AI相关概念

mrcsunflower

100人浏览 · 2026-07-07 13:57:50

mrcsunflower · 2026-07-07 13:57:50 发布

MCP

MCP的全称是模型上下文协议（Model Context Protocol），由 Anthropic 推出，可以把它理解为AI应用领域的“USB-C接口”。

为什么需要MCP

在没有MCP之前，想让AI（比如Claude、ChatGPT）去操作你的本地文件、查数据库或调用某个API，开发者需要为每个数据源单独写一段“胶水代码”。这就像你想用手机连接不同的设备（U盘、显示器、鼠标），但每个设备都需要一个专用的转接头，非常麻烦。

MCP做了什么

MCP定义了一套统一的、标准化的通信协议。它把AI和外部工具之间的交互，变成了一个标准化的“插头”和“插座”关系。

这个架构里有三个核心角色：

MCP主机（Host）：想使用工具的AI应用，比如Claude Desktop、IDE插件等。
MCP客户端（Client）：集成在主机内部，负责和服务器通信。
MCP服务器（Server）：一个轻量级的服务程序，暴露特定的功能（如“读取文件”、“查询数据库”）。每个服务器就像一个带USB-C接口的“设备”。

有了这个协议，AI应用只需要连接上MCP服务器，就能立即获得该服务器提供的所有能力，而不用管它背后的具体实现。

通过 MCP，AI 可以获得四种核心能力：

Tools（工具）：让 AI 能“动手”，执行如查数据库、发消息等有副作用的动作。
Resources（资源）：让 AI 能“看数据”，只读地获取文件、日志或配置信息。
Prompts（提示词模板）：让 AI 有“作业模板”，使用预定义的规范进行推理。
Sampling（反向采样）：让服务器能反向请求 AI 帮忙进行推理或摘要分类。

MCP的核心价值

标准化：开发者只需按照MCP规范写一次服务器，就能被任何支持MCP的AI应用调用，大幅减少重复工作。
解耦：AI应用的开发和数据/工具的开发可以完全分离，就像电脑厂商不用管U盘内部怎么设计一样。
可扩展性：社区可以不断开发新的MCP服务器（文件系统、浏览器、数据库、GitHub等），形成一个丰富的“工具生态”，让AI的能力无限延伸。

MCP的典型使用流程

一个完整的MCP交互流程是这样的：

你在Claude Desktop（MCP主机）里说：“帮我读一下桌面上的‘报告.txt’文件。”
Claude Desktop里的MCP客户端会把这个请求，按照标准协议，发给“文件系统MCP服务器”。
MCP服务器收到指令，操作电脑，读取文件内容。
服务器把内容通过协议返回给Claude。
Claude理解内容后，再回答你。

整个过程，你作为用户感知不到协议的通信，体验就像AI直接操作了你的电脑。

MCP vs. Function Calling

Function Calling（函数调用），它和MCP经常被一起讨论，但层级不同：

Function Calling：是模型自身的一种能力，让模型能输出结构化的“调用指令”。
MCP：是一种应用层协议，定义了“调用指令”如何在AI应用和外部工具之间标准化地传输。

可以简单理解为：Function Calling是AI的“嘴巴”，能说清它想用什么工具；而MCP是AI和工具之间的“通用数据线”，确保指令和数据能准确无误地传过去。

所以，MCP不是一个具体的软件或功能，而是一个开放的技术标准。它的目标就是让AI应用和外部世界（文件、API、数据库等）的集成，变得像插拔U盘一样简单和标准化。

SKILL

如果说MCP是AI的“通用数据线”，那SKILL就是AI的“岗位说明书”或“工作手册”。

为什么需要SKILL

你可以让一个通用AI帮你写邮件，但要让它像资深会计师一样处理复杂的对账流程，直接告诉它“帮我做账”是行不通的。因为大模型虽然知识渊博，但不擅长处理需要特定流程、领域知识和操作步骤的复杂任务。

简单说，模型知道“怎么做”（原理），但不清楚“按什么顺序做”以及“过程中有哪些规范和禁忌”（流程）。

SKILL到底是什么

Agent Skill 是一种结构化的提示词（Prompt）和指令集，它通过一个标准格式（通常是SKILL.md文件），把完成某个特定任务的专业知识、操作流程、判断逻辑和输出规范，手把手地教给AI。

一个标准的SKILL.md文件通常包含这几部分：

元数据：技能的名称、描述、适用场景，方便AI在需要时找到它。
详细工作流：完成任务的具体步骤，比如“第一步：读取数据；第二步：数据清洗；第三步：分析...”。
领域知识库：相关的术语表、计算公式、业务规则等。
约束与规范：必须遵守的规则和禁止事项，比如“所有金额保留两位小数”、“禁止删除原始数据”。
输出格式：告诉AI最终应该以什么形式（表格、报告、JSON）返回结果。

SKILL的核心价值

让通用AI变成专家：通过加载不同的SKILL，同一个AI模型可以瞬间化身为医生、律师、程序员或财务分析师。
知识沉淀与复用：公司可以把资深员工的经验固化成SKILL，新AI或新员工加载这个SKILL后，就能按资深专家的标准工作。
提高准确性：通过明确的步骤和约束，大幅减少AI的“幻觉”和错误操作。
实现“一次性教导”：你可以一次性写好一个复杂的SKILL，AI之后每次执行相关任务时，只需加载这个SKILL，无需重复解释。

SKILL vs. MCP

这里可以用一个比喻来清晰地看清它俩的关系和区别：

MCP（模型上下文协议）：是 AI 的 “手”和“工具箱”。它负责实际执行，比如“读取文件”、“访问数据库”、“发送HTTP请求”。
SKILL（智能体技能）：是 AI 的 “大脑里的工作手册”。它告诉 AI 在接到任务时，应该先打开哪个工具箱，使用哪个工具，并按什么顺序和规范来操作。

一个典型的工作流是：
当你告诉AI“分析一下上个月的销售数据，写份报告”，AI会先加载“销售数据分析”这个SKILL，学习里面的步骤和规则。然后，根据SKILL的指引，它通过MCP提供的“读取数据库”工具去获取数据，再通过MCP的“写入文件”工具来保存生成的报告。

与标准Prompt的区别

和我直接写一段提示词（Prompt）给AI有什么区别？

维度	标准Prompt	Agent Skill
格式	自由文本，随意性大	标准化格式（`SKILL.md`），包含特定章节
可发现性	需要人工粘贴，AI无法自行发现	AI能根据任务自动检索和加载合适的技能
可组合性	难以拆分和复用	可以组合调用多个技能完成更复杂的任务
版本管理	困难	可以像代码一样进行版本控制和迭代

SKILL可以被看作是企业级、可复用的“超级提示词”。

Harness

一种AI系统工程方法，指为大语言模型（LLM）搭建的一整套“控制和管理系统”，目的是让AI能可靠地完成复杂任务。

通俗类比：给AI这匹“野马”套上的一整套“马具”，包括缰绳（规则）、马鞍（工具）和鞭子（反馈），让它能按照人的指引去工作。

核心公式：Agent = Model + Harness。即一个能干的AI助手 = AI模型本身 + 围绕它搭建的这套控制系统。

做什么的

它指的是一整套工程实践，用来“驾驭”强大但行为不可预测的大模型。它的目标是解决“模型很聪明，但一干活就犯错”的问题。

核心构成

一个完整的“Harness”通常包含以下组件，来确保AI按预期工作：

指令与规划：明确任务目标，并引导AI进行多步推理。
工具与执行：限定AI只能使用特定的工具（如读文件、查数据库），并在一个安全可控的环境（沙箱）中执行。
记忆与状态：管理AI的短期和长期记忆，让它能记住上下文。
护栏与约束：设定规则，拦截高危操作（如删除重要文件），关键操作需要人工审批。
观测与反馈：记录AI的所有操作，并建立客观的评估标准，一旦出错就自动纠正，并将经验固化为规则，确保下次不再犯。

Harness（工程方法）是教你如何为AI智能体设计一套“工作规范”和“监督机制”，让它能稳定、高效地执行任务。

Agent

可以把Agent理解为一个能够自主决策、调用工具并完成复杂任务的AI实体。

如果说传统的大模型（如ChatGPT）是一个只动口不动的“超级大脑”，那Agent就是一个既有大脑，又有手脚，还能自己制定计划去完成目标的“数字员工”。

Agent vs 其他AI概念

对比维度	大模型 (LLM)	Agent (智能体)	Skill (技能)	MCP (协议)
核心比喻	大脑：能思考、理解和生成内容。	机器人：有大脑，有手脚，能自己制定计划并行动。	工作手册：告诉大脑完成某类任务的具体步骤和规则。	通用接口/数据线：让大脑能标准化地连接和控制各种手脚。
核心能力	推理、生成、理解。	自主规划 + 调用工具 + 记忆 + 执行闭环。	提供领域知识和操作流程。	提供标准化的连接方式。
工作方式	用户提问，模型回答（一问一答）。	用户给一个目标，Agent自己拆解任务、选择工具、执行操作，直到完成目标。	被Agent加载后，指导Agent的思考和行动。	被Agent使用，来连接数据库、API等外部系统。