09 · 全景地圖：Prompt / Skill / Agent / MCP
你現在能把一件事說清楚了（06、08）。這一章回答的是"然後呢"——那些你在各種文章裡刷到的詞，彼此是什麼關係，哪些現在就該學，哪些知道有這麼個東西就行。
一條主線：越往後越省事
用帶新人的說法，就是從"你盯著他"到"他自己跑"：
| 概念 | 帶新人 | 你要做的事 | 什麼時候用 | |
|---|---|---|---|---|
| 01 | Prompt | 當面把活交代清楚 | 每次寫一段話 | 一次性的活 |
| 02 | Skill | 給他一本 SOP 手冊 | 把規矩打包存起來，一句話觸發 | 每週都要重複的固定流程 |
| 03 | Workflow | 給他一張流程單 | 把步驟定死，一步步照著走 | 多步驟、但每次都是同樣幾步的活 |
| 04 | Agent | 放手讓他自己跑 | 給一個目標，它自己拆步驟、執行、檢查 | 多步驟、而且事先不知道有幾步 |
| 05 | MCP | 給他一張門禁卡 | 接上外部系統 | 需要連資料庫、發訊息、調工具時 |
順序不能反
先會交代，才談得上放手。 一個連需求都說不清的人，直接上 Agent 只會得到一堆更快產生的垃圾。這是本書唯一一條關於學習順序的硬建議。
順帶把最容易搞混的 03 和 04 先分清楚：區別只有一個——誰來決定走幾步。 你把步驟寫下來，就是 Workflow；讓它自己拆，就是 Agent。能寫下來的，就該寫下來。
Skill —— 值不值得打包，看頻率
你在 08 寫的那條紀要 Prompt，很好用。問題是：下次開會你還得再寫一遍。
Skill 就是把這套規矩存下來，以後一句"按我們的規範整理成紀要"就觸發。不同產品叫法不同——自定義 GPTs、智慧體、技能、專案規則檔案，本質都是同一件事：把每次都要重講的部分固化。
判斷標準簡單到不用想：
一件事你只幹一次，Prompt 就夠；一件事你每週都幹，就值得做成 Skill。
Workflow —— 大多數"自動化"其實是這個
真實的活很少只有一步：會開完 → 整理紀要 → 抽出待辦 → 按人分組 → 生成派活訊息 → 你過一眼 → 發出去。
六步，而且每次都是這六步。這種情況你要的不是一個會思考的東西，是一條流水線：每一步幹什麼、產出什麼、交給下一步什麼，全部由你事先定死。
好處很實在：錯了知道錯在第幾步、改一步不影響別的、成本能算得出來。
判斷標準跟 Skill 一樣樸素：
拿張紙，把這件事你自己是怎麼做的一步步寫下來。寫得出來，那就是一條 Workflow。
這一格詳見 Workflow 篇。
Agent —— 它是一種工作模式，不是某個軟體
你說"做份競品分析"，它自己去搜資料、整理資料、成稿、再自查一遍。中間不用你插手——這個"自己跑完全程"的狀態就叫 Agent（智慧體）。
拆開看，Agent = 會規劃（先想清楚分幾步）+ 能調工具（搜尋、讀檔案、跑程式碼）+ 能迴圈（做完看一眼，不行就改）。三樣湊齊，就是一個 Agent。
注意三點：Agent 不是一個產品名，市面上叫"XX Agent"的軟體是把這套模式封裝好了；它跑得越自主，你越要在一開始就把目標說清楚——中途你插不上手；以及最重要的一條——一件你已經知道該怎麼做的事，別交給它。那種事寫成 Workflow 更快、更便宜、錯了還能定位。
真到了要放手的時候，怎麼給目標、怎麼劃邊界、怎麼設上限、怎麼驗收，詳見 Agent 篇。
MCP —— 一個統一的插頭
模型本身什麼也做不了。想讓它查你的資料庫、發條訊息、調個內部系統，得給它接上。
以前每接一個系統都要單獨寫一遍對接程式碼，換個模型再寫一遍。MCP（Model Context Protocol）把這件事標準化了：一次開發，各家模型都能用。類比就是 USB-C——以前每個裝置一根線，現在一根線通吃。
這個你現在知道有這麼個東西就夠了。它是把 AI 從"只會說"接到"能動真格"的那道門，等你真需要連內部系統的時候再回來看——Agent 篇 04 章講了它是什麼、什麼時候需要、以及裝之前該檢查什麼。
中間還有一層：讓它"能幹活"的那些詞
上面四個是主線。你還會刷到另一批詞——它們解決的是同一個問題：怎麼讓模型的輸出能被下游程式用，以及怎麼讓它知道它本來不知道的事。
| 詞 | 一句話 | 帶新人的說法 |
|---|---|---|
| Structured Output（結構化輸出） | 逼它按指定格式（通常是 JSON）輸出，讓程式碼能直接解析 | 要求他填表，而不是寫小作文 |
| Function Calling（函式呼叫） | 模型決定"該調哪個工具、傳什麼參數"，執行由你的程式碼幹 | 他填一張工單，實際動手的是別人 |
| RAG（檢索增強生成） | 先從你的資料庫裡檢索出相關片段，再連問題一起塞給模型 | 派活時順手把相關資料夾遞給他 |
| Embedding（嵌入向量） | 把文本翻譯成一串數字，意思相近的數字也相近 | 給每份資料貼一個"語義座標" |
| 向量数据库 | 專門存這些數字、並能飛快找出"最接近的幾條" | 那個按語義排好序的檔案櫃 |
| 微调（Fine-tuning） | 用你的資料繼續訓練，改變模型本身的行為 | 送他去脫產培訓 |
這一層不是入門必需，但有兩個問題你遲早會被問到，先給你答案：
RAG 和微調，什麼時候用哪個
這是最高頻的一道題，記住這一句就不會錯：
RAG 補的是知識，微調改的是行為。
| RAG | 微調 | |
|---|---|---|
| 解決 | 它不知道我們公司的事 | 它不按我們的方式幹活 |
| 怎麼做 | 檢索資料塞進上下文 | 拿資料重新訓練 |
| 資料更新 | 改文件即可，立刻生效 | 得重新訓一次 |
| 成本 | 低 | 高，還要準備訓練資料 |
| 先試哪個 | 先試這個 | RAG 試過確實不行再考慮 |
九成的"我們要不要微調一個自己的模型"，答案是先老老實實做 RAG。
那 ChatGPT / Claude / Codex / 各種 IDE 算什麼
它們是你安排新人幹活的工位。
同一個新人，你讓他在一張便籤紙上辦公（網頁聊天框），還是給他一個配齊了流程、檔案、工具的工位（編碼類工具、企業內部平臺），產出是不一樣的。但方法在哪個工位都通用——你今天學的五要素，換到哪個工具上都成立。
有哪些工位、各自給誰用，見工具篇；怎麼挑，見 10 · 選模型、選工具。
四個階段，一張圖收口
把上面所有詞按"為什麼會出現它"排一遍，邏輯就清楚了——每個東西存在，都是因為上一階段不夠用：
四個階段：每個東西存在，都是因為上一階段不夠用
你現在在 ①②，並且已經能把 ③ 的名詞對上號。這就夠了——入門篇到此為止。
下一步
10 · 選模型、選工具，和入門期的十條鐵律 —— 最後一章，把選型和習慣一次說完。