前一篇写了《谈谈openClaw》，其实除了openClaw，对于初学者来说还有像agent, skill,MCP, Planning Code等名词，或很多人其实只知道名字，但不知道它们在 AI 技术体系里的位置。今天帮大家把这些概念全部讲清楚，并且告诉你它们之间的关系。

一、AI 技术栈

如果把 AI 应用看成一个完整系统，大致可以分成 5 层结构：

AI 应用架构示例， 如用户说：

帮我分析这个 GitHub 项目

AI 系统执行流程：

LLM 理解任务
        ↓
Planning 拆解任务
        ↓
Agent 执行任务
        ↓
MCP 访问 GitHub
        ↓
Skill 读取代码
        ↓
生成报告

二、大模型（LLM）

LLM（Large Language Model） 是整个 AI 体系的核心。

常见的大模型包括：

模型	公司
GPT 系列	OpenAI
Claude	Anthropic
Gemini	Google
Llama	Meta
Qwen	阿里
DeepSeek	深度求索
Abab/Speech	MiniMax
Kimi	月之暗面
GLM	智谱
Hunyuan	腾讯
Doubao	字节跳动
文心	百度

这些模型主要能力：

• 自然语言理解
• 写代码
• 逻辑推理
• 知识问答
• 多模态（图像 / 视频 / 语音）

三、AI Agent（智能体）

AI Agent 可以理解为：一个可以自己思考、调用工具、执行任务的 AI 程序。

Agent 的本质就是：LLM + Planning + Tools

当前主流 AI Agent 可以分为三类：

类型	代表
Agent框架	LangChain、AutoGen、CrewAI、openClaw、LlamaIndex、阿里云百炼
自动Agent	AutoGPT、BabyAGI、MetaGPT、Qianwen-agent
产品化Agent	Devin、OpenAI Assistants、Project Astra、Kimi Agent Builder、腾讯元宝

四、Planning（规划能力）

Planning 就是AI 在执行任务前，先把复杂问题拆成多个步骤。

Planning 就是：

AI 在执行任务前，先把复杂问题拆成多个步骤。

例如用户任务：

帮我开发一个 Todo App

AI 需要先规划：

1 设计数据库
2 写后端 API
3 写前端页面
4 集成测试
5 部署

这种能力就叫：

Task Planning

有些系统会用：

• Tree of Thought
• ReAct
• Plan & Execute

来实现。

五、Code Agent / Planning Code（规划型代码）

Planning Code 是一种比较新的 AI 编程模式，AI 先生成执行计划，再一步步写代码并执行。

Planning Code：

用户需求
   ↓
AI生成计划
   ↓
AI逐步写代码
   ↓
执行
   ↓
修复错误
   ↓
继续

这类系统通常叫：Code Agent

典型项目：

• OpenDevin
• Devin
• SWE-agent
• Claude Code

六、Claude Code

Claude Code 是 Anthropic 推出的 AI 编程代理工具。

它的特点是：

• 直接在终端运行
• 能理解整个代码仓库
• 自动写代码、修改代码、运行测试

核心能力：

读取代码
修改文件
运行命令
提交修改

例如你可以说：

修复这个项目里的单元测试错误

Claude Code 会：

1. 扫描代码库
2. 找到测试
3. 运行测试
4. 修改代码
5. 再次运行

七、Agent Skill（技能）

在 Agent 系统中，Skill = AI 可以调用的能力模块

一个 Agent 可以有很多 Skill：

Skill	功能
Search	搜索互联网
Python	执行 Python
Browser	打开网页
File	读写文件
Database	查询数据库
Email	发送邮件

八、MCP（Model Context Protocol）

MCP 的目标是让 AI 可以标准化地连接各种工具和数据源。可以理解为：AI 世界的 USB 接口。

AI 可以通过 MCP 连接：

• GitHub
• Notion
• Google Drive
• 数据库
• 本地文件

结构类似：

LLM
  ↓
MCP Client
  ↓
MCP Server
  ↓
各种工具

以前每个 AI 工具都要自己写插件。现在只要支持 MCP：所有 AI 都可以使用同一套工具。

目前支持 MCP 的生态：

• Claude
• Cursor
• 一些 Agent 框架

九、Token

Token 是模型处理文本时的最小单位。AI 读文字时，不是按“字”或“单词”，而是按 Token 来计算和理解, Token = 文本被模型拆分后的单位.

大模型本质是数学模型，它不能直接理解：

• 字符
• 单词
• 句子

必须先把文本转换成 数字序列。

流程大概是：

文字
↓
Token
↓
数字ID
↓
模型计算

例如：

Hello → token 15496
world → token 995

模型看到的是：

[15496, 995]

很多 AI 服务收费是 按 token 计算的。模型计算量基本和 token 数量成正比。

Token 和字数的关系

大致可以这样估算：

文本	约等于 Token
1个英文单词	1 token
1个中文汉字	1–2 token
1000英文词	~750 token
1000中文字符	~1000–2000 token

十、现在有什么技术可以节约大模型的TOKEN

在使用大模型（LLM）时，Token 成本和上下文长度是两个核心问题。很多公司和开发者都会想办法 减少 Token 使用量，目前业界主要有 节约 Token 的技术方法。核心原则是只给模型最必要的信息，按从简单到高级给你讲清楚。

• Prompt 压缩（Prompt Compression）: 减少原始prompt中的非关键字
• 上下文裁剪（Context Truncation）：只保留最近的N条对话
• 对话摘要（Conversation Summarization）：把上文的内容总结，发送摘要
• RAG 检索（只发送相关内容）：不要把 所有知识发给模型，只发送 相关内容
• 结构化 Prompt（减少冗余文本）: 生成如json等结构化数据
• 小模型预处理（Two-Stage Model） : 用户输入再小模型处理转大模型生成。
• Prompt模板复用： 对于反复使用的同一个prompt，可以在存模板，只传变量
• mbedding + 向量检索： 把文档转换成 向量，存入向量数据库， 查询时只检索相关内容，不发送全部
• 缓存（Prompt Cache）：两次请求类似，直接返回缓存结果，不再调用模型。

现在有些公司开始研究 “Token-Free LLM”（无Token模型），这可能会彻底改变大模型架构。目前主流的大模型（如 ChatGPT、Claude、Gemini）仍然是 Token-based LLM，也就是依赖 token 进行训练和推理。

Token-Free LLM

传统 LLM 的流程是：

文本
↓
tokenization（分词）
↓
token序列
↓
模型计算

Token-Free LLM 的目标是：

文本
↓
直接处理字符 / 字节 / 概念
↓
模型计算

Transformer 架构依赖 token. Transformer 的训练方式就是：预测下一个 token. 真正的 Token-Free LLM 还没有进入主流商业产品。

十一、大语言模型、 多模态模型、物理模型、世界模型

可以把 大语言模型、 多模态模型、物理模型、世界模型 看成 AI能力逐层增强的四个阶段。它们的核心区别在于：模型理解世界的深度不同。

类型	核心能力	主要输入	是否理解现实世界
大语言模型	语言理解和生成	文本	很弱
多模态模型	同时理解文本、图像、音频等	文本+图像+音频等	有一点
物理模型	理解现实世界物理规律	视频/交互	中等
世界模型	在内部模拟世界并预测未来	多模态+时间序列	很强

AI发展的一个典型路线

语言模型
     ↓
多模态模型
     ↓
理解不同信息物理模型
     ↓
理解现实规律世界模型
     ↓
在脑中模拟世界

现在几乎所有 AI（包括 ChatGPT）本质还是：

大语言模型 + 多模态能力

十二、Transformer和State Space Model（状态空间模型）

Transformer 的核心瓶颈：Attention 复杂度，Transformer 的核心机制是 Self-Attention（自注意力）。

它的计算复杂度是：

O(n²)

意思是：

token数量	计算量
1000	100万
10000	1亿
100000	100亿

也就是说：

输入越长，计算量是 平方增长。

SSM 的计算复杂度：

O(n)

也就是 线性增长。

举个简单对比：

序列长度	Transformer	SSM
1k	1M计算	1k计算
10k	100M	10k
100k	10B	100k

所以在 超长序列任务里，SSM理论上更高效。Transformer 推理有个问题：生成一个 token 时需要重新计算 attention。

而 SSM 的结构更像 RNN：

一步一步更新状态

所以推理延迟更低, SSM更适合之前提到过 Token-Free LLM。未来可能的方向：混合架构 Transformer + SSM

短上下文 → Transformer
长上下文 → SSM

十三、AI名词里，哪些是要用户付费，哪些是免费的

AI 圈很多名词其实不是产品本身，而是技术或框架。主要是三类：概念、商业产品、开源或免费工具。

一、需要付费的 AI 产品（商业服务）

• 大模型服务，这些模型基本都是 API 按量付费(如按token，调用次数、算力、保月等)
• AI编程工具，如cursor, claude code, VS 等的专业版

二、免费的

• Ai agent框架，如autoGPT 但调用模型收费
• AI coding agent， 如openClaw
• 概念如 或MCP协议

AI 现在的商业模式是：

框架基本免费
工具部分免费
核心模型收费

十四、planning code和 coding plan 区别

在 AI Agent / 编程助手领域，经常提planning,因为 AI Agent 编程正在从“直接写代码”变成“先规划再执行”。像Planning Code 和 Coding Plan 常常被混用，但严格来说它们是 两个不同层级的概念。

可以简单理解为：

Coding Plan = 计划文档
Planning Code = 实现计划的代码逻辑

两者最核心区别

项目	Coding Plan	Planning Code
性质	文档 / 计划	程序代码
作用	指导开发	执行任务规划
使用者	人类 / AI	AI Agent
输出形式	文本	代码

在 AI Coding Agent 中的关系

在现代 AI 编程系统里通常是这样的流程：

用户需求
↓
生成 Coding Plan
↓
写 Planning Code
↓
执行任务
↓
生成代码

如百炼（Bailian）的 Coding Plan，本质上属于：“AI Agent 的规划层（Planning Layer）能力”。也就是说，它更接近 Coding Plan（开发计划）这一类.

十五、AI Coding/Coding Agent

AI Coding/Coding Agent 仅用于编程场景，并不适用于如整理电脑文件、多视频编辑，相关的产品有

产品	公司
Qwen-Coder	阿里
DeepSeek-Coder	DeepSeek
CodeGeeX	智谱AI
腾讯AI代码助手	腾讯
Trae AI	字节

十六、openClaw和 dify, manus 有什么区别

Dify (Define Your AI)是一个 AI 应用开发平台（开源）。可以低代码或无代码的可视化界面，拖拽式快速配置工作流，同样支持openAI, claude, deepseek,ollama等大语言模型。支持云端和本地部署。

它解决的问题是：

如何快速搭建 AI Agent / AI应用

Dify 提供：

• Agent workflow
• RAG
• Prompt管理
• Tool调用
• API部署

Manus 是一种 AI Agent 产品，是由中国团队 http://Monica.im开发。Manus 的工作原理是基于底层 AI 大模型的能力基础，通过自主任务分解将复杂任务拆解为多个子任务，并动态调用不同的 Agent 或工具来执行每个子任务，最终完成整体任务。

它的目标是：

让 AI 自己完成任务

OpenClaw、Dify 和 Manus 代表了当前（2025-2026年）AI Agent（人工智能体）领域中三种截然不同的产品形态和发展路线。简单来说，它们的区别可以概括为：

• Manus：“成品数字员工”。面向终端用户，开箱即用，全自动执行复杂任务，闭源商业服务。（全自动执行）
  • 优势：门槛极低，具备强大的自主任务规划和多代理协作能力（规划、执行、验证自动完成），能处理跨软件的复杂工作流。
  • 劣势：黑盒运作，用户难以干预中间过程；数据在云端，隐私依赖厂商信誉；需付费订阅
• Dify：“Agent 开发工厂”。面向开发者和企业，提供构建自定义 AI 应用的工具和框架，开源/私有化部署，需要自行编排。(可视化编排)
  • 优势：灵活性极高，可深度定制业务逻辑；支持多种模型接入；适合企业构建知识库客服、内部助手等特定场景应用。
  • 劣势：有学习成本，用户需要懂得如何拆解任务和编排流程；它本身不直接“帮你干活”，而是帮你造一个“能干活的工具”。
• OpenClaw：“本地极客工具箱”。面向技术爱好者和开发者，完全开源、本地优先运行，强调隐私控制和深度定制，通过即时通讯软件交互。
  • 优势：数据隐私最高（数据不出本地）；可直接控制本地环境（如操作本地 Excel、浏览器）；完全免费且开源可改；支持长期本地记忆。
  • 劣势：部署难度大（需配置 Docker、API Key、环境依赖），目前国内已有一键安装的产品；稳定性依赖用户自己的维护能力；

技术架构与部署:

• 部署位置：
  • Manus：云端（厂商服务器）。
  • Dify：可云端 SaaS，也可私有化部署（企业自建）。
  • OpenClaw：本地优先（个人电脑/私有服务器）。
• 记忆与上下文：
  • Manus：依赖云端会话，受限于 Token 长度，跨会话长期记忆较弱。
  • Dify：依靠知识库（RAG）和变量管理，需开发者设计记忆机制。
  • OpenClaw：内置工程化的本地持久记忆系统，能长期记录用户偏好和历史任务，更像是一个住在你电脑里的“老员工”, 所以才叫“养龙虾”， 使用越久，它越是了解你的使用习惯。

该如何选择？

• 如果你想要一个现成的、能立刻帮你写报告、做图表、查资料的“数字员工”，且不在乎付费和数据在云端，选 Manus。
• 如果你是一家公司，或者你是开发者，想要构建一个符合特定业务流程的 AI 客服、内部知识库或专用助手，选 Dify。
• 如果你是技术极客，极度重视隐私，希望 AI 能直接操作你电脑里的文件，并且喜欢折腾开源代码、完全掌控数据主权，选 OpenClaw。

这三者并非完全的竞争关系，更多是处于 AI Agent 生态的不同层级：Dify 是造轮子的平台，Manus 是造好的豪车，而 OpenClaw 则是给赛车手提供的改装套件。

十七、RAG检索增强生成

大模型（例如 GPT‑4 或 DeepSeek）有一个天然问题：它们不知道你的私有数据。

这些数据 不会在模型训练里出现。如果直接问模型，模型可能会：

• 胡编
• 给错误答案

这就是所谓的 AI幻觉。

RAG 的思路非常简单：回答前先检索资料。流程如下：

用户问题
↓
向知识库检索
↓
找到相关文档
↓
把文档放进 Prompt
↓
大模型生成答案

AI Agent 时代的 RAG，RAG 就是 知识获取能力。在 Agent 体系里，RAG通常扮演：Knowledge Skill。私有知识必须 RAG，减少 Token 成本，防止模型幻觉。

十八、React智能体

ReAct (Reasoning and Acting) 是由谷歌研究人员在 2022 年提出的一种范式。它的核心思想是：让大语言模型在执行任务时，交替进行“推理”（Thinking/Reasoning）和“行动”（Acting/Using Tools）。

传统的模型要么只思考（链式思维 CoT），要么直接调用工具。而 ReAct 智能体通过以下步骤循环工作：

1. 观察 (Observation)：接收用户输入或上一步工具返回的结果。
2. 推理 (Thought)：模型分析当前情况，决定下一步该做什么（例如：“我需要先搜索今天的天气”）。
3. 行动 (Action)：模型调用外部工具（如搜索引擎、计算器、数据库、API）。
4. 重复：根据行动的结果再次推理，直到得出最终答案。

假设用户问：“2026年奥斯卡最佳影片是谁？请计算它的票房乘以10。”

一个基于 ReAct 范式 的智能体会这样工作：

• Thought: 我不知道2026年的奥斯卡结果，因为我训练数据没到那时候。我需要先搜索新闻。
• Action: 调用 Search_Tool(query="2026 奥斯卡最佳影片")
• Observation: (搜索引擎返回) “2026年奥斯卡最佳影片是《未来纪元》”
• Thought: 现在我知道了电影名字，但我需要知道它的票房才能计算。
• Action: 调用 Search_Tool(query="电影《未来纪元》全球票房")
• Observation: (搜索引擎返回) “票房为5亿美元”
• Thought: 现在我有数据了，5亿乘以10等于50亿。我可以回答用户了。
• Final Answer: 2026年奥斯卡最佳影片是《未来纪元》，其票房的10倍是50亿美元。

“国产 ReAct 智能体” 通常指的是支持 ReAct（推理+行动）范式的AI 智能体开发平台或大模型应用

— 持续更新…