初学者在阅读 AI 智能体（Agent）相关的架构白皮书或开源代码库时，常常被满屏幕交织的英文字母弄得头晕脑胀。 实际上，无论底层代码多么庞杂，一个现代的智能体系统基本都由以下五个核心高频组件（Component）搭建而成。明确它们的真正职责边界，是读懂任何高级架构图的先决条件。
我们可以把一个全功能的智能体系统想象为一个刚刚入职公司的“新员工”，这五个术语分别对应着驱动他工作的五种不同要素。
1. Prompt（提示词边界约束）
专业定义： Prompt Engineering 是通过自然语言或极简的代码模板向大语言模型下达特定的指令集。它决定了该 Node（节点）在当前单步推理中扮演何种角色（Persona）、遵从什么任务规范以及必须采用何种特定结构来返回 JSON/文本输出。
大白话比喻： Prompt 就像是发给这个新员工的一大本《入职培训岗位职责手册》。 如果没有任何 Prompt，模型就像刚出厂的瞎子，它不知道自己是谁。只有通过 Prompt 的严厉约束：“你现在的角色是一个温柔的售后客服，任务是解答退货问题且禁止对客户发脾气”，这个模型才能立刻进入状态工作。它解决了 “模型如何思考与扮演” 的问题。
2. Memory（状态与记忆上下文）
专业定义： 由于无状态的 REST API 调用是失忆的，Memory 模块负责实现会话状态追踪。它分为短程注意力上下文记录（对话历史/Scratchpad）和需要挂载到外部数据库的长程记忆（用户长线业务表单、知识画像）。
大白话比喻： 如果没有 Memory，这个新员工就跟金鱼一样只有 7 秒的记忆。 Memory 就是他的“随身笔记本”。他不仅可以把刚才和你聊过的内容记下来（Short-term Memory），还能把你长期的生活偏好写在笔记本的最后一页（Long-term Memory）。它解决的是 “系统如何记住发生过什么” 的问题。
3. Tool / Function Calling（工具调用执行引擎）
专业定义： 大语言模型本质只是文本的概率生成器，自身无法突破沙盒与现实世界发生真实的 I/O 交互。Tool Calling 是一套允许大语言模型结构化生成外部 API 调用参数，从而让宿主程序代发网络请求改变外部状态的能力。
大白话比喻： 这位新员工光会聊天没用，遇到不会算账的时候，他需要一个真正的算盘。 Tool 就是发给这个员工的一个百宝兵器库。当遇到超出文本理解的事物（比如实时天气查询），他从兵器库里掏出一个叫“气象 API”的扳手，跑到外面把今天下雨的数据带回大脑。它解决的是 “模型如何干涉物理与互联网世界” 的问题。
4. Workflow / Orchestration（工作流调度编排）
专业定义： Workflow 定义了基于有向无环图（DAG）或状态机的一系列刚性或动态的任务流转逻辑。它用来界定什么阶段该触发检索，由于什么条件的抛出该进入重试回路，谁应当把输出丢给下游消费者。
大白话比喻： 员工手里即便拥有无数把厉害的扳手和起子，如果不被指导，他很可能上来就乱捶。 Workflow 就是这家公司红绿灯交替运作的标准流水线（SOP）。它用极其死板但极度确定的业务逻辑写下了：“你必须先去问客户意向，如果没有拿到数据就必须在这里干等着不准执行下一个环节。” 它解决的是 “单向逻辑应该按照什么宏观时间线推进” 的问题。
5. RAG（检索增强知识供给）
专业定义： Retrieval-Augmented Generation，是一种通过实时查询外部向量化数据（如 Vector DB）来作为大模型增强生成上下文依据的具体技术栈。
大白话比喻： 这个员工虽然读过全人类的书，但他根本不知道你这几个月新写的代码文档。 RAG 就是给他脚边放了一个按拼音排序极其精准的**“企业内部秘密资料柜”**。一旦他遇到不懂的疑难杂症，他不再去脑子里回忆旧知识，而是转身打开柜子准确地拿出答案念给你听。它解决的是 “企业特定私域语料的精准供给” 问题。
总结框架
看懂任何时髦架构的第一步：
- Prompt 搞定模型脑残：定义“怎么思考”。
- Memory 搞定模型失忆：定义“记住什么”。
- Tool 搞定模型瘫痪瞎子：定义“拿什么做事”。
- Workflow 搞定模型混乱暴走：定义“按什么先后次序排班”。
- RAG 搞定模型不懂你们公司业务：定义“依照什么核心权威数据回答”。