AI 应用概念入门

本文说明使用捷智算 模型 API 服务 时常见的相关概念：知识库、RAG、Agent、Skill、MCP 等，以及它们与「直接调用大模型接口」的关系。

与 Token、计费相关的说明见 模型与 Token 入门；接入步骤见 快速开始。

能力与层级关系

从下到上，可以粗分为四层：

┌─────────────────────────────────────────────────────────┐
│  应用形态：智能客服、企业问答、Cursor、Dify 工作流…      │
├─────────────────────────────────────────────────────────┤
│  智能体 Agent：理解目标 → 拆任务 → 决定查什么、调什么    │
├─────────────────────────────────────────────────────────┤
│  能力组件：RAG / 知识库检索、Skill、Function Calling…    │
├─────────────────────────────────────────────────────────┤
│  连接层：MCP（统一接工具/数据的标准方式）                │
├─────────────────────────────────────────────────────────┤
│  大模型 API：读文字、写文字（如捷智算 mass.gogpu.cn）    │
└─────────────────────────────────────────────────────────┘

捷智算模型 API 主要提供最底层：大模型对话能力（按 Token 或套餐计费）。
知识库、RAG、Agent、MCP 等能力，通常由 Dify、OpenClaw、自研系统 等业务应用实现；生成回答时，可调用捷智算 模型 API（https://mass.gogpu.cn）作为大模型服务。

大模型（LLM）与模型 API

说法含义
大模型 / LLM经过海量文本训练的语言模型，能根据您给的文字 续写、回答、总结
模型 API通过 HTTP 请求调用大模型并获取输出；按 Token 套餐或按量计费

捷智算 模型 API（https://mass.gogpu.cn）提供多模型对话能力；知识库、智能客服系统等完整应用需另行搭建或选用 Dify、OpenClaw 等产品。

知识库

是什么

知识库 = 您希望 AI 参考的专属资料集合，例如：

  • 产品手册、内部 Wiki、制度文件
  • 客服话术、FAQ、工单历史
  • 技术文档、API 说明、标书模板

这些资料 不在 大模型出厂训练数据里，或需要 经常更新，所以不能只靠模型「凭记忆回答」。

和「直接问 ChatGPT」的区别

直接问通用大模型接知识库
只能依赖训练时学过的公开知识可基于 您自己的文档 回答
容易过时、不知道公司内部规定资料更新后，检索侧更新即可（配合 RAG）
可能编造看似合理的内容若设计得当，可 标注引用来源

知识库本身是 存文档、做检索 的系统；要让大模型 用 检索结果来回答，通常还要配合下面的 RAG。

RAG（检索增强生成）

一句话

RAG（Retrieval-Augmented Generation，检索增强生成）指：在生成回答前，先从您的文档库中 检索相关内容，再连同用户问题一并提交给大模型，由模型 依据检索结果 生成回答，而不是仅依赖模型训练时的固定知识。

处理流程

阶段说明
1. 建库将 PDF、Word、网页等文档 切分 并建立可检索索引
2. 提问用户提交问题
3. 检索在知识库中匹配 语义最相关 的文档片段
4. 生成将 问题与检索片段 一并提交大模型并生成回答

简化数据流：

您的文档 → 切片 → 建立索引（知识库）
                         ↑
用户问题 → 检索最相关片段 ─┘
         → 连同片段发给大模型 → 回答（最好带引用出处）

能解决什么问题

问题RAG 的作用
模型不知道公司内部制度检索内部文档再答
训练数据有「截止日期」新文档入库即可用
「胡说八道」（幻觉）有资料约束，并可核对来源
微调成本高多数企业问答 先上 RAG，再考虑微调

和「微调」怎么选（简表）

RAG微调（Fine-tuning）
本质让模型 查外部资料让模型 把知识写进权重
更新知识更新文档 / 索引，较快往往要重新训练，成本高
适合企业知识问答、文档助手、客服固定语气、格式、行业术语风格
建议多数场景先试 RAGRAG 不够再评估微调

和捷智算的关系

  • RAG 的「生成」一步 需要调用大模型 → 可使用捷智算 模型 API。
  • 切片、向量库、检索、编排 一般在 Dify、FastGPT 或自研系统中完成，需自行部署与维护。
  • 检索质量直接影响回答质量：若检索到的片段与问题无关，模型输出也可能错误。

语义检索相关术语（选读）

搭建知识库或 RAG 时，方案说明里常出现 Embedding、向量、向量数据库 等词。下面用直观说法帮助对照理解（不涉及公式与实现细节）：

词说明
Embedding把一段文字变成一串数字，让 意思相近 的文字在数学上「离得近」
向量检索用问题的向量去库里找 最相似 的文档片段（不限于相同关键词）
向量数据库专门存这些数字、做快速相似搜索的库

举例：用户问「怎么退费」，库里可能有「退款流程」——字面不同，语义相近，向量检索更容易找对。

Agent（智能体）

是什么

Agent（智能体） 指一类 会自己拆任务、选步骤、再调用工具或模型 的应用，而不只是「问一句答一句」。

典型过程：

  1. 理解 您的目标（如「整理上周销售邮件并写摘要」）
  2. 规划 分几步做（先读邮件 → 再分类 → 再写摘要）
  3. 执行 调用搜索、数据库、发邮件、调大模型 等
  4. 根据结果调整 下一步（部分产品支持多轮反思）

和 RAG、知识库的关系

  • 需要查阅文档时，Agent 可调用基于知识库的 RAG 能力。
  • 也可不依赖知识库，仅调用工具、API 或大模型完成其他任务。

Skill（技能）

行业里的常见含义

Skill 通常指 一项边界清楚、可复用的能力，完成 一类固定或半固定任务，例如：

  • 「按公司模板写周报」
  • 「根据 SKU 查库存并回复话术」
  • 「按规范审查合同条款」

特点：

特点说明
范围明确擅长一件事，不是什么都做
可被 Agent 调用作为完成子任务的能力模块
可编排多个 Skill 组合成复杂流程

与 Agent、MCP 的区别

概念说明
大模型负责理解与生成自然语言
Skill规定某类任务的步骤与输出要求
MCP以标准协议连接外部工具与数据源
Agent拆解任务并调度 Skill、工具与大模型

常见分工如下（各产品实现可能不同）：

  • MCP 解决「能连上什么」（数据库、Git、浏览器、内部 API）
  • Skill 解决「连上之后怎么做事」（步骤、注意事项、输出格式）
  • Agent 决定「当前该不该用哪个 Skill / 工具」

和 Cursor 等工具里的「Skill」

部分开发工具（如 Cursor）里的 Skill，是为 AI 助手准备的 结构化说明（何时用、怎么做、参考哪些规范），帮助助手在特定场景下更稳定地执行任务。思想与上文的「可复用能力单元」相近，但 绑定在具体产品里，不必与别的平台的 Skill 混为一谈。

MCP（Model Context Protocol）

是什么

MCP（Model Context Protocol，模型上下文协议）是 Anthropic 等推动的 开放标准，用来让 AI 应用（Host） 以 统一方式 连接 外部工具和数据（Server）。

MCP 用于统一 AI 应用与外部工具、数据源之间的连接方式：工具提供方实现 MCP Server，支持 MCP 的客户端（如 Cursor、Claude Desktop）即可按同一协议调用。

三类能力

类型作用举例
Tools（工具）AI 主动调用，会产生操作创建工单、执行 SQL、发 HTTP 请求
Resources（资源）AI 读取 的数据文件内容、配置、只读查询结果
Prompts（提示模板）预置好的 工作流提示「按此模板做 Code Review」

调用过程说明

您在 Cursor / Claude 里提问
    → AI 判断是否需要外部能力
    → MCP 客户端连接对应 MCP Server（可能需您确认）
    → Server 执行（读文件、调 API 等）把结果返回
    → AI 结合结果继续生成回答

MCP 和 RAG、Function Calling 的关系

概念关系
Function Calling大模型「可以决定调用哪个函数」的能力；很多产品内置
MCP把「连哪些工具、怎么传参」 标准化 的协议层，常建立在类似能力之上
RAG检索文档再生成 的一种架构；可以把检索服务 封装成 MCP Server，供 Cursor 等调用

三者 不是互斥：例如 Agent 通过 MCP 调用「知识库检索工具」，检索逻辑本身是 RAG。

和捷智算模型 API 的关系

  • 捷智算 模型 API 提供的是 对话补全（OpenAI / Anthropic 兼容地址），不是 MCP Server。
  • 您在 Cursor 里配置 MCP，同时把 模型地址 指向 https://mass.gogpu.cn，是 两条线：
    • MCP：接工具与数据
    • 模型 API：接大模型推理与计费

OpenClaw 与 Hermes Agent

二者都是 智能体（Agent）方向 的开源方案，但分工不同；捷智算当前 直接提供 OpenClaw 云主机镜像，Hermes 一般在 GPU 云主机上 按官方文档自装。

OpenClaw：个人助手网关

OpenClawopen in new window 是运行在云主机上的 AI 助手网关，主要能力包括：

能力说明
Gateway统一管会话、工具、Skill、部分 MCP
多渠道可对接飞书、钉钉等（以版本与配置为准）
模型接入可配置在线模型 API 或本机 Ollama

捷智算：购买云主机 → 镜像选 ubuntu22-openclaw → 开机按实例内指引使用，详见 OpenClaw 部署指南。
若要用控制台 模型广场 里的多模型并统一账单，在 OpenClaw 里配置 https://mass.gogpu.cn/v1 + sk- 密钥，见 智能体与 OpenClaw。

Hermes Agent：偏执行与沉淀的运行时

Hermes Agent（如 Nous Research 社区项目open in new window）侧重 任务执行、技能沉淀、长期记忆 等，和 OpenClaw 的「多渠道 inbox」侧重点不同。复杂场景里也有人 OpenClaw 管接入与编排，Hermes 管深度任务。

名称说明

  • Hermes Agent：智能体软件框架
  • Hermes 模型系列：模型权重名称，与框架不是同一概念
  • React Native Hermes 引擎：与本文无关

大模型仍可接 捷智算模型 API 或本机推理；镜像与对接步骤见 智能体与 OpenClaw。

低代码平台：Dify、FastGPT 等

平台类型通常已包含您仍需
Dify、FastGPT、MaxKB 等知识库、RAG 流程、部分 Agent 编排配置 模型 API 地址 + 密钥（可填捷智算）
Cursor、Claude Desktop编辑器 / 对话 + MCP配置模型提供商与 MCP Server
OpenClaw（ubuntu22-openclaw 镜像）预装助手网关、体验额度Ollama 和/或 捷智算模型 API
Hermes Agent自部署运行时大模型可接本地或 捷智算模型 API
完全自研全部自建自研检索与业务逻辑 + 调用捷智算 API

产品边界：捷智算提供 GPU 云主机（含 OpenClaw 镜像）与模型 API 计费；知识库、RAG 与智能体编排通常在 Dify、OpenClaw 等应用层完成。

一张表速查

术语说明
大模型 API通过 HTTP 调用大模型对话能力；捷智算地址为 https://mass.gogpu.cn
知识库存放企业文档等专属资料，供检索或 RAG 使用
RAG检索文档后再生成回答
Agent可自动拆解任务、多步调用工具或模型
Skill针对某类任务的可复用能力配置
MCP连接外部工具与数据的标准协议
微调通过训练将能力写入模型（与 RAG 为不同方案）
OpenClaw助手网关；捷智算提供 ubuntu22-openclaw 镜像
Hermes Agent智能体运行时；需在云主机自行部署

延伸阅读（外部资料）

以下为第三方资料，仅供参考；具体功能以对应产品官方文档为准。

主题参考
RAG 入门SkillNav：什么是 RAGopen in new window、Datawhale：RAG 简介open in new window
MCP 官方说明MCP 中文文档 · 简介open in new window
Agent 与 SkillDatawhale：Agent Skills 解读open in new window

下一步

目标文档
Token、计费、上下文模型与 Token 入门
第一次调 API快速开始
OpenClaw 镜像 + 模型 API智能体与 OpenClaw · OpenClaw 部署指南
API 字段与示例请求参数说明
复制 MD