一文读懂 AI 应用里的常见概念：从 Prompt、RAG 到 Agent、Plugin、Skill、MCP
这两年 AI 领域的新概念冒得太快了：Prompt、Embedding、RAG、Function Calling、Workflow、Agent、Plugin、Skill、Memory、Guardrails、MCP……
很多人第一次接触时都会有同一种感受：每个词都好像懂一点，但一放到一起就开始混。
尤其是到了真正做产品的时候，最容易混的往往不是 Prompt 和 RAG，而是这些“长得都像扩展能力”的词：
- Tool
- Plugin
- Connector
- App
- MCP Server
- Skill
这篇文章的目标不是把术语讲得很学术，而是用 2026 年 5 月 19 日 这个时间点上仍然不过时的视角，把 AI 应用里最常见的一组概念串起来。你看完之后，至少会知道三件事：
- 每个词大概是什么意思
- 它们彼此是什么关系
- 真正做 AI 应用时，先关心哪些，后关心哪些
一、先记住一句总纲
如果把一个 AI 应用拆开来看，你可以粗略把这些概念分成 5 层：
- 模型层：Model、Token、Context Window
- 知识层：Embedding、Vector Store、RAG、Memory
- 执行层：Tools / Function Calling、Workflow、Agent、Skill
- 协议层：MCP
- 产品封装层：Plugin、Connector、App
一句话理解：
模型负责“想”，知识层负责“补脑”，执行层负责“干活”，协议层负责“怎么连”，产品封装层负责“怎么把这些能力交付给用户”。
二、Model：大模型是“大脑”，但不是整个应用
先从最底层说起。
Model（模型） 就是 Claude、GPT、Gemini、Qwen 这类大语言模型本身。它负责理解输入、生成输出、推理、总结、改写、规划。
但模型本身并不等于完整 AI 应用，因为它通常有几个天然限制：
- 它的知识有训练截止范围
- 它默认看不到你的私有数据
- 它不能天然操作你的数据库、GitHub、CMS、工单系统
- 它也不一定知道你公司的工作规范
所以真实产品里，模型往往只是核心“大脑”，外面还要配很多层。
三、Prompt：你怎么和模型说话，决定它怎么干活
Prompt（提示词） 本质上就是你给模型的指令和上下文。
它不只是“问一句话”那么简单，通常还包括：
- 角色设定
- 输出格式要求
- 任务边界
- 可用资料
- 不该做什么
比如下面这两句，效果可能完全不同：
“总结一下这份文档。”
和：
“你是企业售前顾问，请用给管理层汇报的口吻，把这份文档总结成 5 条要点，每条不超过 60 字，并标出其中 2 个风险点。”
后者其实已经不只是提问，而是在定义一段工作方式。
很多人把 Prompt 低估了，但在 2026 年，Prompt 仍然是 AI 应用里最便宜、回报最高的优化手段之一。
四、Token 和 Context Window：模型不是“无限记忆”
1. Token 是模型处理文本的基本单位
你可以把它理解成“模型吃进去和吐出来时用的小颗粒”。一段文字、一个标点、一个代码片段，都会被拆成 token。
2. Context Window 是模型单次能看到的上下文上限
这决定了模型一次能“记住”多少内容。超过窗口的内容，就得截断、总结或者另想办法处理。
为什么这很重要？因为很多问题不是模型不聪明，而是你塞给它的上下文太乱、太多、太旧，或者根本没塞进去。
这也直接引出了后面的 RAG、Memory、MCP 等概念。
五、Embedding：把文本变成“可比较的向量”
Embedding（向量表示） 可以理解成：把一句话、一段文档、一个知识点，转换成一串数字，让机器可以比较“语义上像不像”。
比如：
- “怎么重置密码？”
- “忘记登录密码怎么办？”
字面不完全一样，但语义接近。Embedding 就是帮系统捕捉这种“意思相近”。
Embedding 自己不直接回答问题，它更像是 AI 检索系统的基础设施。
六、Vector Store：专门给语义检索准备的知识仓库
有了 Embedding 之后，你就能把文档、FAQ、代码、产品资料切成很多小片段，转成向量，再存到 Vector Store（向量存储） 里。
它的作用不是“保存原文”这么简单，而是支持一种能力：
当用户提出一个问题时，先找出语义最相关的内容片段。
截至 2026 年 5 月 19 日，OpenAI 官方文档里仍把 vector stores 和 file search 作为知识增强的重要组成部分来介绍。换句话说，向量存储不是概念炒作，而是主流 Agent / Retrieval 系统的基础层之一。
七、RAG：先查资料，再回答
RAG（Retrieval-Augmented Generation，检索增强生成） 是过去两年最常见的 AI 应用模式之一。
它的基本流程很简单：
- 用户提问
- 系统先去知识库检索相关内容
- 把检索结果连同问题一起发给模型
- 模型基于这些资料生成答案
所以 RAG 的核心不是“模型知道更多”，而是：
让模型在回答前，先看你指定的资料。
一个最典型的例子
如果你做企业知识助手，用户问：
“我们给华东渠道的返佣政策现在是什么？”
这类问题不能靠模型瞎猜，正确做法就是：
- 先从制度文档里检索相关段落
- 再把结果给模型总结
这就是 RAG。
八、Function Calling / Tool Calling：让模型不只是会说，还能会做
Function Calling，现在也经常直接叫 Tool Calling。
它的意思是：你把一些外部能力以工具的形式暴露给模型，模型在合适的时候可以主动请求调用它们。
例如：
- 查天气
- 查订单
- 发邮件
- 写数据库
- 调用内部 API
这和 RAG 的差别很重要：
- RAG 更偏“让模型看到资料”
- Tool Calling 更偏“让模型执行动作”
一个具体例子
你问：
“帮我查一下张三这周的工单数量。”
如果系统有一个 get_ticket_count(user, range) 工具，模型就可以先发起工具调用，再根据结果回复你。
截至 2026 年，OpenAI 官方文档仍把 function calling 明确定位为模型连接外部数据与动作能力的核心机制之一。
九、Workflow：把多个步骤编排成流程
单次调用模型，解决的是一个点；Workflow（工作流） 解决的是一串步骤。
比如一个“生成周报”的 AI 工作流，可能包含：
- 读取本周项目记录
- 汇总代码提交
- 拉取工单状态
- 生成摘要
- 输出为 Markdown 或邮件
这里真正重要的不是某一步模型多聪明，而是整个流程是否稳定、可控、可复用。
所以当一个团队从“试试玩 AI”走向“把 AI 用进业务”，通常都会从 Prompt 走向 Workflow。
十、Agent：能围绕目标持续行动的系统
这是近两年最热门、也最容易被说虚的词之一。
Agent（智能体） 不是指“一个厉害的模型”，而是指：
一个能围绕目标，结合上下文、工具、规则和流程，持续完成任务的系统。
它通常具备几种能力：
- 理解目标
- 选择步骤
- 调用工具
- 根据中间结果继续决策
- 在必要时切换策略或请求补充信息
一个简单判断标准
如果一个系统只是“你问一句，它答一句”，那更像 chatbot。
如果它可以：
- 先查资料
- 再调用工具
- 再做判断
- 再执行下一步
那它就更接近 agent。
截至 2026 年，OpenAI 官方对 agent 的描述也强调它是一个会结合 tools、guardrails、knowledge、logic 来完成任务的系统，而不只是一次模型调用。
十一、Memory：让系统别每次都“重新认识你”
Memory（记忆） 指的是系统跨轮次、跨任务保存和使用信息的能力。
它大概可以分成两类：
1. 短期记忆
比如当前会话里刚刚聊过什么、这轮任务的中间结果是什么。
2. 长期记忆
比如：
- 你偏好的输出格式
- 某个客户的长期背景
- 项目的一贯约束
- 某个任务历史
Memory 和 RAG 很像，但不完全一样：
- RAG 主要是“从资料库里找相关信息”
- Memory 更强调“系统持续记住与你相关的信息”
很多产品会把两者结合起来用。
十二、Guardrails：给 AI 设护栏，而不是只靠“它自觉”
Guardrails（护栏） 是指一切用来限制、校验、修正 AI 行为的机制。
比如：
- 检查是否泄露敏感信息
- 检查是否跑题
- 检查输出格式是否合规
- 检查工具调用是否越权
- 在关键写操作前要求人工确认
Guardrails 的关键思想是：
不要把安全、合规、稳定性全部寄托在模型自己“懂事”。
截至 2026 年，主流 agent 平台都已经把 guardrails 当作一等公民能力来对待，因为只要 AI 开始接工具、接真实业务，护栏就不再是“可选项”，而是基础设施。
十三、Skill：把一套做事方法封装起来
Skill（技能） 这个词没有 MCP 那样统一的标准定义，不同产品里含义会略有区别，但大体都指一件事：
把一类可复用的能力、规则或工作方法封装起来。
它可能表现为：
- 一段结构化指令
- 一个专门处理某类任务的能力包
- 一个组合了工具、提示词和流程的“小模块”
举个直观例子
如果你经常让 AI 做代码审查，可以把下面这些东西打包成一个 skill：
- 审查重点
- 风险优先级标准
- 输出格式模板
- 需要调用的代码搜索工具
这样下次再做类似任务，不用从零再教一遍。
所以你可以把 skill 理解成：
可复用的做事套路。
十四、Plugin、Connector、App：这些词为什么总让人混？
这一组词最容易让人误会，因为它们看上去都像“给 AI 加能力的东西”，但实际上层级并不完全一样。
先说最重要的一句：
Plugin、Connector、App 往往是产品层的命名；MCP 更像协议层的命名。
1. Plugin（插件）
Plugin（插件） 通常指某个平台里的可安装扩展单元。
它不是一个全行业完全统一的协议词，而更像一种产品封装方式。不同平台里的 plugin 可能包含：
- 工具定义
- 配置
- 授权方式
- UI 能力
- 指令或工作流
- 和外部服务的连接方式
也就是说，plugin 更接近“把某种能力打包给用户安装和使用”。
2. Connector（连接器）
截至 2026 年 5 月 19 日，OpenAI 官方文档对 connectors 的表述已经非常明确：
- Connectors 是 OpenAI 维护的 MCP 封装层
- 主要面向像 Google Workspace、Dropbox 这类常见服务
这意味着 connector 不是和 MCP 对立的概念，反而通常可以理解成：
官方帮你预先包装好的 MCP 集成。
3. App（应用）
在 ChatGPT 的 Apps SDK 语境下，app 是更贴近终端用户的交付单位。
OpenAI 官方文档说明，Apps SDK 构建的 app 使用 MCP 与 ChatGPT 连接；一个 app 至少需要：
- 一个 MCP server 来暴露能力
- 可选的前端 UI 组件，用于在 ChatGPT 中展示界面
所以你可以把 app 理解成：
给用户安装或连接的一整个产品体验；MCP server 则是它背后的能力底座。
4. 它们和 Tool / Skill 的区别
很多人最容易混的是这里：
- Tool：一个具体可调用能力，比如“查订单”
- Skill：一套可复用的方法或套路，比如“按某种格式做代码审查”
- Plugin / App：把一组能力打包成用户可以启用的扩展形态
- Connector：官方预置的某类服务连接层
换句话说：
Tool 更像单个动作，Skill 更像做事方法，Plugin / App 更像交付容器，Connector 更像标准化好的接线器。
十五、MCP Server：它和 Plugin 到底什么关系？
补完 plugin 之后，还必须把 MCP Server 单独拎出来讲，不然还是容易混。
MCP Server 是按 MCP 协议暴露能力的服务端实现。它可以向 AI Host 暴露：
- Tools
- Resources
- Prompts
一个 plugin 不一定等于一个 MCP server，但在很多现代 AI 产品里，plugin 往往会：
- 直接内置一个 MCP server
- 或者依赖一个远程 MCP server
- 或者把 MCP server 再包装成更适合产品分发的形态
你可以把两者关系理解成：
- MCP Server：技术能力提供者
- Plugin / App：产品交付外壳
这两者不是互斥关系，经常是上下层关系。
十六、MCP：让工具、资源和提示模板按统一协议接进来
如果说 Tool Calling 解决的是“模型怎么调一个工具”，那 MCP（Model Context Protocol） 解决的是更上一层的问题：
不同 AI 应用，怎么用统一方式连接外部工具、资源和提示模板。
它不是某一个工具，也不是某一个模型，而是一套标准协议。
截至 2026 年 5 月 19 日，MCP 官方文档标注的当前协议版本仍是 2025-11-25。
MCP 主要解决什么问题？
过去如果你要让多个 AI 客户端都接 GitHub、文档库、数据库、CMS，通常得每个客户端各写一套集成。
而 MCP 的思路是：
- 外部系统按统一协议暴露能力
- AI Host 通过 MCP Client 去连接这些能力
- 不同客户端可以复用这些 Server
它能承载什么？
按照官方规范，MCP 不只是工具调用，还包括：
- Tools：执行动作
- Resources：提供上下文
- Prompts：提供可复用提示模板
所以它更像是 AI 应用和外部世界之间的一层“标准连接层”。
十七、这些概念之间到底是什么关系？
你可以用下面这张脑图来记：
- Model 负责生成和推理
- Prompt 决定模型怎么工作
- Token / Context Window 决定一次能处理多少信息
- Embedding 把内容变成可语义比较的向量
- Vector Store 存这些向量化后的知识片段
- RAG 负责先检索、再生成
- Tool Calling 负责让模型执行外部动作
- Workflow 负责把多个步骤编排起来
- Agent 负责围绕目标持续行动
- Memory 负责跨轮次保存可复用信息
- Guardrails 负责限制风险
- Skill 负责复用一套做事套路
- MCP Server 负责按协议提供能力
- MCP 负责把工具、资源、提示模板标准化接入
- Connector 负责把常见外部服务更方便地接进来
- Plugin / App 负责把这些能力包装成用户可启用的扩展体验
如果再压缩成一句话：
Agent 是“会干活的整体系统”，RAG / Tools / Memory / Guardrails / MCP 是它常见的能力部件，Plugin / Connector / App 则更接近这些能力被交付给用户的方式。
十八、普通团队最该先学哪些？
如果你是刚开始做 AI 应用，不需要一上来把所有词都啃透。一个更现实的学习顺序通常是：
- Prompt：先学会把任务说清楚
- Tools / Function Calling：让 AI 真能接业务动作
- RAG：让 AI 能看你的资料
- Workflow：让 AI 从“单点回答”变成“可执行流程”
- Guardrails：开始接真实数据后必须补上
- Agent：当任务开始变复杂时再系统化设计
- MCP：当你需要标准化接多个系统、复用多客户端时重点投入
- Plugin / Connector / App：当你要把能力正式交付给用户时重点理解
- Skill / Memory：当你希望长期复用经验与个性化能力时再做深
这个顺序不一定适合所有团队，但对大多数业务落地来说，已经够实用了。
写在最后
AI 领域的概念很多，最容易掉进去的坑就是：
- 要么把每个词都神化
- 要么把所有词都混成一团
更好的办法是把它们当成一套工程积木来看。
你不需要迷信某个名词，也不需要追求“我一定要做一个 agent”。真正有价值的问题其实是：
- 我需要让模型知道什么？
- 我需要让模型做什么？
- 我需要它安全到什么程度？
- 我需要它复用到什么程度？
- 我需要它以什么形态交付给用户？
当你开始从这些问题出发，再回头看 Prompt、RAG、Agent、Plugin、Skill、MCP，这些词就不会再只是术语，而会变成你搭建 AI 应用时真正能用上的工具箱。
注：本文基于截至 2026 年 5 月 19 日可查的官方资料整理。其中特别参考了 MCP 官方 versioning 与 specification 页面，以及 OpenAI 关于 agents、function calling、file search / vector stores、MCP and Connectors、Apps SDK 的官方文档。不同平台对 plugin、skill、memory、agent 的具体产品定义可能略有差异，实际使用时请以具体平台文档为准。