👀从会聊天到会做事：AI 能力入门指南

一篇看懂 Prompt、MCP、Skills、CLI、Agent 与 Codex 如何协同工作

这篇文章解决什么问题

你可能听过这些词：提示词（Prompt）、MCP、Skills、CLI、API、Agent、RAG……

它们听起来像一堆技术黑话，其实都在回答同一个问题：

怎样让 AI 不只会聊天，还能稳定地把一件事做完。

读完本文，你应该能回答三件事：

  1. 这些名词各自负责什么。
  2. 它们之间如何配合。
  3. 面对一个实际任务时，应该从 Prompt 开始，还是需要 Skill、MCP、CLI 或 Codex。

一、🌱先看一张总图

把 AI 想成一位数字助理：模型是大脑，Prompt 是任务单，资料是桌上的文件，工具是他的电脑，Skill 是办事手册，权限是门禁卡。

先记住这张速查表

名词 小白版解释 最像什么
模型 Model 负责理解、推理和生成的核心能力 大脑
Prompt 告诉 AI 这次要完成什么 任务单
Context AI 当前能看到的指令、资料和结果 桌面上的文件
知识库 / RAG 从大量资料中找到与问题相关的内容 查档案
Tool AI 可以调用的一个具体动作 一个办公软件按钮
MCP 连接外部工具和系统的标准协议 标准插座
API / SDK 程序调用服务的接口和开发工具包 对接窗口
CLI 用命令行操作程序的入口 文字遥控器
Skill 可重复使用的办事方法和规则 SOP 手册
Workflow 预先写好的固定流程 流程图
Agent 能拆解目标、选择工具并推进任务的 AI 项目助理

最重要的一句话是：Prompt 负责说清楚，Context 提供资料，Skill 规定方法，Tool 负责动作，权限控制边界，Agent 负责把它们组织起来。

二、🧩先用一个任务看懂全流程

假设你的目标是：“每周一上午，生成一份销售周报。”

这个任务可以拆成：

  1. Prompt：告诉 AI 周报面向谁、关注哪些指标、需要什么格式。
  2. Context：提供本周订单、退款、客服和活动资料。
  3. Skill：规定周报必须包含“结果、原因、风险、下周计划”，没有数据不能猜。
  4. RAG：从历史复盘和业务规则中找相关背景。
  5. MCP / API：连接订单系统、客服系统和文档库。
  6. Workflow：规定每周一 9 点触发，按顺序取数、分析、生成报告。
  7. Agent：遇到数据缺失时判断是否补查，发现异常时提出待确认问题。
  8. 权限与审批：允许读取报表，但发送给全员前需要人确认。
sequenceDiagram participant 人 as 人 participant A as AI / Agent participant S as Skill participant K as 知识库 participant T as 外部工具 人->>A: 提出“生成销售周报” A->>S: 读取周报标准流程 A->>T: 查询订单、退款、客服数据 T-->>A: 返回数据 A->>K: 检索历史规则和背景 K-->>A: 返回相关资料 A->>A: 分析、生成、检查 A-->>人: 报告、风险和待确认项

这就是为什么不能把所有 AI 能力都叫作“提示词”：Prompt 只是起点，完整工作还需要资料、流程、工具和验证。

三、📚从基础到进阶理解这些名词

1. 模型、Prompt 和 Context

模型是什么

模型是 AI 的核心能力，负责理解文字、图片或代码，并生成回答。不同模型在速度、成本、推理能力和支持的输入类型上可能不同。

Agent 不是模型本身。Agent 是一种工作方式：它会让模型反复判断下一步、调用工具、检查结果。

Prompt 是什么

你对 AI 说的每句话都是 Prompt。好的 Prompt 不在于越长越好，而在于信息完整、目标明确、要求可执行。

可以使用这个公式：

角色 + 背景 + 任务 + 约束 + 输出格式

例如：

你是一名客户成功经理。
背景：客户购买企业版服务，最近 30 天登录次数下降。
任务：写一封中文回访邮件。
要求：语气专业友好，不制造焦虑，控制在 250 字以内。
输出：先给 3 个邮件标题，再给正文。

只要资料已经在手边、任务做完不需要访问其他系统，通常只用 Prompt 就够了。

Context 是什么

Context 是 AI 在当前任务中能够看到的全部内容，包括系统规则、Prompt、对话记录、文件、工具返回结果和已加载的 Skill。

注意两点：

  • Context 是“当前任务看得到什么”，不等于永久记忆。
  • 资料没有被放入 Context，AI 就不能凭空知道；资料过多时，还要先检索和筛选。

2. 知识库、RAG 和 Memory

知识库 / RAG

当资料很多，不能全部粘贴给 AI 时，系统会先从文档库里检索相关内容，再把结果交给模型回答，这种“先检索、后生成”的方式通常叫 RAG。

用户问题
   ↓
检索相关文档
   ↓
把文档片段放入 Context
   ↓
模型基于资料回答

MCP 可以负责连接知识库，但 MCP 和 RAG 不是一回事：MCP 解决“怎么连接”，RAG 解决“怎么找到最相关的资料”。

Memory

Memory 是跨多次任务保存的偏好、事实或状态，例如“用户喜欢简洁的周报”。它和 Context 的区别是：Context 主要服务当前任务，Memory 可能跨会话持续存在。

3. Tool、API、MCP 和 CLI

Tool / Function Calling

Tool 是 AI 可以调用的具体动作，例如“查询订单”“运行测试”“创建日历事件”。Function Calling 是一种常见的调用方式：AI 按约定的函数名和参数发起请求，系统执行后把结果返回给 AI。

API / SDK

API 是程序与服务之间的接口；SDK 是帮助开发者调用 API 的代码工具包。

  • 想在自己的系统中集成 AI，通常用 API 或 SDK。
  • 想在终端中直接操作，通常用 CLI。
  • 想让 AI 访问多个外部系统，通常需要 Tool、MCP 或其他连接器。

MCP

MCP（Model Context Protocol，模型上下文协议）是一套让 AI 以统一方式发现和调用外部工具的协议。

把办公室比作一个工作环境：

  • AI 是坐在工位上的助手。
  • MCP 是标准插座和内部电话。
  • MCP Server 是某个部门的服务台。
  • Tool 是服务台上的具体窗口。
  • 权限是门禁卡，决定能不能进、能做什么。

MCP 不会自动授予 AI 所有权限。实际能做什么，取决于 MCP Server 暴露了哪些工具，以及管理员授予了什么权限。

CLI

CLI（Command Line Interface，命令行界面）是用文字命令操作程序的入口。图形界面是“点击按钮”，CLI 是“输入指令”。

# 查看文件
ls

# 运行测试
tool test

# 批量处理文档
tool summarize ./meeting-notes

CLI 适合批量处理、脚本化、服务器环境和 CI。它本身不代表某一种内部实现。

4. 为什么不同厂商的 CLI 形态不同

现在很多 AI 厂商都支持 CLI，但 CLI 只是使用入口，内部可能完全不同：

CLI 形态 内部做法 适合场景 主要边界
MCP 封装型 CLI 作为 MCP Client，调用 MCP Server 统一接入知识库、数据库、日历等工具 受 MCP 工具和权限限制，多一层协议调用
API 封装型 直接调用 HTTP API、SDK 或云端 Agent API 脚本、CI、批处理、系统集成 需要网络、账号和 API Key，主要能力在云端
原生能力型 自带文件、Git、终端、沙箱或任务编排能力 本地项目操作、连续多步工作 本地读写和命令执行权限更敏感

一个产品可以同时具备多种形态。MCP 是工具之间如何通信的协议，CLI 是人如何使用程序的入口；一个 CLI 可以使用 MCP，也可以完全不使用 MCP。

5. Skill、Workflow 和 Agent

Skill 是方法

Skill 是一套可重复使用的办事方法，通常包含步骤、判断规则、输出模板和检查清单。

例如“周报 Skill”可以规定：

  1. 读取本周项目记录和会议纪要。
  2. 按“已完成、风险、下周计划”分类。
  3. 不确定的数据标记为“待确认”，不能自行编造。
  4. 使用固定模板输出。

Prompt 是“这次做什么”，Skill 是“以后遇到这类事都怎么做”。

Workflow 是固定路线

Workflow 是预先确定的步骤和触发条件，例如“每天 9 点取数 → 生成报表 → 发给负责人”。路线稳定、风险较高的任务，优先用 Workflow。

Agent 是动态执行者

Agent 接到目标后，会拆解任务、选择工具、根据结果决定下一步，并在完成或需要人工确认时停下来。

任务特点 更适合
一次性写作、总结、改写 Prompt
同类任务反复做、多人要统一 Skill
步骤固定、时间固定、结果可预测 Workflow / Automation
需要探索、判断和动态选择下一步 Agent

四、💻把这些概念放进一个真实产品：Codex

前面讲的是通用概念。下面用 Codex 做一个具体示例，看看一个面向软件开发的 AI 工作助手，怎样把模型、Prompt、Skill、MCP、CLI 和本地工具组合起来。Codex 不是新的底层技术名词，而是这些能力在开发场景中的一种产品化组合。

1. Codex 可以做什么

Codex 是面向软件开发的 AI 工作助手。它可以理解代码仓库，阅读和修改文件，运行测试、构建和 Git 命令，也可以根据配置使用 Skill、MCP 和其他工具。

因此，Codex 不只是“帮你补全代码”，还可以参与完整开发流程：分析问题 → 制定方案 → 修改代码 → 运行验证 → 汇报变更和风险。

2. Codex 里的 Skill 负责什么

在 Codex 中，Skill 负责把团队或个人的开发方法固定下来。例如，它可以规定“修改代码前先阅读哪些文件”“必须运行哪些测试”“哪些文件不能直接改动”“最终报告必须包含哪些内容”。

这样，Skill 就不再是抽象的 SOP，而是 Codex 每次处理同类任务时都可以复用的工作规范。

3. 一个 Codex Skill 长什么样

在 Codex 中，一个 Skill 通常是一个目录，核心文件是 SKILL.md；还可以附带脚本、参考资料和模板：

weekly-report/
├─ SKILL.md              # 必需：适用范围、步骤、输出和边界
├─ scripts/              # 可选：确定性脚本
├─ references/           # 可选：详细规范和资料
└─ assets/               # 可选：模板和资源

Codex 会先读取 Skill 的名称和简介，任务匹配后再加载完整的 SKILL.md，这叫渐进式披露。Skill 可以：

  • 自动匹配：任务描述符合 Skill 的适用范围时自动使用。
  • 显式调用：在 Codex CLI 或 IDE 中使用 $skill-name 指定使用。

一个好的 Codex Skill 应该写清楚三件事：什么时候触发、具体按什么步骤做、什么情况不能自作主张。

4. Codex 中这些能力如何配合

以“修复登录页移动端布局”为例：

  1. 你在 Codex CLI 或 IDE 中提出目标，这是入口。
  2. Codex 读取前端检查 Skill，这是工作方法。
  3. Skill 要求启动项目、运行测试并检查页面，这是流程。
  4. Codex 使用终端、文件系统、Git 和浏览器，这是底层工具。
  5. 如果要读取企业设计规范或更新工单，Codex 通过 MCP 连接外部系统。
  6. 修改后运行验证，并向你报告变更、测试结果和待确认风险。

5. 四个常见 Codex 场景

场景一：第一次接手一个代码仓库

先让 Codex 做只读分析：

codex "阅读这个仓库，说明启动方式、主要模块，以及最值得先补的 3 个测试"

这一步主要使用本地项目和终端能力，不一定需要 MCP。确认分析结果后，再让它修改文件和运行测试。

场景二：按团队规范修改代码

把目录约定、测试命令、提交前检查和禁止事项写进项目级 Skill。之后每次修 bug，Codex 都能先读取同一套规则，减少团队标准依赖个人记忆。

场景三：接入 CI 或定时任务

需要无人值守、让脚本接收结果时，可以使用非交互模式 codex exec：

codex exec "总结最近 10 个提交，并列出可能的发布风险" > release-review.md

自动化时要显式设置最小权限，先从只读环境开始；涉及改代码、发布或发送消息时，保留人工审批。

场景四：查询企业系统后再改代码

例如“根据最新接口文档修复 SDK，并把结果关联到工单”：

  • Skill 规定先读文档、再改代码、最后跑测试。
  • MCP 连接知识库和工单系统。
  • CLI 在本地仓库中运行 Codex、测试和脚本。
  • Codex 模型理解资料、拆解任务，并判断哪些动作需要人确认。

这是最接近“数字员工”的组合，也最需要权限隔离和操作审计。

五、🛠️我到底该用什么

先问四个问题：

  1. 这是一次性的文字任务，还是需要反复执行？
  2. AI 需要访问外部资料或系统吗？
  3. 流程是固定的，还是需要动态判断？
  4. 结果是否会修改数据、发送消息或影响线上系统？
你的需求 优先考虑
改写、总结、解释已提供的内容 Prompt
需要读取知识库、数据库或业务系统 MCP / API / Connector
同类任务反复执行、多人遵循同一标准 Skill
步骤固定、定时触发、适合无人值守 Workflow / CLI
批量处理文件、运行脚本、接入 CI CLI
需要动态拆解和选择下一步 Agent / Codex
涉及删除、付款、发布、外发 人工确认 + 最小权限

六、🚀新手上手顺序

不要一开始配置复杂系统，按下面的顺序练习：

第一步：学会写清楚 Prompt

拿一个真实小任务，补充背景、目标、限制条件和输出格式。

第二步：把重复任务固化成 Skill

同一任务连续做三次后，记录稳定步骤、判断规则和验收标准。

第三步：先连接只读工具

从搜索、知识库和报表开始，确认数据范围和权限后，再考虑写入类工具。

第四步：用 CLI 做可撤销的批量工作

从查看文件、运行测试和生成报告开始，先预览结果，再执行修改。

第五步：最后再让 Agent 串联多个步骤

当流程清楚、权限明确、异常情况有处理办法时，再进行 Agent 自动化。

七、🔒安全边界和常见误解

“Prompt 越长越好”

不一定。关键是完整、明确、没有互相矛盾的要求。

“有了 MCP，AI 就能操作所有系统”

不对。MCP 只是连接协议，实际能力由服务端暴露的工具和权限决定。

“Skill 就是一个更长的 Prompt”

可以这样入门理解，但成熟 Skill 还应包含流程、判断条件、错误处理和输出标准。

“用了 Agent 就不需要人了”

高风险动作仍应由人确认。AI 可以帮助执行，但不应替人承担最终责任。

使用 CLI 时要特别小心什么

  • 删除、覆盖、移动大量文件。
  • 修改生产环境或线上数据库。
  • 发送邮件、消息、付款或发布内容。
  • 使用来源不明的脚本，或把密钥粘贴到命令行。

原则很简单：先只读，后修改；先预览，后执行；先最小权限，后逐步放开。

八、🧠进阶概念放在哪里

第一篇小白文章不需要把所有术语讲完。建立主干后，再按需要学习：

  • 结构化输出 / Schema：让 AI 稳定返回 JSON、表格或固定字段。
  • 评估 / Evaluation：用测试集和指标判断 AI 是否真的做对。
  • 日志、Tracing、Observability：记录模型、工具、耗时、错误和调用链。
  • Embedding / 向量数据库：知识库和语义检索常用的底层技术。
  • 微调 Fine-tuning：用专门数据改变模型的输出习惯，通常不是业务接入的第一步。

📌一页速查卡

最后只需记住：先把目标说清楚，再逐步增加资料、方法和工具。AI 能力的重点不是名词多，而是事情真的做成了。

posted @ 2026-09-02 09:21  丿似锦  阅读(16)  评论(0)    收藏  举报