飞行认知 - 别再被 AI 黑话吓住了，一条视频讲清楚 AI 圈

飞行认知 - 别再被 AI 黑话吓住了，一条视频讲清楚 AI 圈

项目	内容
来源	https://www.douyin.com/video/7643120882587536686
时长	27分14秒
转录时间	2026-08-02 13:59
字数	9329
分段方式	AI智能分段(含Markdown标题)

章节标题由AI根据内容结构生成，非原文内容

** AI摘要**：AI技术演进中不断涌现新概念，本质是为了解决模型从聊天工具逐步融入真实工作场景时遇到的层层问题。理解每个概念解决的核心任务——从处理信息容量（token/context window）、明确指令（prompt）、整合外部知识（RAG），到自主执行（agent）、标准化流程（workflow）、深度融入团队协作（workspace agent）——就能把握其内在逻辑，而不必焦虑于术语更迭。

---

一、引入现象与焦虑

你有没有发现，现在AI圈越来越像一个黑话制造机？前两年大家还在聊ChatGPT、prompt、提示词工程，后来开始聊RAG、向量数据库、知识库，再后来变成agent、skill、MCP。最近又冒出来一堆更离谱的词。

很多人听到这些词的第一反应是：我刚搞懂prompt，怎么又来了RAG？我刚听懂RAG，怎么又来了agent？我刚知道agent，怎么又来了MCP？

现在又开始讲什么skill、context、agent、workspace agent。于是很多人开始焦虑：是不是我已经跟不上AI了？

二、Token与上下文窗口

其实我们只要记住一个道理，搞清楚它们底层联系以及出现的逻辑，就很容易理解了。这一期我们都给它说清楚：为什么它会出现？它的出现解决了什么问题？

第一章：token和context window，AI一次能看多少？很多人第一次接触AI是从ChatGPT开始的，你输入一句话，它就能写文章、写代码。但如果往底层看，其实AI并不是像人一样直接阅读一整篇文章，它会先把你输入的内容拆成一个个更小的信息单位，这个单位就叫token。

举个简单例子，你输入“我喜欢人工智能”，在模型眼里，它可能不是一整句话，而是被拆成“我”、“喜欢”、“人工”、“智能”。不同模型的拆法不完全一样，有时候一个中文词会被拆成几个token，有时候一个英文单词也可能被拆成几段。但你不用纠结它具体怎么拆，你只要理解一件事：拆成的这些小片段就是token。

那token为什么重要？因为它会影响三个东西：第一，AI一次能读多少内容；第二，你调用AI的成本是多少；第三，为什么AI有时候会忘记前面聊过的内容。比如一个模型最多能处理八千个token，那你的问题、历史对话、系统提示词、文件内容、工具返回结果，加起来都不能超过这个范围。

如果对话越来越长，超过了这个范围，前面的内容就可能被挤出去。这就像你的桌面只能摊开十张纸，你不断往上放新的资料，最早的资料就会被拿走。模型一次最多能看到多少 token，就叫 context window，也就是上下文窗口。

所以你以后看到什么一百二十八 k 上下文、百万 token 长上下文模型，按 token 计费，本质上说的都是一件事。这个 AI 一次最多能处理多少信息，以及你给它喂了多少信息。但这里有一个很重要的问题：上下文窗口越大，AI 就一定越聪明吗？

不一定。信息太少，AI 答不出来；信息太多，AI 又可能被无关内容干扰。

所以 AI 真正要好用，不只是模型能看多少，而是你怎么把任务交代清楚。

三、Prompt工程

于是第一个真正出圈的 AI 热词出现了：prompt。

第二章，prompt，AI 怎么听懂任务？早期大家用 AI 的时候，最兴奋的是我只要输入一句话，它就能给我答案。但很快大家发现，同一个问题，不同问法，结果差别非常大。

你随便问一句“帮我写个方案”，AI 可能会写一堆很空的话，什么提升效率、优化体验、扩大影响力、增强用户粘性，看起来很完整，但其实没什么用。但如果你换一种问法：“你是一名资深产品经理，请针对一个面向开发者的 AI 工具，写一份产品方案。要求包含目标用户、核心痛点、功能模块、商业模式和落地路径，用表格输出。

”结果马上就不一样了。它会更具体、更有结构，也更接近你想要的东西。这时候大家开始意识到，AI 很多时候不是不会做，而是你没有把任务说清楚。

于是 prompt engineering 火了。所谓 prompt engineering，本质不是写咒语，它更像是给 AI 写一份工作说明书。你要告诉它，它现在扮演什么角色，它要完成什么任务，背景信息是什么，输出格式是什么，哪些内容不要写，什么结果才算好，最好还能给它几个例子。

所以早期 AI 圈特别流行各种内容，万能提示词、神级 prompt，学会这十个提示词，效率提升十倍。这些内容之所以火，是因为它确实解决了早期 AI 使用里最直接的问题：怎么让 AI 更准确地理解我的任务。但 prompt 再强，也只能解决任务怎么说清楚，它解决不了另一个更致命的问题：模型不知道的东西，它就是不知道。

你让它总结你公司的内部文档，它没看过；你让它分析你项目里的代码，它没读过；你让它回答昨天才发生的事情，它训练时可能根本没有。如果你硬让它回答，它就只能猜。一旦 AI 开始猜，就可能出现我们最熟悉的问题：一本正经地胡说八道。

于是下一个热词出现了：RAG。

四、RAG与检索增强

4.1 RAG核心概念与原理

第三章，RAG，AI 怎么查资料？RAG 解决的问题很简单：不要让 AI 只凭记忆。，不要让AI只凭记忆回答，先让它查资料，再让它回答。

比如你有一堆公司文档、产品手册、项目代码、课程资料、客服记录，过去你直接问AI，我们产品的退款规则是什么？如果AI没看过你的产品文档，它大概率不知道。但它又很会组织语言，所以它可能会编出一个看起来很合理的答案，这就很危险。

RAG的思路是先把资料放进知识库，当你提问的时候，系统先去知识库里找相关内容，然后把找到的内容交给AI，最后让AI基于这些资料回答。RAG全称叫Retrieval Augmented Generation，中文一般叫检索增强生成。名字听起来很复杂，但逻辑很简单，先检索，再生成。

举个例子，你问AI，请假要提前几天申请？如果AI没看过员工手册，它只能猜。但如果系统先在员工手册里搜索请假、申请、提前，找到相关条款，再把内容交给AI，AI就可以回答。

根据员工手册，年假需要提前三个工作日申请，病假需要提交证明。这就不是瞎编，而是基于资料回答。RAG背后又带出了几个重要概念：Embedding、Vector Database、Knowledge Base。

Embedding是什么？简单说就是把文字变成一串数字。为什么要变成数字？

因为计算机不懂意思，但它可以比较数字之间的距离。比如怎么申请退款和订单取消后钱怎么退，这两句话字面上不一样，但意思很接近。如果只是关键词搜索，可能匹配不准。

但如果把它们变成向量，系统就能判断这两句话的语义很相似。向量数据库就是专门用来存这些向量，并且帮你快速找到相似内容的地方。

所以RAG让AI从只靠脑子回答，变成了可以翻资料回答。这一步非常重要，因为它第一次让AI有了接入外部知识的能力。

4.2 Agentic RAG升级方向

但很快，普通RAG也暴露了问题。最早的RAG很像一次搜索，你问一个问题，系统查一次资料，然后生成答案。可是复杂问题往往不是查一次就够了，有时候第一次查到的资料不完整，有时候问题需要拆成几个小问题，有时候查完A才知道还要查B，有时候还要判断资料之间有没有冲突。

于是又出现了一个升级方向，Agentic RAG。普通RAG更像搜索引擎，你问一次，它查一次。Agentic RAG更像一个研究助理，它会判断资料够不够，如果不够就换关键词继续查，如果问题太大就拆成几个子问题，如果多个来源说法不一致，它还要做交叉对比。

到这里，AI已经不只是被动回答了，它开始有一点主动研究的味道。

4.3 RAG的局限与新问题

但新的问题也来了，AI现在能查资料了，可它还是不能真正做事。它可以告诉你怎么发邮件，但不能真的发；它可以告诉你怎么查订单，但不能真的查；它可以告诉你代码怎么改，但不能真的改你的项目。于是下一个热词来了，Tool Calling。

五、Tool Calling与MCP

5.1 Tool Calling：从回答到行动

第四章，Tool Calling，AI怎么从回答变成行动？RAG让AI有了资料室，Tool Calling让AI有了手。从这里开始，AI不再只是生成文字，它开始可以调用外部工具。

比如你问AI，我今天下午有空吗？它可能会回答，你可以查看一下你的日历。这叫建议。

但如果AI接入了日历工具，它就可以直接查你的日历，然后告诉你，你下午两点到三点有会，四点以后比较空。这就不只是建议了，它真的帮你查了。可以调用工具完成一部分动作，但工具一多，新的麻烦就出现了。

如果AI要接天气、数据库、GitHub。、浏览器、公司内部系统，每个工具都要单独开发一套接口，每个平台都有自己的接法，每个agent都要重复集成。工具描述怎么写？

参数怎么传？权限怎么管？调用结果怎么返回？

安全边界怎么控制？如果没有统一方式，这件事会变得非常混乱。

5.2 MCP：统一连接协议

于是又一个热词出现了：MCP。

第五章，MCP，AI怎么统一连接外部世界？MCP为什么会火？不是因为它让模型本身变得更聪明，而是因为AI要进入真实工作环境，必须解决一个很实际的问题：外部工具太多，连接方式太乱。

你可以把MCP理解成AI连接外部工具和数据源的一套标准协议，有点像AI世界里的USB-C。以前每个设备都有自己的接口，手机一个接口，电脑一个接口，相机一个接口，充电器一个接口。后来USB-C出现后，大家希望尽量用一个统一接口来连接。

MCP在AI世界里做的事情也类似。以前每个AI应用接工具都像自己焊电线，接GitHub要写一套，接数据库要写一套，接文件系统又要写一套，开发成本高，维护成本也高。MCP想解决的是，工具怎么暴露给AI？

AI怎么知道自己可以调用哪些能力？工具需要哪些参数？调用结果怎么返回？

资源怎么提供？权限和安全边界怎么控制？

所以MCP不是一个普通工具，它更像是AI接入工具生态的连接层，解决的是怎么让AI更标准地连接很多工具和数据源。

5.3 新问题引入：上下文

这时候AI已经不只是一个聊天框了，它开始有点像一个可以接插件的系统。但问题还没有结束，AI每次执行任务时，真正影响效果的不只是模型，也不只是工具，还有一个很关键的东西，它当时到底看到了什么信息？这就进入了下一个热词：Context Engineering。

六、Context Engineering与Skill

6.1 Context Engineering：信息流设计

第六章，Context Engineering，AI每次到底该看什么？很多人以为Prompt Engineering已经过时了。，其实不是过时，而是不够了。

早期我们关注的是这一句话怎么写得更好，但现在AI应用越来越复杂之后，真正的问题变成了这一次任务，系统应该给AI准备哪些信息？它要不要看到历史对话？要不要看到用户资料？

要不要看到数据库结果？要不要看到上一次任务状态？要不要看到公司规范？

要不要看到工具调用结果？这就不是一句prompt能解决的了。这叫context engineering。

你可以这样理解，prompt engineering是写一条好指令，context engineering是设计整个信息流。举个例子，你让AI帮我回复这个客户，如果只是一个简单prompt，AI可能只能根据你当前输入的一句话来回复。但一个真正好用的AI客服助手，需要知道更多信息。

这个客户是谁？他之前买过什么？他之前投诉过什么？

公司退款政策是什么？这次回复要不要升级给人工？这些信息不是随便一股脑塞给AI就行，太少了，AI判断不准；太多了，AI会被干扰；信息过期了，AI会做出错误判断；权限没管好，还可能泄露敏感数据。

所以context engineering的核心不是给AI更多信息，而是给AI刚好需要的信息。后来又出现了一个更产品化的词，context engine。context engineering更像方法，context engine更像系统。

它的作用是每次AI执行任务时，自动帮它组装最合适的上下文。比如该查哪些资料，该带哪些历史记录，该过滤哪些敏感信息，该压缩哪些长内容，该把重要信息放在前面。它不是让模型本身变聪明，它是让模型每次工作时都能拿到更合适的材料。

这件事很重要，因为越往后，AI的效果越不只是取决于模型会不会回答，而是取决于系统有没有把正确的信息交给它。

6.2 Skill：能力沉淀与复用

但这里又出现一个新问题：如果每次都要手动告诉AI，你该怎么写周报？你该怎么分析代码？你该怎么处理Excel？

那还是很麻烦。于是下一个热词出现了：skill。

第七章，skill，AI怎么沉淀可复用能力？skill这个概念其实特别适合普通人理解，因为它解决的是一个非常真实的问题。我不想每次都重新教AI一遍。

举个例子，假设你每周都要写工作周报，你每次让AI帮你写，都要重新交代很多要求：这周做了哪些事，哪些项目有进展，哪些问题还没解决，下周计划怎么写，语气要正式一点，但不要太空，不要写成流水账，要突出成果。你说少了，AI写出来不像你要的；你说多了，每次又像在重新培训一个新人。这时候你就会想，能不能把这套要求直接保存下来，以后我只要说按我的周报格式来写，AI就知道要怎么做。

它会先帮你整理本周事项，再提炼成果和问题，然后按固定格式输出，最后把语气调整成适合公司汇报的风格。这就是Skill的价值。Prompt更像一次性指令，Skill更像一份长期SOP。

它把一套重复出现的工作方法沉淀成AI可以反复调用的能力。写周报是一种Skill，分析代码仓库是一种Skill，处理财务表格也可以是一种Skill。它的意义在于，AI不再只是临时听你指挥，它开始可以积累一类任务的固定做法。

这对个人和团队都很重要。个人可以把自己的工作风格沉淀下来，团队可以把标准流程沉淀下来，企业可以把岗位经验变成可复用的AI能力。

6.3 新问题引入：操作电脑

但到这里，AI主要还是通过文本、文件、API和工具来做事。现实工作里还有大量系统没那么理想，很多系统没有API，有些系统虽然有API，但非常难接，还有很多操作本来就是发生在网页、软件和后台系统里的，比如点击按钮、填写表单、上传文件、复制粘贴、筛选数据、下载报表、登录后台、在多个页面之间来回操作。这些事情不是简单调用一个API就能完成的。

于是AI又往前走了一步，它开始尝试像人一样使用电脑。这就引出了下一个方向：Computer Use。

七、Computer Use与Agent

7.1 Computer Use：像人一样操作电脑

第八章，Computer Use，AI怎么操作电脑。Tool Calling是AI调用API，Computer Use是AI像人一样操作电脑。这两件事看起来都叫执行动作，但本质不一样。

如果一个系统有API，AI可以直接调用接口，比如查天气、查订单、查数据库。但如果一个系统没有API呢？比如一个老旧后台、一个网页管理系统、一个内部审批页面、一个只能人工点击的表单。

过去这种情况AI很难处理，因为它不能只靠文字生成来完成这些操作。Computer Use的思路是，让AI直接看屏幕，理解界面，然后用鼠标和键盘操作。它可以打开网页、点击按钮、输入内容、滚动页面、选择下拉框、提交表单、下载文件、上传资料。

举个例子，你要报销一张发票，公司系统没有 API，以前你只能自己打开网页，登录后台，点击报销，填写金额，上传发票，选择部门，提交审批。如果 AI 只能调用 API，那它帮不上忙。但如果 AI 能 computer use，它就可以像人一样操作浏览器，打开报销系统，找到新增报销入口，识别发票金额，填写表单，上传文件，提交申请。

这一步的意义很大，因为它让 AI 不再只服务于那些接口很完善的新系统，它开始有机会进入很多原本只能人手操作的旧系统。这也是为什么 AI browser、browser agent、operator 这些概念会火。浏览器原来是人上网的入口，但未来它也可能变成 AI 替你办事的入口。

不过，computer use 也有很明显的难点，网页布局会变，按钮可能识别错，登录可能需要验证码，一步点错，后面就全错。有些操作还涉及权限和安全，所以 computer use 很有想象力，但要真正稳定落地，还需要很多工程配套。

7.2 Agent：自主拆任务与循环执行

而当 AI 既能查资料，又能调用工具，又能操作电脑，还能复用 skill，下一个问题就变成了，它能不能自己完成一个复杂任务？这就是 agent。

第九章，agent，AI 怎么自己拆任务、循环执行？Agent 这个词很火，也最容易被讲乱。很多人把 agent 理解成更聪明的聊天机器人，但这不准确。

Agent 真正关键的不是聊天，而是它能围绕一个目标，自己拆步骤、选工具、观察结果，再继续调整。普通聊天机器人是，你问一句，它答一句。工具 calling 是，你让它做一个动作，它调用一个工具。

Agent 更像是，你给它一个目标，它自己想办法往前推进。比如你说，帮我分析这个项目最近为什么启动失败。普通 AI 可能会告诉你，可以检查配置、依赖、端口、日志，这叫建议。

但一个编程 agent 可能会真的开始做事，它先看错误日志，再读配置文件，再检查依赖版本，再搜索代码里的相关调用，再尝试运行测试。如果出现新的报错，它再继续定位，最后给出修改方案，甚至直接改代码。Agent 的核心是一个循环：先计划，再行动，观察结果，根据结果调整下一步。

这也是为什么 agent 最先在编程领域爆发，因为代码特别适合 agent。代码项目有明确的文件，报错信息很具体，测试结果能反馈对错，版本控制可以记录改动，改完还能自动运行验证。一个写代码的 agent 不只是生成一段代码，它可以读项目、理解文件结构、搜索函数、修改代码、运行测试。

如果出现新的报错，它再继续定位，最后给出修改方案，甚至直接改代码。Agent 的核心是一个循环：先计划，再行动，观察结果，根据结果调整下一步。这也是为什么 agent 最先在编程领域爆发，因为代码特别适合 agent。

7.3 Harness Engineering：安全可控

很多agent demo看起来非常震撼，你输入一个目标，它自己拆任务、查资料、调用工具、写代码，几分钟之后一个结果就出来了。但一到真实生产环境，问题就复杂了。它能不能控制权限？

它能不能知道哪些操作不能做？它生成的结果谁来验证？它什么时候需要人类审批？

它会不会越权访问数据？这时候你会发现，agent真正难的地方不只是模型本身，更难的是模型外面的工程系统。这就是Harness Engineering。

你可以把它理解成给AI agent套上的安全带、方向盘、仪表盘和刹车系统。如果模型是发动机，Harness就是整辆车的控制系统。发动机越强，越需要控制，否则它不是跑得更快，而是更容易出事故。

Harness里通常会包括这些东西：权限控制、工具白名单、执行沙箱、日志追踪、错误重试、输出验证、人工审批、成本控制、安全边界、回滚机制、评测系统。举个简单例子，你让AI agent帮你整理电脑文件，如果没有Harness，它可能会误删重要文件；如果有Harness，系统就可以限制它，只能访问某个文件夹，只能预置确认，所有操作都要记录，危险动作需要人工审批，出错后可以回滚。再比如，你让agent改代码，没有Harness，它可能直接改生产代码；有Harness，它只能在一个沙箱分支里改，改完以后必须跑测试，测试通过后才能提交，提交前还要人工review。

所以企业真正需要的不是一个看起来很聪明的agent，而是一个安全、可控、可追踪、能被验证的agent。这也是AI落地过程中很关键的变化，难点正在从模型够不够聪明转向系统够不够可靠。讲到这里，AI已经从聊天机器人变成了能查资料、能调用工具、能写代码、能执行任务的agent。

但真实业务里还有一个问题，企业工作不是一个agent单独完成的，真实工作往往是一条流程。

7.4 新问题引入：业务流程

于是workflow开始变得重要。

第一章，workflow，AI怎么进入业务流程？你想象一个真实业务场景，一个客户提交了咨询表。单，系统要先读取表单，判断客户类型，查询CRM，生成跟进建议，分配销售，发送邮件，通知群聊，等待人工确认，写入数据库，生成日报。

后续还要继续跟进。这不是一次聊天，也不是一个工具调用，这是一条业务流程。

所以workflow变得非常重要。n8n、Dify、Zapier、Make、LangGraph这类工具解决的就是这个问题。

八、引入：Workflow与Agent的区别

8.1 Workflow的价值与构成

它们的价值不是让模型本身更强，而是把AI、API、数据库、消息系统、人工审批、定时任务和条件判断串起来。这里面AI只负责一部分判断和生成，真正让整个事情跑起来的是workflow。你可以这样理解，agent更像负责思考和判断，workflow更像负责把步骤按顺序串起来。

8.2 Workflow解决的核心问题

一个没有workflow的AI，往往只能完成单点任务，但有了workflow，它就可以进入一个持续运转的业务流程。这就是为什么n8n、Dify这类工具会受到关注。它们给了普通人一种可能性：我不一定要从零写一套系统，我可以把现有工具像搭积木一样串起来，中间需要判断和生成的地方再接入AI。

这也是AI从好玩的聊天框进入真实生产流程的关键一步。

九、提出新层级：Workspace Agent

但到这里还差最后一层，workflow解决的是一条流程怎么跑，企业真正想要的往往不是一个跑完就结束的流程，而是一个能长期存在于工作空间里的AI。这就到了workspace agent。第十二章，workspace agent，AI怎么变成数字员工？

十、辨析：Workflow vs Workspace Agent

workflow和workspace agent很容易被混在一起，但它们不一样。workflow更像是一条流程，你设计好步骤，它按步骤执行。workspace agent更像是一个长期待在团队里的岗位助手，它不只是执行某一次任务，它还要理解团队长期积累的上下文，比如团队有哪些项目，文档放在哪里，谁负责什么，这个客户之前发生过什么，哪个任务卡住了，哪些信息是敏感的，哪些操作需要审批，谁有权限看什么，什么时候应该提醒，什么时候应该交给人类。

普通agent更像临时工，你给他一个任务，他做一次。workspace agent更像岗位助手，他长期待在一个工作空间里，理解流程、权限、上下文和协作关系。

十一、案例佐证：普通Agent vs Workspace Agent

举个例子，你让一个普通agent帮我写一份项目周报，他可能会问你：项目内容是什么？进度是什么？风险是什么？

下周计划是什么？因为他不知道你的团队发生了什么。但一个workspace agent不一样，他已经在你的工作空间里，他能看到任务系统，能看到代码提交，能看到会议纪要，能看到文档更新，能看到成员分工，也能看到上周周报。

所以他可以自动整理出本周完成了哪些事项，哪些任务延期了，哪个模块风险最大，下周应该推进什么，哪些内容还需要负责人确认，什么时候应该提醒，什么时候必须人工确认，他长期记住的信息，哪些应该保留，哪些应该过期。

所以workspace agent不只是一个更酷的agent，它背后其实牵扯到企业协作、权限、安全、流程和组织管理。

十二、升华总结：AI热词的本质与演进主线

这也是为什么它会成为AI演进里的一个重要方向。AI热词不是黑话，而是一张地图。现在我们再回头看这些词，就不会那么乱了。

你会发现这些词并不是一堆孤立概念，它们背后其实有一条主线。AI agent正在从一个会聊天的工具变成一个能进入真实工作情境的代理。

过去我们以为AI的进步主要是模型越来越强，参数更多，速度更快，回答更聪明。但现在你会发现，真正的变化不只发生在模型越来越强，更大的变化不只发生在模型。

这就是为什么AI圈会不断出现新词，不是因为大家喜欢制造黑话，而是因为AI每往真实工作靠近一步，就会遇到一个新问题。为了解决这些问题，才出现了新的概念、新的工具、新的工程方法。

所以以后你再看到一个新的AI热词，不要急着被定义，你只需要问一个问题：它到底是在解决AI走向真实工作时的哪个问题？只要这个问题想清楚了，再多的新概念也不会乱。