架构不同层AI术语～ 需覆盖的术语清单包含但不限于基座层LLM、大语言模型、基座模型、Foundation Model、微调、Fine-tuning、预训练、上下文窗口、Context Window、Token、推理、Inference能力扩展层函数调用、Function Calling、工具调用、Tool Use、工具、Tool、插件、Plugin、检索增强生成、RAG、Agentic RAG、智能体式RAG、模型上下文协议、MCP、代码解释器、Code Interpreter能力封装层技能、Skill、提示词、Prompt、提示词工程、Prompt Engineering、记忆系统、Memory、短期记忆、长期记忆、外部记忆流程编排层工作流、Workflow、流水线、Pipeline、链、Chain、有向无环图、DAG、编排、Orchestration、多智能体编排、Multi-Agent Orchestration、人在回路、Human-in-the-Loop、HITL系统范式层智能体、Agent、AI智能体、子智能体、Sub-Agent、多智能体系统、Multi-Agent System、ReAct框架、规划、Planning、反思、Reflection、反馈循环、Loop、自主决策、副驾驶、Copilot、助手、Assistant框架生态层LangChain、LangGraph、Agent框架、低代码工作流输出要求按「从底层到上层」的技术层级搭建整体逻辑框架明确每个术语所处的架构层级理清包含、依赖、并列、互补四类关系对所有易混淆术语做横向对比用表格呈现核心差异维度本质、决策主体、灵活度、适用场景、颗粒度、自主性每个核心概念配通俗类比真实业务场景示例避免纯概念堆砌区分技术定义与营销概念明确标注哪些是行业共识的技术术语哪些是厂商自定义的包装概念最后用一个完整的业务任务案例串联所有层级术语的实际协作过程直观体现各自的作用与边界二、核心术语分层逻辑与本质区别整体层级全景从底层到上层能力逐级封装自主性逐级提升我们可以把AI能力体系想象成「计算机硬件→操作系统→应用软件→团队协作」的递进关系每一层都依赖下层能力同时向上提供更封装、更复杂的能力架构层级 核心术语 核心定位 通俗类比基座推理层 LLM、基座模型、Fine-tuning、Context Window 提供基础语言理解与生成能力是所有上层能力的核心引擎 计算机的CPU与操作系统内核原子工具层 Tool、Function Calling、RAG、MCP、Code Interpreter 给模型扩展外部行动与信息获取能力突破模型参数边界 电脑的外设鼠标、键盘、U盘、网卡技能封装层 Skill、Prompt、Memory 将工具、提示词、固定流程打包成面向特定任务的可复用能力模块 电脑上的单个应用软件PS、Excel流程定义层 Workflow、Pipeline、Chain、DAG 预定义任务执行的步骤顺序、分支条件与流转规则固化执行路径 工厂的固定生产线、标准化SOP调度管控层 Orchestration、Human-in-the-Loop 对多流程、多智能体进行全局调度、状态管理、容错重试、人工介入管控 工厂的车间调度系统、生产主管自主系统层 Agent、ReAct、Planning、Reflection 以目标为导向自主规划路径、调用工具、动态调整、闭环执行 能独立完成任务的全职员工协作系统层 Multi-Agent、Sub-Agent 多个 specialized Agent 分工协作共同完成复杂目标 由不同岗位员工组成的项目组高频易混术语核心对比1Tool vs Skill vs Plugin这三个概念最容易混淆核心差异在于封装粒度与包含关系• Tool工具最原子的功能接口单一输入输出无业务逻辑仅做一件具体的事。比如「网页搜索」「读取本地文件」「发送HTTP请求」「执行Python代码」。它是能力的最小单元Agent通过Function Calling机制调用工具。• Skill技能面向一类任务的高级能力封装通常 多个Tool组合 专用Prompt 固定执行逻辑 输入输出规范。比如「代码重构Skill」内部会包含「读取文件→分析代码→生成重构方案→写回文件」的完整逻辑Agent加载后可直接调用无需每次重新规划步骤。类比编程里的「工具函数库」而Tool是「单个API」。• Plugin插件可一键安装的扩展包粒度更大一个Plugin可以包含多个Skill、多组Tool、配置文件、资源素材甚至UI界面。它是产品层面的交付形态核心是「可安装、可分发」。比如某个「新媒体运营插件」里可能包含「文案生成Skill」「配图生成Skill」「排版工具」等多个组件。一句话总结Tool是零件Skill是成品功能模块Plugin是打包好的整套扩展安装包。2Skill vs Workflow这是当前行业最容易混淆的一组概念核心区分维度是决策主体与灵活度维度 Skill技能 Workflow工作流本质 面向「一类任务」的可复用能力封装 面向「一件具体事」的固定执行步骤决策时机 内部有一定AI自主空间步骤可根据输入动态微调 所有路径、分支、顺序在设计时预定义运行时无决策核心目标 沉淀「某类事该怎么做」的经验可复用到不同场景 固化「这件事按什么顺序做」的流程保障标准化自主性 中输入输出明确内部执行细节AI可灵活处理 极低严格按预设节点执行仅在条件分支处做判断典型示例 「技术博客撰写Skill」「数据报表分析Skill」 「用户投稿审核流程」「日报自动生成流水线」补充Workflow的本质是「把人的经验固化成流程」运行时系统只执行不思考Skill的本质是「把一项能力打包成模块」内部可以保留AI的灵活处理空间。3Workflow vs Agent核心差异是自主决策链条的长度这也是区分「自动化工具」和「智能体」的核心标准• Workflow决策链条在设计阶段就全部完成。工程师提前把所有步骤、分支、异常处理都写死运行时只是按剧本走遇到预设外的情况就报错。它解决的是「标准化重复任务的效率问题」。• Agent决策链条在运行时动态生成。用户只给高层目标Agent自己拆解任务、规划步骤、选择工具、遇到失败自动调整方案、迭代直到完成目标。它解决的是「开放、不确定、复杂场景的自主执行问题」。举个直观例子• 固定Workflow「每天早上9点抓取行业新闻→总结3条要点→发送到企业微信群」——每一步都是预设的不会变。• Agent执行「帮我做一份行业竞品分析报告」——Agent自己决定要搜哪些竞品、找哪些数据、分几个章节、要不要补充图表中途发现数据不全还会自己换关键词重搜。4Orchestration vs Workflow很多人会把编排和工作流混为一谈两者是「管控与被管控」的关系• Workflow是单个流程的定义关注「一件事具体怎么一步步执行」是静态的流程模板。• Orchestration编排是全局的调度管控能力关注「多个流程、多个工具、多个智能体之间怎么协同、状态怎么同步、异常怎么重试、资源怎么分配」。它是动态的调度系统负责把多个Workflow、Tool、Agent组织起来完成更复杂的目标同时提供状态持久化、错误重试、熔断降级、人工审核节点等管控能力。简单说Workflow是单条生产线Orchestration是管理所有生产线的总控中心。补充其他关键概念的定位• MCP模型上下文协议不是能力是一套标准化的连接协议。它定义了AI模型和外部工具/数据源之间的统一通信标准相当于AI界的「USB接口」让不同厂商的工具不用单独做适配就能被Agent调用核心价值是解决工具集成的碎片化问题。• RAG检索增强生成属于工具层的一个细分能力专门用于扩展模型的外部知识。它本质是一种「先检索相关资料、再塞进上下文、最后生成答案」的技术方案是Agent获取外部信息的常用手段之一也可以单独用于问答系统。• Memory记忆系统Agent的配套组件分为短期记忆当前任务上下文、长期记忆跨会话的用户偏好、历史数据。它让Agent具备连续工作能力不会每次对话都从零开始是Agent区别于单次对话的核心组件之一。• Copilot副驾驶产品形态概念不是技术术语。核心特征是「人机协同AI辅助、人做最终决策」通常内嵌在特定软件里如代码编辑器、办公软件技术上可以基于Agent实现也可以基于简单的工具调用Prompt实现。三、场景化串联一个任务看全链路术语协作以「完成一份前端技术趋势调研报告」为例各层级概念的分工如下基座层Claude 3.5 LLM 提供基础的语言理解、信息总结、报告撰写能力。工具层通过Function Calling调用「网页搜索Tool」「PDF读取Tool」「代码执行Tool」「数据可视化Tool」获取模型之外的实时信息与执行能力。技能层调用「行业调研Skill」该Skill内部封装了「确定调研维度→多维度检索→信息去重→结构化梳理」的标准逻辑同时配套了专业的报告格式Prompt保证输出质量。工作流层预设「信息收集→大纲生成→内容撰写→数据校验→格式排版」的固定5步Workflow保障报告产出的标准化流程。编排层Orchestrator管控全流程状态步骤失败自动重试数据校验不通过自动回退重写在最终输出前触发Human-in-the-Loop节点推送给人工审核。智能体层Research Agent 接收「写一份2026年前端技术趋势报告」的目标自主拆解子任务判断需要调用哪些Skill和Tool遇到搜索结果不足时主动调整检索策略动态补充边缘技术方向的内容。多智能体层搭配「数据校验Agent」专门核对报告中的数据准确性「排版Agent」负责最终的格式美化多角色协作产出最终成果。