Prompt：对话的起点
在最初，大模型更多以对话机器人的形式出现。用户输入一句话，即 User Prompt（用户提示词） ，模型基于这段话生成回复。比如在对话框里输入“我想复习一下线性代数的基础”，模型会给出相应的学习建议。
然而，这种回答通常中规中矩，缺乏情境化。为此，开发者引入了 System Prompt（系统提示词） 的概念，用于设定模型的角色、语气和背景信息。比如，当系统设定为“你是一位大学数学助教”，同样的问题会得到更贴合身份的回答：“我们可以先从矩阵的基本运算开始，你要不要先试一道例题？”
System Prompt 让模型具备“人设”，使对话更自然、更符合场景。多数情况下，它由系统预设，但部分平台也允许用户进行个性化设置。
比如在 trae 中我想要让 AI 扮演 Github 助手帮我提交代码，相关的提交细节我都放在系统提示词中让它时刻遵循：
RAG：让模型“带着资料回答”
虽然 Prompt 能设定场景，但模型的知识范围仍受限于训练数据，容易“编造”信息。为了解决这个问题，出现了 RAG（Retrieval-Augmented Generation，检索增强生成） 。
举个例子：如果你问“React 19 有哪些新特性？”，没有 RAG 的模型可能会乱编，而有 RAG 的系统会先去查 React 官方文档，再基于检索到的真实信息回答你。
在这里 chatpgt 就基于了官方文档来进行回答
Agent：从回答到行动
Prompt 和 RAG 解决了“如何更好回答”的问题，但模型仍然停留在文字层面，它能给出建议，却无法真正执行操作。于是，Agent（智能体） 的概念被提出。
Agent 的作用不仅是生成文字，而是具备一定的自主性，可以协调模型与外部工具完成任务。以一个日常场景为例：如果你希望“帮我整理下载文件夹，把图片和文档分类好”，传统模型会告诉你怎么做，而一个 Agent 可以真正调用电脑的文件管理函数来执行。
实现方式是这样的：开发者会为 Agent 提供一系列工具函数，例如“列出文件”“移动文件”等，并将这些函数的描述告知模型。当你下达任务时，模型会按照规则生成调用请求，Agent 解析后真正执行，再把结果反馈给模型。模型据此决定下一步动作，直到完成整个任务。
比如在 Cursor 的聊天栏里的我们能看到模式选择面板。
当前模式：Agent（已选，推荐）—“Plan, search, build anything”。让 AI 代理自主规划、搜索并执行操作。
Function Calling：让调用更规范
早期 Agent 主要依赖 System Prompt 来告诉模型如何调用工具，但模型本质上是概率生成的语言模型，难免会输出格式不规范的调用请求。通常的解决方案是“出错就重试”，但这种方式既低效也不够稳定。
为了解决这一问题，大模型厂商提出了 Function Calling（函数调用） 功能。它通过结构化的方式，把工具的定义与调用格式标准化：
- 工具的名称、描述、参数都用 JSON 定义模型调用工具时，必须严格遵守这个格式
这样一来，模型调用工具时更准确，服务端也能更容易地检测与处理错误，大大提升了稳定性与效率。如今 Function Calling 已经成为主流方案，但由于尚无统一标准，不同厂商的实现方式仍存在差异。
而 Cursor 通过 标准化函数调用 让模型操作工具：
{ "name": "run_code", "arguments": { "language": "python", "code": "print(1+1)" }}- 模型输出这个 JSONCursor 收到后执行代码返回结果给模型，再生成自然语言说明
Function Calling 保证模型调用工具时格式规范，避免执行出错。
MCP：连接 Agent 与工具的桥梁
在实际应用中，工具往往需要被多个 Agent 共享。例如“网页搜索”就是一个通用工具，不可能在每个 Agent 中都重复实现。于是，人们提出了将工具独立出来，以服务的形式提供。这就需要一个通信协议来规范 Agent 与工具服务之间的交互，MCP（Model Context Protocol，多通道协议） 应运而生。
MCP 规定了 Agent（MCP Client）与工具服务（MCP Server）如何通信。它不仅能让 Agent 调用工具函数，还能提供文件、数据资源甚至提示模板。MCP 可以在本地通过输入输出通信，也可以通过网络接口实现。需要强调的是，MCP 本身并不直接与模型交互，它的职责是管理工具与资源，让 Agent 能够高效地调度和使用。
在 trae 中的 MCP 市场中我们能看到许多热门 MCP 工具：
它们能提供如 Puppeteer（浏览器自动化等）、GitHub（仓库管理等）、Figma（助力设计）等各类工具，方便开发者集成使用以实现不同功能。
一个完整的协作流程
为了更直观地理解，不妨用一个场景来串联这些概念。假设用户对 Agent 说：“帮我查一下这周末上海的天气，并发一封提醒邮件给我。”
- 用户输入 User Prompt。Agent 通过 MCP 获取可用工具的信息，比如“天气查询接口”和“邮件发送接口”。Agent 将工具描述与用户请求一并传递给模型。模型生成调用天气工具的请求。Agent 解析请求并调用 MCP Server 的天气服务，得到结果。模型根据天气结果生成下一步调用：发送邮件。Agent 执行邮件发送工具，将提醒发送到用户邮箱。最终，Agent 把结果返回用户：“已为你发送邮件，提醒你周末出门注意带伞。”
在这个过程中：
- Prompt 负责沟通意图RAG 让模型回答更准确Agent 负责调度与执行Function Calling 提供标准化的调用方式MCP 充当 Agent 与工具之间的桥梁
小结
有人担心AI的进步会取代人类工作，带来焦虑和恐惧。但从技术角度看，Prompt、Agent、MCP等技术的出现，正是让AI更好地服务于人类的工具。它们不是彼此取代，而是像齿轮一样相互配合，推动AI自动化协作不断前进。
