担什么职责，以及它们怎样共同影响产品的能力、成本与可靠性。
大模型的知识又多又杂，到底怎么学？
做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。
第一阶段（10天）：初阶应用
这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。
为什么要做 RAG
搭建一个简单的 ChatPDF
检索的基础概念
什么是向量表示（Embeddings）
向量数据库与向量检索
基于向量检索的 RAG
搭建 RAG 系统的扩展知识
混合检索与 RAG-Fusion 简介
向量模型本地部署
…
走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。
第三阶段（约20天）：动手微调
学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？
想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！
第四阶段（20天）：商业闭环，部署落地
技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：
1、大模型系统化学习路线
2、大模型学习视频教程
3、大模型学习书籍&电子文档
4、AI大模型最新行业报告
5、大模型项目实战&配套源码
6、2026大模型大厂面试真题
7、为什么要学习大模型？
我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。
8、适合谁学？
- 传统后端 / Java / 前端开发，想转型 AI 应用
- 大学生、应届生，想拿更好的 offer
- 产品经理、运营，想武装职业竞争力
- 技术负责人，想给团队落地提效
学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。
9、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！
好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。
