OpenClaw、skills、workflow是炒作？一篇AI名詞祛魅帖

最近看了飛天閃客的視頻，他用一種非常接地氣的方式，把那些聽起來高大上的 AI 名詞拆解開了。如果你也被 LLM、Agent、MCP、RAG 搞暈了，看這一篇就夠了。

我們先來一波祛魅：

1. Skill并沒有那么高大上，它只是固定了Prompt，換了個地方存儲而已，算不上什么新技術。

2. 最近爆火的OpenClaw，它只是能自主干活，還沒有所謂的技術大幅突破，核心還是依賴Agent、Skill等舊概念。

3. Agent聽起來很科幻，本質就是個“傳話筒”，專門處理大模型不會、不需要智能就能完成的活兒。

4. Function Calling和MCP看似高深，其實就是“約定”——一個約定Agent和大模型怎么聊，一個約定Agent和工具怎么連。

5. 所有AI新概念，說到底都是圍繞Prompt做文章，要么幫著加上下文，要么幫著減少和大模型的溝通次數。

6. MCP和Workflow都比較雞肋，MCP未來會被內化到Agent主程序，Workflow既不如編程框架適配程序員，也不如Skill適配普通人，遲早會被淘汰。

1. 基礎概念：大模型與對話

LLM（大語言模型）：本質上是只會做“文字接龍”的超級員工。

Prompt（提示詞）：你給員工下達的任務指令。

Context（上下文）：溝通時的背景信息。

Memory（記憶）：因為大模型記不住之前的對話，所以每次溝通前，把之前的聊天歷史全塞進 Context 里，偽裝成它有記憶。

2. 進階能力：Agent 與檢索

Agent（智能體）：給大模型配一個“代理程序”。大模型負責思考，程序負責跑腿（上網、查資料、操作軟件）。

RAG（檢索增強生成）：相當于給大模型一本參考書。通過向量數據庫把相關的本地文檔找出來，塞進上下文，解決大模型胡說八道的問題。

3. 連接協議：它們是怎么“溝通”的？

這是最容易混淆的部分，博主給出了非常清晰的定義：

Function Calling（函數調用）：

【模型 ? Agent】 之間的約定。讓模型按固定格式（如 JSON）說話，方便程序解析。

MCP（模型上下文協議）：

【Agent ? 工具服務】之間的約定。像是一套標準接口文檔，規定 Agent 怎么去調用各種外部工具。

4. 任務流：從“剛性”到“柔性”

為了完成復雜任務，行業內有幾種不同的實現方式，它們的區別在于穩定性與靈活性的平衡：

模式 實現方式 特點 LangChain 純代碼編程 最穩定。流程硬編碼，但缺乏靈活性。 Workflow 低代碼拖拽 較穩定。圖形化操作，適合簡單的固定流程。 Skill（技能） 文檔 + 腳本 平衡點。把提示詞和腳本固化下來，按需加載。 Pure Agent 純自主思考 最柔性。流程自己定，但最不可控，且費 Token。

什么是 Skill？ > 飛天閃客認為 Skill 本質上是一個 Prompt 加載器。它把原本要寫在提示詞里的復雜要求和工具說明，換個地方存成了 .md 文件，需要時才讀取。

四、OpenClaw又是啥

OpenClaw（ClawdBot） 本質是基于前面提到的Agent、Skill、Memory等核心名詞，打造的“可直接落地、高易用性”的通用Agent產品，近期因“能自主干活”在GitHub爆火。

五、博主最后總結了一個看透所有新概念的統一視角：

1. 本質都是“塞”： 所有的 Search、RAG、Skill，本質上都是在幫我們自動往 Prompt 里面增加上下文信息。

2. Agent 是“智能”的對立面： 一個流程中，所有能用固定程序（不需要動腦子）解決的部分，就是 Agent 發揮作用的地方。

3. 趨勢是“便利”： 未來的趨勢不是去深究這些技術名詞，而是會出現一個“超級 Agent”，把這些亂七八糟的配置全部內化掉。

小閑認為：

這恰恰體現了 AI 已經發展到了一個階段。大模型基本上已經沒有太多的技術突破，只能往應用層發展。那應用層怎么讓普通人快速去了解？這是所有 AI 公司都在思考的問題。雖然說現在skill已經是簡化了一定程序，Openclaw 也打出了個人助手的名頭，但是對普通人來說依然有差距。我安裝 Openclaw 都安裝了好幾個小時，什么時候這之間的鴻溝能夠補齊，才是 AI 真正刺激需求的開始。