大家好,我是 WeiWill,深耕软件工程一线,专注 AI 应用落地与 Agent 开发。
AI Agent 的竞争,已经不只是模型能力的竞争,模型当然重要,但是现在的模型理解、推理和生成能力,已经能够满足日常需求了。如果还只盯着模型,会忽略另一个更底层的问题:
Agent 到底按照什么规则连接工具、读取资料、执行任务、沉淀经验?
这个问题如果没有答案,每个工具都会变成一个孤岛。
最近几个信号放在一起看,这个判断更清楚了。
Karpathy 一直在推动大家重新理解 Agent、上下文和软件形态,尤其是 LLM Wiki 这个思路:不是把知识一次性塞进提示词,而是让知识以文件、链接、历史记录和可持续更新的方式存在,Agent 需要时能读取,完成任务后也能反过来维护。
Google Cloud 最近推出的 OKF,也就是 Open Knowledge Format,本质上就是把这种 LLM Wiki 模式进一步规范化。它不是再做一个知识库产品,而是定义一种更通用的知识表示方式:用 Markdown 文件承载内容,用 YAML front matter 放结构化字段,用普通链接表达关系,让人和 Agent 都能读,也能在不同工具、组织和系统之间迁移。
这个方向很有意思。MCP 让“call API”不再只是临时写胶水代码,OKF 让“给 Agent 上下文”不再只是临时拼资料包,Skills 则让“怎么做一类任务”不再只停留在人的经验里。Obsidian 创始人发布 AI Skill,也说明个人知识库正在从“存资料”走向“可执行的工作台”。
这些动态都在说同一个问题:
LLM 生态要繁荣,不能只靠更强的模型,还要有大家都愿意遵守的协议、标准和可复用方法。
这篇文章我从一线工程和 Agent 工作流的角度,讲清楚为什么标准会决定 AI 工具能不能长期留下。
文章导读
这篇文章主要回答 5 个问题:
- 为什么“协议和标准”突然成了 Agent 生态的关键词?
- API、MCP、Skills、OKF/知识库分别站在哪一层?
- 为什么没有标准,Agent 很难从个人尝鲜进入团队协作?
- LLM Wiki、知识库和内容中台接下来真正要补的是什么?
- 标准化怎么做才不会变成新的负担?
先说我的结论:
LLM 负责理解和推理,API 暴露系统能力,MCP 统一工具连接,Skills 沉淀任务方法,OKF/知识库提供长期上下文和知识表示方式。真正能长期运行的 Agent 工作流,不是靠一次提示词堆出来的,而是靠这些标准化组件慢慢拼出来的。
可以先用这张图理解全文主线:

先说结论:Agent 想繁荣,先要降低适配成本
技术生态为什么需要标准?
因为没有标准时,所有人都在重复做适配。
软件工程里类似的例子太多了。数据库需要连接协议,前后端需要 HTTP 和 JSON,容器需要镜像规范,云原生需要接口和编排规则。标准不一定完美,但它能让不同团队、不同工具、不同系统在一个共同边界上协作。
AI Agent 也是一样。
如果每个工具都有自己的输入格式、权限规则、日志方式、上下文结构,那么 Agent 每接入一个新工具,都像是在接一个临时外包系统。
短期看能跑,长期看维护成本会越来越高。
我现在判断一个 Agent 工具或工作流,尤其是编码相关工具时,不会只看它能不能完成一次任务,而会看四件事:
- 它能不能复用已有工具,而不是每次重新写适配;
- 它能不能把经验沉淀下来,而不是只存在一次对话里;
- 它能不能让不同模型、不同客户端、不同团队成员理解同一套规则;
- 它出错以后,能不能追踪、修复、复盘,而不是只说“模型没发挥好”。
这四个问题背后,核心都是标准化。
很多人会把标准理解成束缚,但在生态早期,好的标准反而是放大器。它降低连接成本,降低学习成本,也降低迁移成本。
这和秦始皇统一度量衡的逻辑有点像。
统一之前,不同地方各有各的尺度,交易、制造、协作都要反复换算。统一之后,很多事情才能跨地域、跨组织、跨流程协同起来。AI Agent 生态现在也在经历类似阶段:大家都知道模型很强,但工具怎么接、经验怎么沉淀、知识怎么组织、权限怎么控制,还没有完全稳定。
谁先把这些规则跑顺,谁就更容易形成长期工作流。
为什么不能只靠 Prompt
很多人刚开始用 Agent,会把注意力放在 Prompt 上。
Prompt 很重要,但 Prompt 不是工程体系本身。
如果只是写一段很长的指令,让模型“请你认真分析、一步一步执行、注意安全、输出结构化结果”,它确实可能在某次任务里表现不错。
但问题是:
- 这个 Prompt 能不能被团队其他人稳定复用?
- 换一个模型后还能不能正常工作?
- 它依赖哪些文件、命令、工具和权限?
- 输出结果应该落在哪里?
- 出错时应该停止、重试,还是请求人工确认?
- 下一次做同类任务时,哪些经验应该保留?
这些问题不是 Prompt 本身能完全解决的。
Prompt 更像是“临场沟通”。标准更像是“组织流程”。
临场沟通可以让一个聪明人做成一件事,但组织流程才能让一群人持续做好一类事。
Agent 也是这样。
一次性任务可以靠 Prompt;长期工作流必须靠协议、结构、权限和复盘机制。
这也是我为什么越来越关注 MCP 和 Skills。它们不是为了让概念变多,而是为了把“能聊”变成“能做”,再把“能做一次”变成“能稳定复用”,其实我们很多时候站在提出问题、解决问题的思路去理解这些概念,就会很透彻。
MCP 解决的是工具连接问题
先说 MCP。
我对 MCP 的直观理解是:它试图给 Agent 和外部工具之间建立一套更统一的连接方式。
过去我们让模型调用工具,经常是各家自己做一套插件系统、函数调用格式、API 包装方式。能用,但碎。
碎的后果是什么?
一个文件系统工具、一套浏览器工具、一个数据库查询工具、一个内部业务接口,如果都按不同方式暴露给 Agent,维护成本会很快上升。
开发者需要反复处理这些问题:
- 工具怎么描述给模型;
- 参数怎么传;
- 返回结果怎么解析;
- 权限怎么限制;
- 错误怎么反馈;
- 工具版本变化后怎么兼容。
MCP 这类协议的价值,就在于把这部分连接成本降下来。
它不保证 Agent 一定聪明,也不保证任务一定成功,但它能让“接工具”这件事更像工程,而不是每次临时拼胶水代码。
这点很重要。
因为 Agent 真正进入工作流以后,不可能只和一个聊天窗口交互。它要读文件、查代码、跑测试、访问文档、调用接口、查询数据库、发送消息、生成报告。
工具越多,越需要标准。
没有标准,工具数量越多,系统越乱;有标准,工具数量越多,生态才可能繁荣。
这里也要顺带区分一下 API 和 MCP。
API 更像系统能力的出口。一个业务系统、数据库、内容平台、文件服务,把能力通过 API 暴露出来,让外部可以调用。
MCP 更像 Agent 和工具之间的连接协议。它关心的是 Agent 如何发现工具、描述工具、调用工具、拿到结果,以及如何用比较统一的方式接入不同工具。
所以“call API”和“MCP”不是对立关系。很多时候,API 是底层能力,MCP 是让 Agent 更稳定调用这些能力的连接方式。
Skills 解决的是方法沉淀问题
如果 MCP 更偏“工具怎么连”,那么 Skills 更偏“事情怎么做”。
这也是我最近特别关注 Obsidian AI Skill 的原因。
Obsidian 本来是典型的个人知识库工具。过去大家关心的是文件、链接、双链、标签和插件,核心问题是“人怎么更好地管理资料”。现在 AI Skill 进入这个场景,说明一个变化正在发生:知识库不只是给人看的资料库,也开始变成 Agent 可以执行任务的工作台。
我觉得后面会有更多工具型应用推出自己的 Skill。笔记工具、办公软件、内容平台、开发工具、数据分析平台,甚至一些高频业务系统,都可能把自己的典型操作流程沉淀成 Skill。用户不只是打开应用点按钮,而是把一类任务交给 Agent,让它按应用自己的规则、权限和最佳实践去完成。
很多工作不是一次命令就能完成的,而是一套步骤和判断。
比如:
- 写一篇公众号草稿,不只是文字,还要确定读者、痛点、主线、结构、语气和结尾行动建议;
- 做一次代码审查,不只是看语法,还要看安全、异常、测试、性能、可维护性;
- 排查一个线上问题,不只是看日志,还要先复现、缩小范围、验证假设、修复后回归;
- 整理一批资料,不只是总结,还要归类、提炼、交叉链接、形成下一步行动。
这些事情都有“做法”。
过去这些做法通常存在人的脑子里,或者散落在团队文档里。Agent 用起来以后,一个很自然的问题出现了:
能不能把这些做法写成 Agent 看得懂、能复用、能迭代的 Skills?
我认为这是 Agent 从工具变成工作台的关键一步。
Prompt 解决当前对话怎么沟通,Skills 解决同类任务以后怎么复用。
一个好的 Skill,不应该只是几句口号,而应该包含:
- 什么时候触发;
- 要先读取哪些上下文;
- 标准步骤是什么;
- 哪些地方必须验证;
- 常见坑是什么;
- 输出结果应该长什么样;
- 什么时候应该停止并请人判断。
这和软件工程里的 runbook、SOP、工程规范很像。
区别是:过去这些文档主要给人看;现在这些文档还要让 Agent 能执行。
OKF / 知识库解决的是上下文表示问题
再说 OKF 和知识库。
这里我说的知识库,不是简单的“把资料丢进去,让 AI 帮我问答”。
问答当然是入口,但如果只做到问答,价值还不够。Agent 真正需要的知识库,是一个稳定的上下文系统;OKF 这类规范要解决的,就是这个上下文系统怎么被表示、交换和持续维护。
换句话说,知识库解决“上下文放在哪里、怎么组织、怎么更新”的问题;OKF 进一步解决“这些上下文按什么格式被不同 Agent 和工具理解”的问题。
这也是为什么我觉得它和 MCP、Skills 可以放在同一篇文章里讲。
MCP 关注工具连接,Skills 关注任务方法,OKF/知识库关注长期上下文。三者不是一类东西,但它们共同决定 Agent 能不能从一次性对话进入持续工作流。
这层关系可以这样看:

稳定的上下文系统,至少包括几件事:
- 文件命名稳定;
- 资料来源可追溯;
- 主题之间有关系;
- 重要判断能持续更新;
- 任务流程能被复用;
- 产出和反馈能回流。
Google Cloud 这次推出 OKF,我觉得最值得关注的不是“大厂又出一个概念”,而是它把知识库最小可交换单元说得很朴素:一个目录,一组 Markdown 文件,一点必要的 YAML front matter,再加上普通 Markdown 链接。
这个设计不重。它没有要求你必须上某个云平台,也没有要求你必须换一个知识库工具。它更像是在说:如果一个团队已经在用 Markdown、Git、Obsidian 或内部文档系统沉淀知识,那能不能给这些知识补上一层更稳定的结构,让 Agent 也能读懂?
这点和我自己做 LLM Wiki 的感受很接近。
知识库不只是文章集合,而应该逐渐沉淀成几个层次:
- 来源层:原始资料、会议记录、文档、网页、代码片段;
- 主题层:围绕一个问题持续更新的判断和方法;
- 关系层:不同主题、资料、案例之间的链接;
- 流程层:一类任务应该怎么做;
- 反馈层:做完以后效果如何,下一次怎么改。
如果知识库本身没有结构,Agent 每次读取资料都像临时翻箱倒柜。
它可能能总结,但很难持续行动。
比如一个团队想让 Agent 帮忙写技术方案,最难的不是让它生成一段漂亮文字,而是让它知道:
- 这个团队过去怎么做方案;
- 哪些系统已经存在;
- 哪些约束不能碰;
- 哪些术语有内部含义;
- 哪些方案曾经失败过;
- 这次输出应该给谁看;
- 最终如何进入评审和迭代。
这些都不是一次聊天能解决的。
所以我越来越倾向于把知识库看成 Agent 的“长期上下文底座”,把 OKF 看成这类上下文底座的一个标准化表达方向。
资料越多,越不能只靠搜索;越要靠结构、命名、标准字段和反馈闭环。
这也是 LLM Wiki 这类知识系统接下来会遇到的问题:如果它只是资料集合,价值有限;如果它能把资料、判断、流程、反馈和可执行规则组织起来,就会变成 Agent 可以持续调用的工作底座。
换句话说,知识库未来不只是“让人看得懂”,还要“让 Agent 做得动”。
这几个概念分别站在什么位置
为了避免概念混在一起,我用一个简单方式区分它们:
1 | LLM:负责理解和推理 |
这几件事不是互相替代,而是互相配合。
如果只有 LLM,没有 API 和 MCP,Agent 会很会说,但很难做事。
如果有工具连接,没有 Skills,Agent 能调用工具,但做事方法不稳定。
如果有 Skills,没有 OKF/知识库,Agent 能按流程做事,但缺少历史上下文。
如果有知识库,没有稳定结构,Agent 读取资料时又会回到混乱状态。
所以真正的问题不是“哪个概念最重要”,而是如何让它们形成一个能长期工作的系统。
这也是为什么我不太喜欢把 MCP、Skills、RAG、插件、知识库拆成孤立概念来理解。
从工程视角看,它们都在解决同一件事:
让 AI 从一次性对话,变成可以连接工具、复用方法、理解上下文、持续迭代的工作系统。
为什么这件事对团队更重要
个人使用 Agent,很多问题可以靠经验兜底。
你知道某个文件在哪里,知道某个命令能不能跑,知道某个工具什么时候会失败,知道这次输出大概能不能用。
但团队使用 Agent,就不能只靠个人记忆。
团队里最大的问题通常不是“没人会用 AI”,而是每个人都按自己的方式用 AI。
有人把提示词存在聊天记录里,有人把经验写在个人笔记里,有人临时接了一个脚本,有人让 Agent 直接读敏感数据,有人生成了结果但没有记录依据。
短期看很热闹,长期看会带来几个问题:
- 成功经验不可复制;
- 失败原因不可追踪;
- 权限边界不清楚;
- 输出质量没有统一标准;
- 新人接不上已有流程;
- 工具换代时迁移成本很高。
这就是为什么我认为 Agent 工程化一定会走向标准化。
不是为了形式主义,而是为了降低协作成本。
团队真正需要的不是“每个人都收藏一堆 AI 工具”,而是回答:
- 哪些任务允许 Agent 做?
- 哪些任务必须人工确认?
- 哪些工具可以调用?
- 哪些数据不能读取?
- 哪些流程已经沉淀成 Skill?
- 结果怎么验证?
- 反馈怎么回流?
这些问题如果没有标准,Agent 越强,风险越大。
不要把标准做成新的负担
不过,我也不建议一开始就把标准做得很重。
这是另一个常见坑。
一听到协议、规范、流程,很多团队容易走向过度设计:字段还没跑通,就先设计几十个;任务还没复用,就先写厚厚一本文档;工具还没稳定,就先规定所有人必须按新流程执行。
这样反而会把 Agent 工作流做死。
我的建议是:标准要从真实任务里长出来。
先找一类高频、低风险、容易验证的任务。
比如:
- 资料整理;
- 代码审查前的静态检查;
- 测试失败原因归纳;
- 项目周报初稿;
- API 文档摘要;
- 工单分类和初步建议。
然后只沉淀最小必要标准:
- 输入资料放在哪里;
- Agent 需要读取什么;
- 操作边界是什么;
- 输出格式是什么;
- 如何验证结果;
- 人在哪里做最终判断。
等这个任务跑过几轮,再把稳定做法写成 Skill,把常用工具接成标准接口,把关键资料整理进知识库。
标准不是一次设计出来的,而是在执行、反馈和复盘中迭代出来的。
这点和软件工程非常像。
先有可运行的最小闭环,再逐步抽象公共能力。
我会怎么落地这件事
如果现在让我给个人或小团队一个行动建议,我不会建议大家一上来就追最复杂的 Agent 平台。
我会建议从三个动作开始。
先看整体路径:

第一,整理自己的高频任务清单。
不要泛泛地说“我要用 AI 提效”,而是列出最近一个月重复做过的 5 类任务:写方案、读资料、查日志、做周报、整理会议纪要、写文章、审代码、测接口。
第二,给其中一类任务写一个最小 Skill。
不用完美,先写清楚:这个任务什么时候开始,需要哪些输入,按什么步骤做,输出什么结果,哪些地方必须人工确认。
第三,把这个任务需要的工具和资料整理成稳定结构。
哪怕只是一个文件夹、一组命名规则、几个固定字段,也比完全散乱要好。
等这三步跑通,再考虑接入 MCP 工具、自动化脚本、内部 API、团队知识库。
顺序不要反。
很多人一上来就想搭平台,最后发现平台很复杂,但没有稳定任务;工具接了一堆,但没有流程;资料导入很多,但没有输出闭环。
Agent 工作流最怕的不是小,而是散。
小但稳定,可以迭代;大而散,很难维护。
对普通使用者来说,应该关注什么
如果你不是做 Agent 平台开发,只是一个工程师、技术管理者或内容创作者,也不用被这些术语吓住。
你只需要记住一个判断:
凡是你希望 AI 长期帮你做的事情,都应该尽早标准化。
这里的标准化不是写复杂文档,而是把隐含经验显性化。
比如:
- 你希望 AI 帮你审代码,就要告诉它安全、异常、测试、性能、可维护性分别怎么看;
- 你希望 AI 帮你整理资料,就要告诉它分类规则、输出格式、引用边界和复盘方式;
- 你希望 AI 帮团队做项目辅助,就要告诉它权限、日志、审批、回滚和责任边界。
这些规则写下来,就是最朴素的 Skill。
这些资料组织起来,就是最朴素的知识库。
这些工具统一接入,就是 MCP 这类协议想解决的问题。
不要等生态完全成熟再开始。
生态成熟之前,先把自己的工作流变得更清楚。
结尾:Agent 时代,标准不是束缚,而是放大器
回到开头的问题:为什么我越来越重视 MCP 和 Skills?
因为 Agent 真正进入工作流以后,最稀缺的不是一次惊艳输出,而是可复用、可迁移、可追踪、可迭代。
模型会继续变强,工具会继续变多,但如果没有协议和标准,每一次连接都会变成重新适配,每一次经验都会散落在对话里,每一次团队协作都会回到口口相传。
标准不是为了限制 Agent,而是为了放大 Agent。
它让工具更容易接入,让经验更容易复用,让知识库更容易被理解,让团队更容易协作,也让错误更容易被发现和修复。
如果你也在尝试把 AI Agent 放进自己的工作流,我建议接下来先做三件小事:
- 选一个最近重复出现的任务,写下你现在是怎么做的;
- 把这套做法整理成一页简单的 Skill,包括输入、步骤、输出和验证方式;
- 检查这项任务需要哪些工具和资料,看看哪些地方可以逐步标准化。
不要急着追所有新概念。
先让一个小任务稳定跑起来,再把它变成可复用的方法。
这就是 Agent 工作流真正开始产生复利的地方。
我是 WeiWill,深耕软件工程一线,专注 AI 应用落地与 Agent 开发。