前两篇文章我们搞懂了大模型是什么、怎么选。但大模型就像一台发动机——光有发动机跑不起来，你需要把它装到车上、配上方向盘、挂上挡。

这篇文章我们就来看看：怎么把大模型变成真正能用的工具？

Prompt：跟AI对话的技巧

你每次在ChatGPT里输入的文字，就叫做Prompt（提示词）。

Prompt看起来很简单——不就是打字聊天吗？但实际上，你怎么提问，直接决定了AI回答的质量。这就是Prompt Engineering（提示词工程）——一门专门研究"怎么跟AI高效对话"的学问。

好的Prompt通常包含三个要素：背景 + 任务 + 要求。

对比一下：

• 差的Prompt：“帮我写个邮件”
• 好的Prompt：“你是市场部经理，请给客户写一封关于下周产品发布的邀请邮件，语气正式，控制在300字以内”

差别很明显：后者告诉了AI你是谁、要干什么、有什么限制。AI拿到的信息越充分，给出的回答就越靠谱。

还有一个你可能不知道的概念：System Prompt（系统提示词）。这是产品在后台给AI设定的"隐藏指令"——你看不到，但它决定了AI的"人设"和行为规则。比如ChatGPT的System Prompt可能包含"你是一个有用的AI助手，不要生成有害内容"这样的指令。这就是为什么不同的AI产品即使用的是同一个模型，表现也会不一样。

Skill、Plugin 和 MCP：给AI装装备

除了直接打字对话，现代AI产品还提供了更多能力扩展方式。

Skill（技能）/ Custom Instructions（自定义指令） 是把好的Prompt封装成可复用的模板。比如你经常让AI帮你做代码审查，你可以把这个任务"保存"成一个Skill，以后一键调用，不用每次重新输入一大段指令。Claude Code里的各种技能（如自动提交代码、生成PR）就是典型的Skill。

Plugin（插件） 则是给AI产品加装的功能模块。比如ChatGPT的联网搜索插件、代码解释器插件——它们让AI不再只能靠自己的训练数据回答问题，而是能获取实时信息、运行代码。

MCP（Model Context Protocol，模型上下文协议） 是一个更新的概念。你可以把它理解成一个"万能插座"——它定义了一套标准接口，让任何AI模型都能即插即用地连接各种外部工具和数据源。以前每接一个工具都要单独开发适配，有了MCP，工具的开发者只要做一次适配，所有支持MCP的AI模型就都能用了。

简单来说：Skill封装的是"怎么用"，Plugin加的是"新能力"，MCP统一的是"连接方式"。

多模态：AI不只能读懂文字

早期的AI模型只能处理文字，但现在的先进模型已经具备了多模态能力——能同时理解和处理文字、图片、语音、视频。

GPT-4o就是一个多模态模型：你可以发一张图片给它说"解释这张图表的含义"，或者直接语音对话。Google的Gemini也是多模态的，还能处理视频内容。

多模态的意义在于：你不再需要用文字描述一切，可以直接给AI"看"和"听"，交互方式更自然。

RAG：让AI"开卷考试"

大模型有一个明显的短板：它的知识有截止日期，也不知道你公司的内部资料。GPT-4的训练数据截止到某个时间点，你问它昨天发生的事它不知道；你问它你们公司的报销流程，它更不知道。

RAG（Retrieval-Augmented Generation，检索增强生成） 就是为了解决这个问题。

打个比方：纯LLM回答问题就像闭卷考试——只能靠脑子里记住的东西。RAG则像开卷考试——先去资料库里翻一翻，找到相关内容，再基于找到的资料来回答。

具体流程是这样的：

1. 用户提问：“我们公司的年假政策是什么？”
2. 系统先从知识库（公司规章制度文档）中搜索与"年假"相关的内容
3. 把搜索到的相关片段和用户的问题一起打包（还记得文章2讲过的上下文窗口吗？检索到的资料就要塞进这个窗口里）
4. 发给LLM，让它基于这些资料生成回答

这样AI就能准确回答关于你公司内部信息的问题了。知识库问答就是RAG最典型的应用场景——很多企业用它来做内部客服、文档搜索、HR政策咨询等。

Agent：能自主行动的AI

如果说Prompt是"你问一句AI答一句"，RAG是"AI能查资料再回答"，那**Agent（智能体）**就是"AI能自己规划并执行一整套任务"。

Agent的核心能力是自主性：你只需要给它一个目标，它会自己拆解任务、选择合适的工具、逐步执行、检查结果，遇到问题还会自己调整方案。

举个例子：你跟Claude Code说"帮我实现一个用户登录功能"。

作为Agent，它不会直接生成一段代码就完事，而是会这样工作：

1. 理解任务：需要实现登录功能
2. 规划步骤：先看现有代码结构 → 设计接口 → 写后端代码 → 写前端页面 → 写测试
3. 选择工具：需要读文件、写代码、运行测试
4. 逐步执行：按照规划一步步操作
5. 检查结果：运行测试，如果有bug就自动修复
6. 汇报完成：告诉你做了什么

Workflow（工作流） 和Agent密切相关——它把多个步骤串成一条自动化流水线。比如Dify这样的低代码平台，就让你用拖拽的方式搭建AI工作流：用户提问 → 意图识别 → 分流到不同处理分支 → 调用知识库 → 生成回答。整个过程自动执行，不需要人介入。

护栏与评估

当AI被用到实际业务中，两个问题变得很重要：安全和质量。

护栏（Guardrails） 是给AI设定的安全边界。就像公司给员工的行为规范手册一样，护栏限制了AI能输出什么内容——比如不能输出敏感信息、不能生成有害建议、不能越权操作。在企业应用中，护栏是必不可少的。

衡量AI回答质量，有两个常用指标：

• 准确率（Precision）：AI回答的内容中，有多少是正确的。类比：考试做对的题占做过的题的比例。
• 召回率（Recall）：所有相关的内容中，AI找出了多少。类比：考试覆盖了多少个考点。

这两个指标经常需要平衡——回答得太"保守"可能准确率高但召回率低（很多正确答案没给出来），回答得太"大胆"可能召回率高但准确率低（给了一堆不相关的东西）。

其他概念速览

几个你可能会听到的术语，这里简单提及：

• Fine-tuning（微调）：用特定领域的数据对模型做"专业培训"，让它在某个领域更专业。类比：普通医生进修成了专科医生。
• Function Calling / Tool Use（工具调用）：让AI能主动调用外部工具——搜索引擎、计算器、数据库等。类比：给助手配了个计算器，遇到算数它就会自己用。
• Multi-Agent（多智能体）：多个AI Agent协作完成复杂任务，各司其职。类比：一个项目组里不同角色分工合作。

小结：怎么选？

你的需求	用什么	典型场景
日常问答、写作辅助	Prompt	直接用ChatGPT/Kimi聊天
需要基于私有资料回答	RAG	企业知识库问答、内部文档搜索
需要AI自动完成复杂任务	Agent	AI编程、自动化工作流、研究助理
需要处理图片/语音/视频	多模态模型	图表分析、语音交互

没有银弹——简单场景用Prompt就够了，复杂场景才需要RAG或Agent。不要为了用技术而用技术。

下一步

现在你已经了解了AI从模型到应用的全链路。但AI并不完美——它会"胡说八道"、会有偏见、会泄露隐私。下一篇我们会聊聊AI的局限，以及如何跟AI安全共事。

延伸阅读：文章2：大模型是什么 | 文章4：AI的局限——如何与AI共事