AI应用-术语

Prompt（提示词）

定义​

Prompt 是用户给 AI 的指令——用自然语言告诉它要做什么，是控制 AI 输出的基础工具。

例子​

• “帮我写一段 Java 代码，实现用户登录校验。”
• “用小学生能听懂的话解释 JVM。”
• “假设你是 Java 架构师，帮我设计一个高可用订单系统。”

核心特点​

• 本质是一次性的自然语言指令或可复用的模板。
• 质量决定输出质量：清晰的 prompt 带来精准结果，模糊的 prompt 导致回答笼统。
• 通常是即时、一次性的，除非刻意保存，否则只存在于当前对话。

为什么重要​

AI 没有“读心术”，它只会按你给的指令执行。Prompt engineering 的核心就是把需求讲清楚、说精准。比如：

• 模糊指令：
  • “给我讲一下 Redis。” → 回答可能泛泛而谈。
• 清晰指令：
  • “以 Java 后端工程师视角，结合高并发场景，讲解 Redis 缓存策略和缓存穿透的解决方案。” → 回答会聚焦实践，包含代码示例和避坑指南。

Skills（技能包）

定义​

Skills 是可复用、动态加载的专业能力包。它把结构化的流程、知识、操作指导封装起来，让 AI 在执行特定复杂任务时调用。

核心特点​

• 不是给 AI “装工具”，而更像是提供专业手册、操作说明和业务流程模板。
• 包括指令、方法、脚本、资源等，可在不同对话或项目中重复使用。
• 当 AI 判断需求匹配时，会自动加载对应的 skill 来辅助完成任务。

例子​

• 代码编写 skill：包含代码规范、常用模式、调试步骤。
• 竞品分析 skill：包含数据检索步骤、分析框架、输出格式。

为什么重要​

AI 不再是简单的一问一答。当你提出一个目标，AI 需要自己拆解步骤、选择合适的方法来执行。Skills 决定了 AI 能否精准匹配你的需求，把事做成。可以说，prompt 是单次指令，skills 是封装好的、可重复使用的专业解决步骤。

Projects（项目/工作区）

定义​

Projects 是一个持久的上下文空间，用来集中管理单个任务所需的背景资料、知识库和文件。它让 AI 可以在一个项目内持续利用这些信息，不必每次重复上传或解释背景。

例子​

• 从 0 到 1 设计博客
• 开发自动生成周报的工具
• 搭建一套 AI 客服系统

核心特点​

• 提供独立的、带有大上下文窗口的工作区。
• 项目内所有背景资料始终可用，任务推进更连贯。
• 解决之前对话中上下文遗忘、需要反复沟通的问题。

为什么重要​

真实世界的任务往往包含多个环节：理解需求、拆解步骤、选择工具、执行、修正、交付。Projects 把工作场景固定化和集中化，让复杂任务的推进更连贯、更高效。

MCP（模型上下文协议）

定义​

MCP 全称 Model Context Protocol，是一套让 AI 安全、规范地接入外部数据源和工具的开放协议标准。它通过标准化接口实现 AI 与外部资源的对接。

作用​

• 让 AI 能够合法、受控地访问企业数据库、业务系统、云盘、API 等外部资源。
• 解决大模型无法天然访问外部工具和数据的问题。
• 核心价值是可控性：防止 AI 乱调用接口、越权操作，且所有操作可追溯。

为什么重要​

没有 MCP，AI 只能出方案，但无法动手操作真实系统。有了 MCP，AI 才能真正成为可落地、可靠、可连接现实业务的企业级工具。

Agent（智能体/代理）

定义​

Agent 是一个能够自主理解目标、规划步骤、调用工具（如 Skills、MCP 接口）并执行任务，直到达成目标的 AI 系统。它是一个能独立干活儿的“数字员工”。

核心特点​

• 自主性：给定一个目标后，它能自己拆解任务、做决策、执行，不需要你一步步指挥。
• 工具调用：它可以主动使用各种工具，比如联网搜索、运行代码、调用数据库（通过 MCP）、运用封装好的 Skills。
• 持续运行：它会围绕一个复杂目标持续工作，在遇到问题时能尝试不同方法，直到任务完成或无法进行。

例子​

• 数据分析 Agent：你告诉它“分析上周的销售数据，找出下降原因并生成报告”。它会自动：1）连接数据库取数；2）清洗和分析数据；3）发现异常指标；4）撰写包含图表和结论的报告。
• 旅行规划 Agent：你输入“规划一个为期五天的北京家庭游”。它会自动：1）搜索景点和酒店；2）安排每日行程；3）估算预算；4）生成一份详细的行程单。

为什么重要​

Agent 代表了 AI 从“被动应答”到“主动执行”的跨越。它把之前提到的 Prompt（指令）、Skills（技能）、Projects（上下文）和 MCP（连接工具）全部整合起来，自动完成端到端的复杂工作。这让你能从繁琐的步骤管理中解放出来，更专注于定义目标和审核结果。

Harness Engineering（控制工程）

定义

Harness Engineering 是为确保 AI 系统（特别是 Agent）的行为安全、可靠、可控而建立的一系列工程方法、规则和保障机制。其核心是为强大的 AI 能力套上“缰绳”，防止不可预测或有害的行为。

核心特点

• 预设行为边界：为 AI 设定明确的行动范围，规定其可执行与禁止执行的操作。
• 过程监控与审计：全程记录 AI 的决策逻辑、工具调用与操作结果，确保其行为可追溯、可审查。
• 关键节点干预：在涉及高风险或关键决策时，系统可自动暂停并引入人工审核。
• 安全降级机制：当AI遇到不确定性高或超出其处理能力的情况时，能自动切换到预设的安全处理流程。

例子

• 一个用于处理客户投诉邮件的 AI 客服助理，在控制工程框架下会按如下方式工作：
  • 边界设定：被明确规定禁止向客户做出任何形式的赔偿承诺。
  • 流程监控：所有生成的回复内容都会经过一层合规性扫描，确保用语恰当。
  • 人工干预：当识别到客户情绪愤怒或问题复杂时，自动生成工单并将对话转接给人工客服处理。
  • 操作记录：整个处理过程，包括对客户历史订单的查询记录，都会被完整存档以供事后审计。

为什么重要

随着 AI 自主性的增强，其行动一旦失误，可能直接导致业务损失、安全风险或法律问题。控制工程是将 AI 从“实验室原型”转化为“可投入实际业务、可被信任的生产力工具”的关键桥梁。它通过系统化的约束与保障，在赋予 AI 自动执行能力的同时，有效管理其潜在风险，确保其行为始终符合业务规范与安全要求。

总结：这六个概念如何协同工作

将它们串联起来，就构成了一个现代 AI 系统从理解指令到安全交付成果的完整工作流：

1. Prompt 是沟通的起点，你用自然语言准确地向 AI 下达任务目标，定义要做什么。
2. Agent 作为智能中枢被激活，它理解目标后，在 Project 这个专属的持久化工作空间内，开始自主规划和推进任务。
3. 为了执行具体步骤，Agent 会从 Skills 库中调用封装好的专业能力包，并遵循其标准化流程；同时，通过 MCP 定义的安全协议，它能够连接并操作外部的数据库、API 等真实资源，获取信息或执行动作。
4. 在整个过程中，Harness Engineering 所构建的约束、监控与安全机制全程生效，确保 Agent 的所有行为都在预设的安全边界内，过程可控、结果可靠。

简单概括

• Prompt 让 AI 听懂指令。
• Skills 让 AI 按专业流程做事。
• Projects 为 AI 提供连贯的上下文。
• MCP 让 AI 连接真实世界。
• Agent 让 AI 自主协调资源完成任务。
• Harness Engineering 确保 AI 的使用可控、可靠。