AI Agent的四种知识来源解析

AI Agent 的四种知识来源，一张决策法则分清 · Skills - 操作手册 · MCP - 双手 · RAG - 资料库 · Memory - 实战经验 来自 IBM Technology...

AI Agent 的四种知识来源，一张决策法则分清 · Skills - 操作手册 · MCP - 双手 · RAG - 资料库 · Memory - 实战经验 来自 IBM Technology 的视频，10 分钟内把 Skills | MCP | RAG | Memory 四个概念和在 AI Agent 中各自发挥的作用，完全讲明白！ youtube.com/watch?v=X4FVEE… Skills：教 Agent“怎么做一件事” Skill 的定义是：一组交给 Agent 的针对特定任务的指令，有时附带一些代码。它包含两部分——要遵循的步骤，以及关于何时遵循、何时停手的判断。 关键机制是“渐进式披露”：Agent 只在任务真正需要时才把该 Skill 加载进来，而不是常驻上下文。视频中的例子是一个“分诊 Skill”：第一步查错误率，第二步检查最近的部署状态；同时它还携带判断力——当 Agent 该停止自行摸索、转而升级给真人处理时。 IBM 强调，这类信息不在模型的训练数据里，所以 Skill 是把组织内部的操作知识结构化地交给 Agent 的方式。但也点出 Skill 的边界：它能告诉 Agent 去查错误率，却没法让 Agent 真的摸到那个仪表盘。Skill 解决“知道该做什么”，不解决“够得着”。 MCP：让 Agent“够得着外部世界” MCP 解决的是连接与行动问题。其架构是：Agent 作为 MCP host，中间隔着一层标准化协议，外部每个系统各坐落在一个 MCP server 后面。模型本身未必知道怎么查询某个带日志栈的后端，但那个日志栈的 MCP server 知道，并把这个能力暴露成 Agent 可以调用的接口。 回到 500 错误的场景：Skill 说要查错误率，MCP 则让 Agent 通过协议调用真正取回日志、拿到指标、读到真实的错误率。讲者随后指出新的缺口：Agent 现在能查数据了，但它仍然不了解这套系统的“脾气”——什么算正常、依赖关系是什么、这类问题以前是什么原因导致的。 RAG：让 Agent“查到写下来的知识” RAG 的理念与开头批评的“全塞进上下文”形成直接对照：不是预先塞满，是按需拉取。Agent 提出问题，系统对组织自己的文档集合（手册、依赖关系图等）做语义搜索，把匹配的相关片段返回到 Agent 的上下文窗口里。 IBM 视频中 RAG 读的是向量数据库中的文档，而那些文档是由人主动放进去的。 Memory：让 Agent“积累自己的经验” Memory 表面上很像 RAG，都是需要时拉取相关知识。但 IBM 给出的区分标准是知识的来源： · RAG 读的是人刻意存放的文档（显性知识）； · Memory 是 Agent 自己在过往经历中攒下的东西（经验性知识）。 场景例子很具体：上次同样的 500 错误，真正的原因并不在任何运维手册里，而是“硬啃出来的”；Memory 记录了这个艰难的排查过程。而且 Memory 是双向的：错误修复后，Agent 会把这次的实际解法写回记忆，供下次使用。IBM 总结为一句话：经验在 Agent 的记忆中不断沉淀。 四句话的决策法则 · 有人写下来的知识 → RAG · Agent 从经验中攒下的知识 → Memory · 可重复遵循的流程 → Agent Skill · 需要去真实世界查证/操作且不想写专有代码 → MCP 💬 1 🔄 1 ❤️ 0 👀 289 📊 2 ⚡