即刻App年轻人的同好社区
下载
App内打开
猫宁十二
91关注39被关注0夸夸
情知所起
猫宁十二
5天前

跟着阿亮学AI: 媳妇面试AI岗，居然霸气反问面试官：Agent、MCP、A2A、RAG、知识库这些你们是怎么做的？ 媳妇最近在换工作，和我分享了下她最近面试的一些体会，无论是什么岗位、大小公司，几乎都会问一些AI相关的知识。特别是一个做AI桌面智能体的公司，好像都没问多少学历、专业、背景啥的。但是，她也霸气反问了对方：MCP、A2A、RAG、知识库这些你们是怎么做的？ 哈哈哈，我媳妇也算半个专家了。 Agent、MCP、LLM、Token、RAG、Function Call、A2A等等，很多人对这些概念是一知半解，停留在「知道」的阶段，经不住面试官追问。 其实这些词很好理解，最关键的是得把这些零散的知识点关联起来。我换个角度讲，把它们想成你雇了一个AI助理，从他啥也不会到能独当一面，每升一级，就对应一个新名词。看完这篇，你下次再被问到，就能从原理到落地给面试官详细分析一通。 1 LLM，只是个嘴炮顾问 最早的那个AI，就是LLM，全称大语言模型。比如GPT-5.5、DeepSeek-V4就是它。 你跟它说，下周三我去广州出差，帮我订张晚上六点以后的高铁。它会很认真地回你：你可以打开12306，把目的地选成广州，时间筛选下周三18:00之后，按价格升序排，选个二等座就行。 听着像那么回事，细看一下，它啥也没干。这就是LLM的天花板。它读过的书巨多，啥都能聊两句，但只会动嘴，不会动手。我管它叫嘴炮顾问。 2 你给他配了对讲机，他终于能干活了 后来工程师想了个办法。提前告诉LLM，我这有个订高铁的工具叫book_train，你需要的时候报工具名和参数就行，剩下的我来执行。 这套机制就叫Function Call，函数调用。 注意一个细节：LLM自己其实不动手，它只是输出"我要调book_train，参数填广州、下周三、18点之后"这么一段指令，真去订的是程序。这么设计就是为了安全，AI再抽风，也只能输出错的指令，没法绕过你的代码乱搞。 加了这层之后，AI就从只会动嘴升级成了能动手。这一下，整个游戏变了。 3 嘴炮+对讲机+笔记本+计划本=Agent 把这四样东西捏到一块儿，就是Agent，智能体。 LLM，是大脑，负责思考。 Function Call，是手脚，负责执行。 Memory，是笔记本，记住你昨天交代过啥。 Planning，是计划书，知道先迈左脚还是右脚。 还是出差那个例子。Agent先翻你日历看周三下午有没有冲突（记忆），订一班合适时间的高铁（执行），顺手把你常住的那家广州酒店再续一晚（规划），最后给那边对接的同事自动发一条会议提醒（执行）。 这就是Agent火起来的原因。它不是AI更聪明了，是AI开始能干活了。 LLM和Agent的区别一句话：LLM告诉你怎么做，Agent直接帮你做完。 4 工具越加越多，得有个统一插口 但有个新问题。市面上工具一大堆，今天接飞书明天接Notion后天接公司内部CRM，每接一个都得单独写一套对接代码。三个AI接三个工具就是九套，十个AI接二十个工具就是两百套。每改一处，全得跟着改。 于是有家公司搞了个MCP，全称模型上下文协议。简单说，原本各家自扫门前雪的工具接口，被统一成了全行业通用的插头。 我打个最直观的比方。十年前你出门要带三根线，安卓的、苹果的、老款诺基亚的，谁都不通用。Type-C一统江湖之后，一根线插哪儿都行。 MCP就是AI界的Type-C。 再换个画面。以前给AI配工具像在自家后院挖井，每个井都得自己挖、自己接管、自己维护，费劲。有了MCP，就像接上了自来水管网，水龙头协议对上，全世界的工具都能流进你的Agent里。 谁支持这个协议，谁就能即插即用。今天给AI接个飞书，明天它自己就发现"诶我会发消息了"。这事最近为啥火，因为它解决的不是性能问题，是连接问题。 5 工具会用了，还得知道活该怎么干 光有工具不够。你给AI接了合同库，它能读条款，但让他做合同审查，他知道该盯哪些坑吗？知道你们公司的红线在哪吗？知道审完之后意见该怎么整给法务吗？ 不知道。 这时候就需要Skills，技能。就是把领域专家的方法论写成一份SOP手册塞给AI。比如：你是十年经验的法务总监，审一份采购合同必须看付款节奏、违约责任、知识产权归属三块，每块具体看什么、风险等级怎么标、意见怎么写，全写清楚。 Skills和System Prompt的区别在于按需激活。你跟AI闲聊它不会调这个手册，只有你说帮我审一下这份合同，他才把手册翻出来对照着干。 记住一句话就够：Skills决定怎么想，MCP决定用什么，Function Call决定怎么调。 6 一个AI忙不过来，几个AI怎么搭伙 Agent干一个人能搞定的活儿没问题，但碰上复杂任务，一个不够用。 举个例子，你想让AI出一份新品发布会的整体方案。一个负责调研同行最近类似的发布会都怎么搞，一个负责拉场地和物料供应商的清单，一个负责写主题文案和现场议程，最后再有个汇总的把这些拼成一份完整方案。这几个AI怎么对话？怎么派任务？怎么知道对方完成了？ 这就需要A2A，Agent to Agent协议。几家头部公司带头搞的。 我用公司类比。MCP管员工怎么用OA、CRM这些系统，A2A管员工之间怎么走流程，派活有标准的工单格式，交付有标准的成果物，进度有标准的状态汇报。 MCP是对内连工具，A2A是对外连同事。两个不冲突，是互补的。MCP现在已经成了事实标准，A2A还在追赶。 7 公司内部资料他不知道，怎么办 LLM懂的是公开知识，你公司内部的文档、最新的行业新闻、特别小众的细分领域，他都摸不着。 解决办法叫RAG，检索增强生成。 最简单的比方就是闭卷考试和开卷考试。光用LLM等于闭卷，全靠脑子里记的东西。RAG等于开卷，回答前先去翻书，找到相关段落塞进上下文里，再基于这些资料回答。 RAG 跟 Agent 的关系是这样的：RAG只是Agent工具箱里的一个工具，专门管查资料。需要查知识就调RAG，需要操作就调API，需要算东西就调代码执行器。RAG 就是 Agent 的眼睛。 8 干活时候有几种姿势 最后说说Agent具体怎么干活。三种主流模式，画面感先记住。 第一种叫ReAct，像摸着石头过河，走一步看一步。想一下、做一步、看看结果、再想下一步。优点是灵活，缺点是费Token，还可能死循环。所以做ReAct都得加保险，比如最多走15步、连续3次重复动作就退出。 第二种叫Plan-and-Execute，像拿着施工图纸进场，先看全貌再动工。先把整个计划列出来，再按图施工，省掉每一步重新思考全局的开销。比ReAct省Token得多。 第三种叫Multi-Agent，多AI协作。这个就像开公司，得有个经理在那儿调度，不然就是一群人在群里刷屏。听着很美，业内反复提醒过：能用单个强大Agent就别上Multi-Agent。多个AI互相甩锅，调试是噩梦。只有任务真的需要专业分工时才考虑。 9 把这些串起来，整张图就清楚了 LLM是大脑，Function Call是神经系统，MCP是USB接口，Skills是岗位培训，A2A是协作流程，RAG是图书馆。这一整套加起来，才是我们今天说的Agent。 理解这些词最大的价值不光是面试。是下次刷到AI新闻、老板转的链接、群里的讨论，你能听懂在说啥，能判断哪些是真有用、哪些是堆概念。 比如听到某个产品说接入了MCP，你就知道它工具生态会丰富。听到某个产品张口闭口Multi-Agent，大概率可以判断要么真懂在做分工，要么就是在炒词。 AI新词还会一茬一茬冒出来。但根上的东西是稳的：怎么让大脑接上手脚、怎么让工具标准化、怎么让多个AI协作、怎么让它能查资料、怎么让它干活有章法。把这五件事吃透，再来什么缩写你都能秒懂。 再说回为啥要搞懂这些。在一人公司这个时代，这些词其实就是你的员工手册。搞懂了Function Call和MCP，你知道怎么给AI助理装上手脚和工具。搞懂了Skills，你知道怎么把自己的方法论塞给它。搞懂了A2A，你就知道怎么给自己组建一支数字特种兵部队。 一个人，加上一队听话能打的AI员工，干以前一个团队才能干的活。这才是这波东西真正值得关注的地方。 我自己也在边用边学，有新发现再和大家聊。

00
猫宁十二
13天前
说一个暴论，AI 作为能力增幅器，不充钱只能做凡人，氪金那你就踏上了修炼之路，疯狂氪金那你就能拔地飞升。
00
猫宁十二
2月前
微信总有一股又倔又蛮那种固执劲儿，像个裹小脚的老太太，AI时代，终于慌了急了，试着要跑起来，想要继续把持入口。但就这么束手束脚，傲慢与固执依旧，想要维持地位，有那么容易吗？
微信龙虾插件，看描述似乎跟上了时代，实际上不是那么回事儿。
00
猫宁十二
2月前
好看又离谱，完全没必要的美化设计🤣
00
猫宁十二
3月前
养废3只OpenClaw小龙虾，给非技术人员养🦞的十五条忠告：
1. 核心误区一，“传统”AI 解决不了的问题，🦞更大可能解决不了；
2. 核心误区二，除了硬件，养🦞得给它买 token，就像买辆车，没油没电开不了；
3. 非技术背景，无折腾之心的，不建议养；
4. 硬要养，可以先试试Kimi家199套餐（含🦞，官方配好🦞与模型，一键启动、一键修复，手机可控），低配可以试试MiniMax家的，或者网易有道龙虾（形态偏传统的🦞安全性好），近期还会有更易上手的山寨🦞；
5. 🦞主动性强、权限高，是优点也是风险，对于非技术人员来说很危险，上述除了有道龙虾都不建议主力机安装；
6. 关于危险性，权限高、漏洞多，非技术背景用户装到主力机上，不知道什么时候，就脱光站大街了，还是自己主动脱的；
7. 买token有国内外的差异，不展开；
8. 🦞非常耗token，且“智商”不如官方应用，哪怕用推荐度最高的 Opus 4.6也不够好；
9. 🦞的爆火热炒，是硬件厂商、云平台、模型厂商、“AI导师”合谋的狂欢，他们以及渴望拥抱AI的政府、甚至提供安装服务的小哥都想挣你钱，唯独你，我的朋友，请你注意身体与钱包；
10. 养🦞就像养娃，钱包与时间缺一不可，成就感与挫败感并存；
11. 普通用户，建议多用“传统”AI，比如豆包家的专家模式，当前国产第一模型，额度不低、智商也不低，且唾手可得。
12. 养🦞有无好处，我们都想有自己的贾维斯，个人AI从未如此“平民化”，这是技术平权路上的一大步；
13. 如果能解决安全问题，我会更想把数据与硬件权限交给🦞，而非某个模型大厂；
14. 看到这儿，还想养🦞的朋友，欢迎来询，五百一只代安装🐶 （欢迎M芯片苹果电脑，低配Windows勿扰🐶）；
15. 想装在手机的可以关注小米miclaw，或者豆包手机，这条纯凑数🐶
01
猫宁十二
3月前
在办公室的一台旧电脑上部署了🦞，刚刚在🦞的建议下，使用了一条正确但愚蠢的命令，把🦞寄存的机子网络给搞没了。好了，周末夜开始焦虑的想上班去救救我的🦞🥲
00
猫宁十二
3月前
猫宁十二
6月前
00
猫宁十二
6月前
失而复得，一大快事
00
猫宁十二
6月前