本文通过类比“大楼楼层”的方式，将AI Agent的13个核心概念重新梳理，帮助读者快速理解大模型如何“自己干活”。从大模型的基础（预训练和微调）到Agent的执行机制（ReAct和反思），再到辅助层（RAG、记忆和Token理解）、标准层（MCP和Skill），以及工程方法（Harness和SDD），文章层层递进，使读者能够系统地掌握这些概念，并在面试中展现出对AI Agent体系的深刻理解。

兄弟们好，今天有料。

面试前五分钟，手机里翻笔记翻到怀疑人生——Agent是啥？ReAct和反思有啥区别？MCP到底怎么解释？概念一个比一个绕，背了忘忘了背。

别慌。这篇我把大厂常问的 13 个 AI Agent 核心概念，按"怎么理解最快"的方式重新捋了一遍。不是给你堆定义，是帮你把整条线串起来，下次面试官问到任何一个点，你都能顺着上下游讲出体系感。

面试前五分钟，你慌了吗

说实话，AI Agent 这个领域的概念密度太高了。像没整理过的工具箱，扳手螺丝刀锤子堆一起，用的时候摸半天。

光是一个"让 AI 自己干活"的命题，就牵扯出规划、记忆、工具、协议、工程方法一大串。很多人的问题不是不知道这些词，是不知道它们之间的关系。

打个比方：这些概念就像一栋楼的各个楼层。地基是大模型本身（预训练、微调），一楼是让模型能动手（Agent、ReAct、工具调用），二楼是让它更聪明（RAG、记忆、防幻觉），三楼是标准化能力（MCP、Skill），顶楼是工程保障（Harness、SDD、反思机制）。

搞清楚楼层关系，单个概念自然就记住了。

接下来我们一层层拆。

先从地基开始——大模型本身是怎么炼出来的。

底座先搞懂：预训练和微调到底干了啥

很多人面试被问"预训练和微调的区别"，张嘴就是"预训练用大数据，微调用小数据"。没错，但太干了，面试官想听的是你理解这两步的目的差异。

预训练的本质是教语言。

想象一个小孩从零开始学说话——没人教语法，纯靠听。预训练干的就是这事：把海量文本喂给模型，让它学会"下一个字大概率是什么"。

训练方式是自监督学习，具体来说就是不断预测下一个 token。没有人工标注，不需要标准答案，纯靠统计规律。训练出来的东西叫基座模型，什么都会一点，但什么都不精。

跟小孩学完说话差不多。

微调的本质是教干活。

基座模型会说话了，但你让它帮你写代码、做客服、改文案，它可能东一句西一句。微调就是拿具体任务的数据，继续训练这个模型，让它学会"在这种场景下应该怎么回答"。

这步用的数据量小得多——几千到几万条标注数据就够。训练方式通常是监督学习，也就是有输入有标准输出，模型学着模仿。

一句话总结：预训练给能力，微调给方向。一个管"会不会说话"，一个管"说话办不办事"。

面试时候把这个对比讲清楚，比背两段定义管用十倍。

让 AI 能动手的那套东西

学完说话、学完干活，下一步是什么？让它自己干活。

这就是 Agent 的核心命题。

Agent 不是一个工具，是一种工作方式。 它的特点是：能自己拆任务、自己决定下一步做什么、自己调用工具获取信息、自己判断结果对不对。

传统大模型像一个坐在那等你提问的答题机器。Agent 更像一个实习生——你说"帮我查一下上周的销售数据然后做个报表"，它自己规划步骤，自己去查数据库，自己写 Excel，最后把结果交给你。

关键能力三件套：规划、记忆、工具调用。

但光有能力不够，还得有一套做事的方法论。这就是 ReAct。

ReAct 的全称是 Reason + Act，推理加行动。听起来很学术，翻译成人话就是：先想后做，做完再想。

具体流程是这样的：模型接到任务，先推理"我现在知道什么、还缺什么"，如果信息不够就调工具去拿，拿到结果后再推理"拿到的东西够不够解决问题"，不够就继续调。周而复始，直到任务完成。

跟人干活一模一样——想清楚了再动手，动完手看看结果，不行再调整。

不过 ReAct 只管"做"的循环。做完以后怎么知道自己做得对不对？这就需要自我反思机制。

反思本质上是"先出答案，再检查，然后修改"。两种路径：

第一种是自我反馈——模型自己审查自己的输出。适合检查文案一致性、有没有违反约束、格式对不对这类能靠逻辑判断的事。

第二种是外部反馈——把结果放进真实环境验证。代码跑一下看报不报错，JSON 过一下 schema 验证，SQL 查询看返回结果对不对。

反思不是锦上添花，是质量兜底。 省了这步，输出质量全靠运气。

补知识、存记忆、防胡说

Agent 能干活了，但有三个实际问题得解决：

第一，它知识有限——模型训练时没见过你公司的内部文档。 第二，它记性差——聊着聊着就忘了前面说了啥。 第三，它爱编——模型会把自己没见过的东西编出一个"看起来对"的答案。

分别对应三个解法：RAG、记忆系统、Token 理解。

RAG 就是让模型开卷考试。

全称 Retrieval-Augmented Generation，检索增强生成。跟你查字典一个道理——不确定的词先翻一下再答题。模型回答问题之前，先去知识库里搜一轮相关资料，把搜到的内容塞进上下文，然后基于这些"参考答案"来回复。

就像你考试可以带小抄——模型本身可能不知道公司上个月的运营数据，但只要把相关文档检索出来给它，它就能基于真实信息回答，而不是瞎编。

关于幻觉这件事要多说两句。

幻觉就是模型一本正经地胡说八道。 它不是不会回答，是会给你一个格式完美、逻辑通顺、但内容是编的答案。所以永远不要把大模型的输出当成事实来用，特别是涉及数字、日期、人名这些具体信息的时候。

RAG 能缓解幻觉，但不能完全消除。这是模型的底层特性，面试时要诚实讲。

再说记忆系统。

Agent 的记忆分两层，跟人的记忆是一回事：

短期记忆管当前对话——你跟它聊的这一轮。但上下文窗口有限，聊多了前面的内容会被挤掉。处理方式通常是截断旧消息或者做摘要压缩，保持 prompt 长度不爆。

长期记忆管跨会话——上次聊过什么、用户偏好是啥、历史决策记录。做法是把关键信息存成向量，下次需要的时候用语义检索召回，再塞回上下文里。

最后补一个底层概念：Token。

模型不认字，只认数字。Token 就是模型处理文本的最小单位。分词器把你输入的文字切成一个个小块（token），每块对应一个数字 ID，模型全程用这些 ID 来计算。

为什么面试要问这个？因为它直接影响成本和性能——输入越长 token 越多，价格越贵，速度越慢。理解 token 机制，才能理解为什么 prompt 要精简、为什么上下文窗口有上限。

接口标准和能力封装

到这里，模型能力有了、做事方法有了、知识补充和记忆也有了。下一个问题是：怎么让这些能力跟外部世界对接？

两个关键概念：MCP 和 Skill。

MCP 是 AI 世界的 TypeC 接口。 一根线通吃所有设备。

全称 Model Context Protocol，模型上下文协议。它定义了一套标准化的对接方式，让 AI 应用能连接各种外部数据源和工具——本地文件、数据库、搜索引擎、工作流系统，全走统一协议。

没有 MCP 之前，每接一个新工具就要写一套对接代码，跟手机充电线一样混乱——安卓一根、苹果一根、老诺基亚又一根。有了 MCP，所有工具方按同一个协议提供服务，AI 应用方按同一个协议去调用。一个协议搞定所有连接。

面试时讲 MCP，关键词是"标准化"和"解耦"。

Skill 是给模型装的技能包。

本质上是结构化的本地文件夹，里面打包了某个领域需要的一切：流程文档、知识材料、模板示例、脚本工具。模型遇到相关场景时自动或按需加载，相当于临时给它装上一个领域的专业知识和操作手册。

跟游戏里装备技能一回事——基础属性不变，但装备不同技能包就能应对不同副本。

工程化怎么落地

概念都懂了，最后一个问题：在真实项目里，Agent 怎么才能可靠地跑起来？

这是面试中区分"背概念"和"真做过"的分水岭。

三个工程方法得知道。

Harness 工程——给 AI 搭工作台。

直译是"驾驭工程"。核心思路是：不能把 Agent 像野马一样放出去，得给它围好栅栏。

具体包括：上下文怎么管理、工具怎么调用、执行环境怎么隔离、权限怎么控制、输出怎么验证、日志怎么记录、代码谁来 review、反馈怎么形成回路。

八个维度，缺一个都可能在生产环境翻车。跟连锁餐厅开店一样——菜单、食材、后厨、卫生、培训、巡检、客诉、复盘，漏一环就砸招牌。面试里能把这八点列出来并且每个举一两个实践细节，基本就过了这道题。

SDD——先写规格，再写代码。

全称 Spec-Driven Development，规格驱动开发。思路很直接：让 AI 写代码之前，先把需求、范围、行为约束、设计决策、任务拆分全写成文档。AI 按文档来开发，不自己猜。

不给规格让 AI 写代码，跟不给需求文档让实习生干活一样——他倒是能写出东西来，但大概率不是你想要的。

这步省了，后面返工时间翻三倍。

真要选工程方法优先级，我会把 SDD 排第一。因为它从源头减少歧义，后面所有环节的质量上限都被它决定。

最后是反思机制在工程中的落地——就是前面讲的自我反思，但在工程层面要设计成流程的一部分，而不是"有时候模型自己会检查"。

好的 Agent 系统，每次输出后都会走一轮校验：代码跑测试、文案查约束、数据核对来源。这不是可选步骤，是流水线里的必经质检站。

串一遍：面试怎么讲出体系感

回到开头那个场景——面试官问你某个概念，你不只是回答"它是什么"，还能说：

“它在整个 Agent 体系里处于什么位置、解决什么问题、跟上下游什么关系。”

这就像读地图。知道自己在哪条路上，就算被问路也不怕。

底层是大模型能力（预训练 + 微调），中间是 Agent 执行机制（ReAct + 反思 + 工具调用），辅助层是知识和记忆（RAG + 短期/长期记忆 + Token 理解），标准层是对接协议和能力封装（MCP + Skill），顶层是工程方法（Harness + SDD）。

这 13 个概念不是散装知识点，是一条完整的技术栈。搞明白每层干什么，面试时候随便从哪个点切入都能讲出深度。

你们最近面试被问到哪些 Agent 相关的问题？评论区聊聊，下一篇我接着拆。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？