原帖 ｜ Jason ｜ 2026-03-04 10:27 ｜ 👍3 ｜ 阅读约1
AI 这么火，那企业级 AI 是怎么搭建的呢？我们用实例保证给你讲明白。
我们这次介绍几个 AI 应用开发的关键词：agent，MCP，skills，rag
如图所示，展示了最小智能体的工作流程，以 agent 为核心，公司自己挂私有系统开出来的 MCP 上去，再挂载 skills，rag 知识库进去，让 agent 自己规划并工作，给出结果。
其中 agent 可以使用 opencode，roo code，或者 Claude code 的 agent sdk：
我们为什么选择开源的 agent 呢？因为 AI 迭代的实在是太快了，我们自己做 agent 虽然可以定制化，但可能赶不上人家迭代的速度。这个方案只需要在每次外部更新 agent 时拿过来用即可，成本最低利益最大化。
我们再继续解释什么是 MCP，skills，rag 知识库。
以财务人员的工作为例，MCP 可以理解为你们公司原有的财务系统开出来的接口，agent 可以自己决定什么时候去财务系统拿数据。也就是说 MCP 就是一个外部系统开的接口，如公司的 wiki 系统，公司的问题单系统，agent 自己决定什么时候去这个接口拿数据，或者你提示 agent 通过 MCP 去拿数据。agent 通过 MCP 随时可以拿到最新的数据。
skills 可以简单理解为工作流，以财务人员为例，假设这个财务人员需要做一个 excel 表，他原本需要先查询 A B C D E 五个表，然后查询财务制度和规范，然后才能做出自己的表。那现在他可以把这个工作流程写成 skills 固化下来，然后把这个 skills 挂给 agent，那么 agent 就知道这个财务人员的日常工作流程是什么，后续 agent 可以自己按照你的工作流程开始干活，做出表给你。如果你有不同的工作流，就写不同的 skills 挂给 agent 即可。这一步是最宝贵的东西。
rag 知识库则比较简单，比如你们公司过去积累了很多财务分析数据，公司规章制度，问题解决方法等，都是很宝贵的私密资料。可以把这些资料向量化成知识库，通过 rag 技术检索它，可以拿到匹配的信息，导入上下文中。简单讲，可以理解为你们突然多了个同事，这个同事脑子里有你们公司过去几十年积累的资料，有问必答。我们把这个知识库挂给 agent，agent 可以去这个知识库检索所需要的信息，能够知道你们积累的历史信息做参考。
当 agent 通过 MCP 拿到信息，又有 skills 的工作流程，又有 rag 知识库的信息，所有的信息汇集在一起，再丢给 deepseek 或者 ChatGPT 大模型，然后拿到返回结果。agent 可以自己决定【多轮】和 deepseek 沟通，直到 agent 觉得工作完成了，给你最终的结果。
最可怕的是，agent 一直在变强，规划任务的能力也一直在变强。另外，我上面只说了单 agent 系统，实际上落地的系统一般都是多 agent，你可以在任意流程任意环节，只要你需要，就可以开 sub_agent 去做事，类似多个员工一起配合去做事，只是多 agent 有点烧 token，各位可以看看自己的钱包再决定是否导入多 agent。
相关笔记
- 📁 返回本主题 MOC
- Matt Pocock Skills零基础入门教程
- 前面的 agent + MCP + skills + RAG 知识库的 AI
- 嵌入式开发Skill开发指南
- 之前我们完整梳理过 AI 应用商业级落地的核心技术栈
- AI编程提效工具：CodeGraph与Claude Code Setup
- 搞嵌入式的同学，有没有想过让 AI 帮你写驱动、读内核代码、找 Segfault