一、王姐的新需求："给我一个 AI 荐书助手"
"王姐说，顾客总问'推荐本好书'，店员推荐来推荐去就那几本。"老周坐在仓库里，面前摆着两台电脑，"所以咱们要做一个 AI 荐书助手：顾客用大白话提问，它给出靠谱的推荐。"
小陈跃跃欲试："师傅，这个我会！调大模型 API，把书单喂给它……"
"慢着。"老周抬手，"你刚才那句话里，藏着一个大坑。你说'把书单喂给它'——怎么喂？5 万本书全塞进提示词？塞得下吗？塞得下它还记得住吗？"
小陈沉默了。老周笑了："所以这一章，我带你认识编程语言家族树的树冠——大模型时代的四个新'概念'：Prompt、RAG、Agent、MCP。它们不是编程语言，但它们是人类'偷懒 + 防错'的最新产物。"
二、Prompt：自然语言即代码
"先来最简单的。"老周打开一个网页，里面是一个大模型对话框，"这就是 Prompt（提示词）——用自然语言'写程序'，让模型执行。"
你是云间书店的资深荐书员。顾客会告诉你他的喜好，
你根据喜好推荐 3 本书，每本给出推荐理由。
回答要亲切，控制在 80 字以内。
顾客说：我喜欢看烧脑的科幻，最好是硬核物理那种。
模型回答：
推荐《三体》！大刘的硬核科幻，黑暗森林法则直接烧穿脑洞；
还有《球状闪电》，量子物理的浪漫与残酷并存；
想挑战的话试试《你一生的故事》，语言学×物理学，回味无穷。
"看到了吗？你是云间书店的资深荐书员——这是给它设定角色；'推荐 3 本、80 字以内'——这是约束输出。Prompt 就是写给大模型的'代码'，只不过语法是自然语言。"
"但它有个致命问题。"老周说，"我让模型推荐《三体》——它'知道'《三体》，是因为这本书写进了它的训练数据。可云间书店自己进的那批小众书、新书、本地绝版书，模型一本都不知道。它一开口就露馅。"
小陈抢答："所以得把我们自己的书单给它！"
"对。但怎么给？这就是 RAG。"
三、RAG：给模型插上"外挂知识"
老周画了一张图：
顾客提问："推荐一本讲宋朝历史的书"
│
▼
┌─────────────────┐ ┌──────────────────┐
│ 向量化 + 检索 │─────▶│ 云间书店本地书库 │
│（把提问变成向量， │ │ （5万本书的摘要 │
│ 找出最相关的 │ │ 已经向量化存好） │
│ 3~5 本书摘要） │ └──────────────────┘
└─────────────────┘
│ 把检索到的书摘要拼进提示词
▼
┌─────────────────┐
│ 大模型：结合 │
│ "上下文"生成 │──────▶ 推荐结果
│ 个性化回答 │
└─────────────────┘
"这叫 RAG（Retrieval-Augmented Generation，检索增强生成）。"老周说，"核心思路一句话：模型不知道的，不让它瞎编，先从我们自己的知识库里'检索'出来，拼进提示词再让它回答。"
# RAG 的极简实现
def recommend(question):
# 1. 把顾客问题转成向量，在本地书库检索最相关的书
top_books = vector_search(question, limit=3) # 找出最相关的 3 本书
# 2. 把检索结果拼成"上下文"，和问题一起交给模型
context = "\n".join(f"《{b.title}》{b.summary}" for b in top_books)
prompt = f"""
基于以下云间书店的书库信息回答问题：
{context}
顾客问题：{question}
请推荐并说明理由。
"""
return call_llm(prompt) # 3. 模型基于"真实知识"回答，不会瞎编
"注意关键点：模型还是那个模型，没变；变的是每次提问时'喂'给它的上下文。 书库更新了，检索结果就更新，回答自然更新——不需要重新训练模型。 这就是 RAG 的意义：把'私有知识'低成本地接进大模型。"
小陈眼睛亮了："就像……给一个什么都懂的专家，配一个只有我们有的资料库，他每次回答前先查资料？"
"对，这就是 RAG。"
四、Agent：让 AI"自己动手干活"
荐书助手上线两周，王姐又提需求了："光荐书不够，能不能让它在库存不足的时候，自己提醒采购、自动生成补货单？"
老周转头看小陈："这个需求，光靠'问答'做不到了。它要求 AI 不再只是'说话'，还要'动手'——查库存、算缺货、生成采购单。这就从'对话模型'升级成了 Agent（智能体）。"
"Agent 的定义：自主规划 + 工具调用。 它不再是一次性回答，而是一个'能自己思考步骤、一步步调用工具完成任务'的程序。"
# 一个补货 Agent 的伪代码
class RestockAgent:
def run(self, task):
# ① 规划：把任务拆成步骤
plan = self.llm.plan(task) # "1.查库存 2.算缺货 3.生成采购单"
# ② 执行：每个步骤可能需要调用工具
for step in plan:
if step == "查库存":
data = query_database("SELECT ...") # 工具1：查数据库
elif step == "算缺货":
shortage = compute_shortage(data) # 工具2：本地计算
elif step == "生成采购单":
create_purchase_order(shortage) # 工具3：写采购单
# ③ 反思：检查结果对不对，不对就重试
return self.llm.verify(result)
"你看，Agent 的骨架还是我们第一章到第六章学的那些东西：查数据库是 SQL，算缺货是循环和函数，生成采购单是调用 API——只是现在'控制流'不是我们手写的 if/for，而是模型根据自然语言任务，动态规划出来的。"
"那'自主规划 + 工具调用'，听起来很自由……它会不会乱来？"小陈有点担心。
"问得好！所以 Agent 的工程核心是安全边界：给它哪些工具权限、哪些操作要人工确认、最多重试几次。这跟我们平时给代码设权限是一个道理——能力越大，越要管好边界。"
五、MCP：让工具"即插即用"
"最后一个概念，也是云间书店最近才用上的。"老周说，"你发现没有，Agent 要调工具，每个工具都得写一堆对接代码——查数据库写一段，发邮件写一段，调库存系统写一段。而且每换一个模型，对接代码可能又要重写。"
"能不能定一个统一标准：任何 AI 都能用同一套协议，接入任何工具？"
"能。"老周在屏幕上敲下三个字母：MCP（Model Context Protocol，模型上下文协议）。
"MCP 就是工具连接协议——给'AI 调用工具'定一个通用的'插座标准'。工具方按这个标准提供'插头'，AI 按这个标准'插上就能用'："
┌──────────────┐ MCP 协议 ┌─────────────────┐
│ AI 应用 │◀──────────────────▶│ MCP 服务器 │
│ (Agent) │ 统一接口/标准 │ ├─ 查询库存工具 │
│ │ │ ├─ 生成采购单工具 │
│ │ │ ├─ 发送邮件工具 │
│ │ │ └─ 查快递工具 │
└──────────────┘ └─────────────────┘
▲ ▲
└── 换任何 AI 都能接 └── 加任何工具都即插即用
"有了 MCP，云间书店的荐书 Agent 想调用'库存系统''快递查询''邮件通知'，不需要每家写一套对接代码——工具方实现一次 MCP 标准，所有兼容的 AI 都能直接调用。这是'人类偷懒'的最新巅峰：连'对接'都不想重复写了。"
六、章末：树冠长出来了
老周把整张家族树补上了最后一行，然后退后两步，和小陈一起看着它：
第十二层：AI / 大模型时代（2020s+）
纯文本
程序
├── Prompt（自然语言即代码）
├── Agent（自主规划 + 工具调用）
├── MCP（工具连接协议）
└── RAG（知识增强生成）
"小陈，你看这棵树。"老周的声音慢下来，"从最底下那卷纸带，到最顶上这棵树的树冠——每一步，都是因为'人'遇到了一个麻烦，然后偷了个懒。"
"机器码记不住？发明助记符。地址记不住？发明变量。代码重复？发明函数。数据散乱？发明结构体。逻辑重复？发明类。类型太多？发明泛型。内存会泄漏？发明 GC。错误会静默？发明异常。并发会撞车？发明锁和异步。需求追着代码跑？发明元编程和 DSL。最后，连'人写代码'都嫌累了——于是我们发明了 Prompt，让机器听懂人话；发明了 RAG，让它用上私有知识；发明了 Agent，让它自己动手；发明了 MCP，让工具即插即用。"
小陈看着那棵树，沉默了很久："师傅……所以这棵树其实不是在讲'编程语言'，是在讲'人类是怎么一步步解放自己的'。"
老周笑了："明天出师考试，就考你这句话。"