近年 AI 应用技术串讲｜从 Transformer 到 Agent、Skill、Harness
这两年 AI 应用层的新词冒得太快，很多概念是层层叠加出来的——不按顺序看容易糊成一团。这里按演进顺序串一遍，每节先用两三句说清是什么，再附原始论文和官方文档。
1. LLM
Transformer 架构的提出奠定了大模型时代的基础，使基于注意力机制的生成模型成为主流。目前最主流的是 Decoder-Only（仅解码器）的 Transformer 架构变体。
2. Prompt Engineering（提示词工程）
提示词是用来引导模型按特定意图生成输出的输入指令，主要分「系统提示词」和「用户提示词」。
提示词工程通过设计和优化提示词，让模型更准确、可控地产出所需结果。它不改变模型的参数，是一种低成本调优手段——这也是它和微调的本质区别。
3. Fine-tuning（微调）
在已有模型基础上用特定数据再训练，让模型更适合某个具体任务或场景。
和提示词工程相反，微调要动模型参数。LoRA 的思路是只训练少量低秩参数，把训练成本大幅降下来。
4. RAG（检索增强生成）
先从外部知识库检索相关信息，再结合这些信息一起生成回答，以此提升准确性和知识时效性。
5. Function Calling（函数调用）
让模型按约定格式输出调用指令，再由外部系统真正去执行具体操作。
这一步的意义是：模型从「只会说话」变成「会调用工具」。
- 官方文档：OpenAI · Function calling
- 官方文档：Claude · Tool use
6. MCP（Model Context Protocol）
一种标准化协议，让模型以统一方式连接外部工具、数据源和服务，获取上下文并执行操作。
MCP 最重要的贡献之一是让工具可以跨 AI 应用复用，从而推动社区生态。在它之前，每个应用的工具接入方式都是各写各的。
7. Agent
能基于目标进行「思考 → 行动 → 观察」循环、自主调用工具完成复杂任务的智能系统。
Agent 本质上是对人类工作方式的模拟。最简形态就是「提示词 + LLM + Tools」。
- 原始论文：ReAct: Synergizing Reasoning and Acting in Language Models
- 官方工程博客：Anthropic · Building effective agents
- 官方工程博客：Anthropic · Writing tools for agents
- Agent 设计模式概览（Medium）
- tw93：Agent 是什么
8. Multi-Agent
由多个分工协作的 Agent 共同完成任务，通过拆分任务与隔离上下文来解决单 Agent 难以处理的复杂问题。
需要谨慎使用——Token 消耗大、协作效率低、系统复杂度高都是现实代价。不是所有任务都值得上多智能体。
- 官方文档：Claude · 何时以及如何使用多智能体系统
- 官方工程博客：Anthropic · 多智能体研究系统
9. Context Engineering（上下文工程）
Agent 运行时需要提供给 LLM 的一切相关信息——对话历史、用户输入、背景知识、工具结果——都是上下文。
上下文工程关注如何筛选、压缩和组织上下文，从而最大化模型的决策与推理能力。可以理解为提示词工程在 Agent 时代的延伸：要管的不再只是一段提示词，而是整个信息流。
- 官方工程博客：Anthropic · Effective context engineering for AI agents
- LangChain · Context Engineering for Agents
10. Agent Skill
一种轻量级开放格式，把一整套 Agent 能力（提示词、工具脚本、知识文件等）封装成可复用模块，实现低门槛分享与复用。
几个要点：
-
Agent Skill 本质上约等于一个子 Agent
-
特别适合 SOP 的沉淀与复用（离职的同事终将化作温暖的 Skill）
-
Agent 会在运行中按需激活不同 Skill、按需读取包内文件，即所谓「渐进式披露」
-
官方工程博客：Anthropic · Equipping agents for the real world with Agent Skills
11. OpenClaw
开源、高可扩展的 AI Agent 框架，基于 TypeScript 开发，核心用途是构建可自定义的私人 AI 助手。创新之一是拓展了 Agent 的交互入口（飞书等）。
- OpenClaw 源码量很大，想快速理解可以先看精简版实现：HKUDS/nanobot
12. Harness Engineering
强调通过构建受控环境，让 Agent 在约束下高效可靠地完成长周期复杂任务。包含围绕 Agent 构建约束机制、反馈回路、可靠上下文等一系列工程实践。
附：Claude Code 相关源码
官方未开源，以下是社区的逆向 / 分支实现，可用于理解其内部结构：