大模型知识 / 能力四大载体：MCP、RAG、Fine-tuning、Skills 完整区分

一句话总览分工

1. Fine-tuning（微调）：把知识 / 思维逻辑永久焊进模型权重，改模型本身
2. RAG（检索增强）：外挂静态文档知识库，实时查表拿事实，不改模型
3. Skills（任务技能）：标准化业务流程 / 操作 SOP，靠提示 / 函数定义实现，轻量化任务能力
4. MCP（Model Context Protocol 模型上下文协议）：通用标准化接口，统一对接外部工具、数据库、实时服务，是工具调用的底层标准

一、逐项详解

1. Fine-tuning 微调

核心逻辑：训练更新模型权重，知识永久内化，对应你之前那句 fine tuning bakes knowledge directly into the model’s weights

• 存储位置：模型参数（权重）内部
• 知识形态：领域逻辑、输出风格、固定任务范式、专业深层思维
• 优点：推理速度快、无需额外检索、模型原生理解领域逻辑，输出一致性极强
• 缺点：更新知识必须重训，成本高、周期长；容易灾难性遗忘；无溯源，难合规审计
• 适用：固定标准化输出、专业深度推理、固定话术 / 格式、低频更新领域知识
• 例子：法律合同固定写作范式、金融报告标准格式、专属行业对话语气

2. RAG 检索增强生成

核心逻辑：外置向量数据库存文档，提问时检索相关片段塞入上下文，完全不改动模型权重

• 存储位置：外部向量库（PDF、文档、私有资料）
• 知识形态：海量事实、文档、政策、资料原文
• 优点：知识随时增删改、支持引用来源、大幅降低幻觉、冷启动快、成本低于微调
• 缺点：每次推理多一步检索，延迟更高；长文档检索容易丢失细节
• 适用：企业私有文档问答、实时政策、海量资料查询、需要溯源合规场景
• 例子：内部知识库客服、法律条文检索、产品手册问答

3. Skills 技能（Agent 标准化任务单元）

核心逻辑：封装一套完整任务流程（SOP、函数调用、思考步骤），靠提示词 / 函数描述定义，不修改权重、不依赖向量库

• 存储位置：代码 / 配置文件（Skill.md、工具描述）
• 知识形态：分步操作流程、工具调用规则、多步骤任务逻辑
• 优点：秒级迭代、业务人员可维护、轻量化、多技能自由组合
• 缺点：复杂深层领域知识承载弱，海量事实不如 RAG
• 适用：多步骤自动化任务、标准化操作流程、轻量工具组合
• 例子：订单处理流程、代码调试步骤、客户投诉处理 SOP、数据分析流水线

4. MCP 模型上下文协议

核心逻辑：Anthropic 推出的通用标准化通信协议，相当于 AI 的 USB-C 接口，统一规范模型访问外部资源（工具、数据库、文件、实时 API），是工具调用的底层标准Model Context Protocol (MCP)

• 定位：不是存储知识，是连接外部数据 / 工具的通用桥梁，可以承载 RAG 数据源、Skills 工具
• 能力：统一发现工具、权限管控、日志审计、跨系统对接，解决传统 Function Calling 每个 API 单独开发的 N×M 集成问题
• 优点：一次开发全模型兼容、插拔式接入数据库 / 文件 / 第三方服务、企业级权限安全
• 适用：需要大量异构系统打通、多工具统一管理、企业 Agent 复杂外部交互
• 例子：AI 同时读写本地文件、查询 Postgres 数据库、调用 CRM、读取 Git 仓库

二、核心对比表

表格

三、四者搭配关系（工程落地）

1. RAG + MCP：MCP 统一对接文档数据库，实现标准化检索增强
2. Skills + MCP：Skill 里的工具全部通过 MCP 标准化调用，不用单独写连接器
3. Fine-tuning + RAG：微调固化领域思维，RAG 补充实时 / 海量资料，互补短板
4. 完整 Agent 架构：Fine-tuning（底层专业思维）+ RAG（静态知识库）+ Skills（任务流程）+ MCP（外部工具统一入口）

四、一句话场景选型口诀

• 要固定专业风格、统一输出 → Fine-tuning
• 查海量文档、政策、私域资料、要溯源 → RAG
• 多步骤标准化业务流程、轻量自动化 → Skills
• 对接数据库、文件、多第三方系统、统一工具标准 → MCP