当前位置：首页 > news >正文

AI基础设施概念解析

news 2026/7/10 22:29:41

AI基础设施概念解析
一、概念对比表
概念本质作用类比
MCP 连接协议 AI连接外部工具 USB接口
Skill 能力模块可复用的AI技能 App应用
OpenSpec 开放规范定义标准接口 API文档
Harness 编排层调度多个Agent 项目经理
LoopEngine 循环引擎持续运行的AI系统自动驾驶系统
Agent 智能体自主决策执行员工
Workflow 工作流任务流程编排流水线
二、详细解析
1. MCP (Model Context Protocol)
是什么：Anthropic推出的连接协议，让AI能调用外部工具
// MCP Server示例
{
"name": "github-mcp",
"tools": [
{
"name": "create_issue",
"description": "创建GitHub Issue",
"parameters": {
"repo": "string",
"title": "string"
}
}
]
}
实际应用：
- Claude通过MCP连接GitHub，直接创建Issue
- Claude通过MCP连接数据库，执行SQL查询
- Claude通过MCP连接文件系统，读写文件
2. Skill (技能)
是什么：可复用的AI能力模块，封装特定功能
# Skill: 翻译助手
## 触发条件
当用户说"翻译"、"translate"时触发
## 执行步骤
1. 识别源语言和目标语言
2. 调用翻译API
3. 返回翻译结果
## 依赖工具
- MCP: 翻译API
- MCP: 语言检测API
实际应用：
- 你可以说"帮我把这段话翻译成英文"，AI自动调用翻译技能
- 你可以说"帮我生成一张图片"，AI自动调用图像生成技能
3. OpenSpec (开放规范)
是什么：定义标准接口格式，让不同系统能互操作
# OpenAPI 3.0规范示例
openapi: 3.0.0
info:
title: AI Agent API
paths:
/agent/chat:
post:
summary: 与Agent对话
requestBody:
content:
application/json:
schema:
type: object
properties:
message:
type: string
agent_id:
type: string
实际应用：
- 定义Agent的标准接口，让不同厂商的Agent能互操作
- 定义MCP工具的标准格式，让不同工具能被统一调用
4. Harness (编排层)
是什么：调度多个Agent，管理任务流程
# Harness编排示例
class AgentHarness:
def execute_task(self, task):
# 1. 分析任务
agents_needed = self.analyze_task(task)

# 2. 分配Agent
results = []
for agent_type in agents_needed:
agent = self.get_agent(agent_type)
result = agent.run(task)
results.append(result)

# 3. 合并结果
final_result = self.merge_results(results)
return final_result
实际应用：
- AutoGPT：最早的自主Agent框架
- MetaGPT：模拟软件开发团队
- CrewAI：多Agent协作框架
5. LoopEngine (循环引擎)
是什么：让AI系统持续运行，不断执行任务
# LoopEngine示例
class LoopEngine:
def __init__(self, agents):
self.agents = agents
self.running = True

def run(self):
while self.running:
# 1. 获取任务
task = self.get_task()

# 2. 分配Agent
agent = self.select_agent(task)

# 3. 执行任务
result = agent.execute(task)

# 4. 反馈学习
self.learn_from_result(result)

# 5. 等待下一个任务
self.wait()
实际应用：
- 自动驾驶系统：持续感知、决策、执行
- 智能客服系统：持续处理用户请求
- 监控系统：持续监控异常
6. Agent (智能体)
是什么：能自主感知、决策、执行的AI实体
# Agent示例
class Agent:
def __init__(self, name, tools):
self.name = name
self.tools = tools

def perceive(self, environment):
# 感知环境
return environment.get_state()

def decide(self, perception):
# 决策
return self.plan_action(perception)

def act(self, decision):
# 执行
return self.execute_action(decision)
实际应用：
- ChatGPT：对话Agent
- GitHub Copilot：代码Agent
- 自动驾驶汽车：物理世界Agent
7. Workflow (工作流)
是什么：定义任务的执行流程
# Workflow示例
name: 内容生成工作流
steps:
- name: 需求分析
agent: 分析师Agent
input: 用户需求

- name: 内容创作
agent: 写手Agent
input: 分析结果

- name: 内容审核
agent: 审核Agent
input: 创作内容

- name: 发布
agent: 发布Agent
input: 审核通过的内容
实际应用：
- n8n：可视化工作流引擎
- Dify：AI工作流平台
- FastGPT：知识库工作流
三、架构关系图
┌─────────────────────────────────────────────────────────────┐
│ 用户请求 │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ LoopEngine (循环引擎) │
│ 持续运行，不断执行任务 │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ Harness (编排层) │
│ 调度多个Agent，管理任务流程 │
└─────────────────────────────────────────────────────────────┘
↓ ↓ ↓
┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ Agent 1 │ │ Agent 2 │ │ Agent 3 │
│ 代码助手 │ │ 文档助手 │ │ 数据助手 │
└─────────────┘ └─────────────┘ └─────────────┘
↓ ↓ ↓
┌─────────────────────────────────────────────────────────────┐
│ Skill (技能层) │
│ 可复用的AI能力模块 │
└─────────────────────────────────────────────────────────────┘
↓ ↓ ↓
┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ 翻译技能 │ │ 图像生成 │ │ 代码生成 │
└─────────────┘ └─────────────┘ └─────────────┘
↓ ↓ ↓
┌─────────────────────────────────────────────────────────────┐
│ MCP (连接层) │
│ 统一接口，连接各种外部工具 │
└─────────────────────────────────────────────────────────────┘
↓ ↓ ↓
┌─────────────┐ ┌─────────────┐ ┌─────────────┐
│ GitHub │ │ 数据库 │ │ 文件系统 │
└─────────────┘ └─────────────┘ └─────────────┘
↓ ↓ ↓
┌─────────────────────────────────────────────────────────────┐
│ OpenSpec (规范层) │
│ 定义标准接口格式，让不同系统能互操作 │
└─────────────────────────────────────────────────────────────┘
四、实际应用示例
示例1：智能客服系统
用户提问
↓
LoopEngine (持续监听)
↓
Harness (分配Agent)
↓
Agent (理解问题)
↓
Skill (调用知识库)
↓
MCP (查询数据库)
↓
OpenSpec (返回标准格式)
↓
Agent (生成回答)
↓
用户收到回答
示例2：内容生成系统
用户需求
↓
LoopEngine (持续运行)
↓
Harness (编排工作流)
↓
Agent 1 (需求分析)
↓
Skill (市场调研)
↓
MCP (调用搜索引擎)
↓
Agent 2 (内容创作)
↓
Skill (写作助手)
↓
Agent 3 (内容审核)
↓
Skill (质量检查)
↓
Agent 4 (发布)
↓
MCP (发布到平台)
↓
内容发布完成
五、一句话总结
- MCP = 让AI能"插电"使用外部工具
- Skill = AI学会的"具体技能"
- OpenSpec = 工具间的"通用语言"
- Harness = 多个AI协作的"指挥官"
- LoopEngine = AI系统的"持续运行引擎"
- Agent = 能自主行动的"AI员工"
- Workflow = 任务执行的"流水线"