大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



 
  
    
     
本文对比了LLM智能体工具MCP与Skills的发展历程、优缺点及适用场景。MCP作为连接外部工具的标准协议，存在跨厂商标准化缺失、安全风险及上下文管理等问题。Skills则通过文件系统组织代码工具，实现高效的任务执行，但需MCP补充以支持商业服务和第三方服务交互。二者并非替代关系，而是相辅相成，共同推动AI生产力发展。
 

MCP的作用与优势自然不必多说，上图是Anthropic公司给我们描述的以及网络上人们讨论MCP的美好画面。然而对于自己设计过MCP Sever或使用过MCP Tools的人来说，这画面并非故事的全部，MCP的安全风险、用户体验以及技术设计都存在一些问题（早在2025年3月，Mnaus首席科学家Peak就说出了“Actually, Manus doesn’t use MCP”，可见其团队AI认知的市场领先性）

下图是社交媒体上一个关于MCP的梗图，它非常形象地反应了当前MCP的尴尬现状

总结起来，MCP作为AI智能体连接外部工具的标准协议，虽在标准化集成方面具有优势，但仍存在多方面的不足之处：

• 协议层面：缺乏垮厂商标准化

• 虽然Anthropic公司开源了MCP协议

• 执行安全和隔离机制不足

• 这一点已得到改进，在2025年6月18日的更新中，协议增强了安全性（如明确MCP服务器作为OAuth资源服务器的角色

• 上下文同步与状态管理复杂，一次性加载全部Tools，大量消耗Token

  （假设服务数为M，每个服务包含的Tools数量为N，则总Tools数量为M*N），这挤占了本来就很宝贵的智能体Agent上下文空间 - 即所谓“上下文爆炸”，这就决定了MCP + Tools组合形式的不可扩展性(No Scaling)。

• 这点严重阻碍了MCP的发展，在这个背景下，Skills机制的思路被探讨提出，即让大模型通过编写代码来动态调用外界工具，而不是一次性获得所有工具定义，这有助于管理复杂的工具集和大量数据返回，提升上下文空间的利用率。

注：虽然Claude Code MCP团队近期也提出了动态加载工具的思路以减少上下文Token数量(Tool Search now in Claude Code: https://x.com/trq212/status/)，但Skills概念已深入人心。

Claude.md 是Anthropic公司提出的一种项目上下文注入机制——当在 Claude 桌面应用中与某个项目文件交互时，Claude 会自动读取项目根目录下的 Claude.md 文件，并将其内容作为持久化指令注入到对话上下文中，主要是为了提高提示词的使用效率。

AGNET.md则是OpenAI和Google一起提出的对Claude.md/GEMINI.md/CODEBUDDY.md等机制的一个厂商标准化设计（所有Agent厂商都可以实现支持，这样开发者就不需要每个厂商写一个全局md文件）。它的核心思想为

• 统一标准：一个文件服务所有 AI 编程工具
• 开放格式：由 OpenAI、Google 等共同制定，非专有
• 智能就近：支持嵌套，离文件最近的 AGENTS.md 优先

AGENTS.md: One File for All Agents - by Aravind Putrevu

如果把LLM比喻为计算机的CPU，Context是内存，AGENTS.md则是这台智能机的外接硬盘（以文件系统组织形式）。

既然文件组织形式这么好用，为什么不推而广之？同时，在创建Agent应用实践过程中工程师们逐渐认识到这样一个现象：AI所有使用的工具类型当中，使用代码工具（写代码+执行代码）执行任务最擅长，完成任务的效率最高（UIUC的王星尧博士的《Executable Code Actions Elicit Better LLM Agents》论文专门研究了这个主题，读者可自行搜索阅读之）。Anthropic公司也认识到：Claude固然强大，但实际工作不仅需要流程性知识，还需要组织背景信息。于是在2025年10月Anthropic推出了Agent Skills：一种基于文件和文件夹构建专业智能体的新方式，其核心理念是让用户可以将专业知识和工作流程打包成"技能包"，使 Claude 从通用 AI 助手变身为特定领域的专家。

注：2025年7月，Manus工程博客发表《AI Agent的上下文工程：构建Manus的经验教训》，其中一条即为：使用文件系统作为上下文，再一次感叹Manus团队的超前认知。

也就是说：当文件系统遇上代码工具，计算机的生产力就彻底被解放了。这种设计思想最终可以追溯到：Unix/Linux “一切皆文件”的设计哲学。

一句话解释Skills：以文件系统的形式组织专业知识与工作流的技能包/工具箱。

下图是Anthropic官方收录的skills集合，基本上涵盖了职场人士的高频技能任务，如office套件、前端设计、画图等

https://skillsmp.com/zh 是民间收录的skills集合，当前技能数已达6w+。也就是说一旦定义为skills，这些技能就可以通过智能体Agent为所有人共享。如果说软件世界里的代码/库是操作行为上的复用，Skills则是方法论上的复用，而且是自然语言维度上的复用。这也意味着数字世界skills能力的边际成本已趋近为0。昨日，社交媒体上阿里千问App上的“一句话点奶茶外卖”的能力便是这些工具应用的冰山一角。

既然Skills这款Agent工具如此好用，是不是可以不需要MCP了？并不是。在单机里、在简单环境、在初级任务里，Skills机制确实可以很出色的完成使命。但现实世界尤其是商业环境，各个平台提供的服务都不尽相同，同一个平台的各业务方向执行环境也并非完全共享。这一切都需要一种可以交换商业服务的标准化协议，而且需要透明、安全、高效，这便是MCP存在的必要性。

Anthropic《Equipping agents for the real world with Agent Skills》

上图是Claude Code使用Skills与MCP的真实场景，二者的主要职责可以表述如下：

• Skills：use computer模式下（单机环境），skills使用bash/python/node.js等程序工具完成任务。
• MCP：如果需要其他Agent服务或者第三方服务，则需要通过MCP工具获取

所以：Skills不是MCP的替代，而是MCP的补充。

1）不必纠结于MCP 和 Skills的概念本身，不妨站在技术的历史发展进程视角看看，可能一切都会变得清晰起来。

2）虽然表面上看智能体Agent技术一直在被Authropic公司引领，但其实Manus团队才是工程实践先驱，这个话题可以单独开一篇专门介绍。

3）标题有点标题党之嫌，如果看完仍有疑惑，不妨在评论区吐槽，一起继续讨论

对于刚入门大模型的小白，或是想转型/进阶的程序员来说，最头疼的就是找不到系统、全面的学习资源，要么零散不成体系，要么收费高昂，白白浪费时间走弯路。今天就给大家精心整理了一份全面且免费的AI大模型学习资源包，覆盖从入门到实战、从理论到面试的全流程，所有资料均已整理完毕，免费分享给各位！

核心包含：AI大模型全套系统化学习路线图（小白可直接照做）、精品学习书籍+电子文档、干货视频教程、可直接上手的实战项目+源码、2026大厂面试真题题库，一站式解决你的学习痛点，不用再到处搜集拼凑！

扫码免费领取全部内容

理论是实战的根基，尤其是对于程序员来说，想要真正吃透大模型原理，离不开优质的书籍和文档支撑。本次整理的书籍和电子文档，均由大模型领域顶尖专家、大厂技术大咖撰写，涵盖基础入门、核心原理、进阶技巧等内容，语言通俗易懂，既有理论深度，又贴合实战场景，小白能看懂，程序员能进阶，为后续实战和面试打下坚实基础。

无论是小白了解行业、规划学习方向，还是程序员转型、拓展业务边界，都需要紧跟行业趋势。本次整理的2026最新大模型行业报告，针对互联网、金融、医疗、工业等多个主流行业，系统调研了大模型的应用现状、发展趋势、现存问题及潜在机会，帮你清晰了解哪些行业更适合大模型落地，哪些技术方向值得重点深耕，避免盲目学习，精准对接行业需求。值得一提的是，报告还包含了多模态、AI Agent等前沿方向的发展分析，助力大家把握技术风口。

对于程序员和想落地能力的小白来说，“光说不练假把式”，只有动手实战，才能真正巩固所学知识，将理论转化为实际能力。本次整理的实战项目，涵盖基础应用、进阶开发、多场景落地等类型，每个项目都附带完整源码和详细教程，从简单的ChatPDF搭建，到复杂的RAG系统开发、大模型部署，难度由浅入深，小白可逐步上手，程序员可直接参考优化，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

2026年大模型面试已从单纯考察原理，转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。为此，我精心整理了各大厂最新大模型面试真题题库，涵盖基础原理、Prompt工程、RAG系统、模型微调、部署优化等核心考点，不仅有真题，还附带详细解题思路和行业踩坑经验，帮你精准把握面试重点，提前做好准备，面试时从容应对、游刃有余。

结合上述资源，给大家整理了一份可直接落地的四阶段学习规划，总时长约2个月，小白可循序渐进，程序员可根据自身基础调整节奏，高效掌握大模型核心能力，快速实现从“入门”到“能落地、能面试”的跨越。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

扫码免费领取全部内容

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】