小白程序员快速上手大模型：MCP协议全面解析（收藏版）

本文深入浅出地介绍了MCP模型上下文协议的概念和作用旨在帮助小白和程序员快速理解并应用大模型技术。文章首先阐述了MCP解决的关键问题——AI应用如何连接外部工具和数据源随后详细解析了MCP的工作原理、服务器接入方法以及如何构建自己的MCP服务器。此外还探讨了MCP与CLI、Skill的区别并分析了它们在不同场景下的适用性。通过本文读者可以全面了解MCP协议为实际应用大模型技术打下坚实基础。AI 很聪明但默认接不上你的真实工作环境。你问“我今天下午有哪些会议”它不知道你说“查一下公司数据库里这个客户最近的订单”它查不了你让它“给客户王经理发邮件”它也做不到。原因不复杂模型学到的是训练时就已经收集好的数据。训练结束后它不会自动同步你的日历、公司数据库、本地文件也不会天然拥有这些系统的访问权限。所以问题不只是“AI 会不会回答”而是当 AI 需要读取外部数据、调用工具、执行操作时能不能用一种受控、标准的方式接入真实工作环境。MCP 要解决的就是这个连接问题。1 · MCP 是什么MCPModel Context Protocol模型上下文协议是一个让 AI 应用以统一方式连接外部工具和数据源的开源标准。官网用了一个很形象的比喻MCP 就像 AI 应用的 USB-C 接口。USB-C 把连接方式统一了。手机、电脑、显示器、电源不用各自设计一套接口。如果你用过 IDEA、VS Code 这类 IDE还可以把它类比成 LSP。LSP 出现前编辑器和编程语言之间也是 M × NVS Code 要支持 Python、Go、Rust各写一套JetBrains、Vim、Emacs 又各自再做一遍。LSP 把“编辑器如何理解语言”抽成标准协议语言方实现 language server编辑器方实现 client补全、跳转、诊断这些能力就能跨编辑器复用。MCP 也是这个思路把“AI 应用怎么连接外部工具和数据源”变成一套标准协议。这样AI 应用和外部系统之间就有了一套共同的连接方式。2 · MCP 解决的问题别重复造轮子没有统一标准时AI 应用接外部工具很容易变成一堆重复对接。一个 AI 应用想接日历要写一套想接 Notion再写一套想接数据库又是一套。换成另一个 AI 应用这些连接往往还要重新适配。这就是典型的 M × N 问题M 个 AI 应用N 个外部工具和数据源每个应用都要和每个工具单独对接。MCP 想把它变成 M NAI 应用支持 MCP工具和数据源提供 MCP Server两边按同一套协议通信。这样新增一个工具或一个 AI 应用都只是 1双方不用从头互相适配。落到实际场景大概是这样个人 AI 助手接上你的日历和邮箱就能帮你安排会议、起草回复编程工具像 Claude Code、Codex接上 Figma 这类设计工具就能照着设计稿生成网页企业的对话机器人接上飞书员工一句话就能总结群聊、查文档。MCP 不替代日历、邮箱、设计工具或飞书。它做的是把它们的能力整理成 AI 应用能发现、能调用的形式能读什么、能做什么、需要哪些参数、返回什么结果。有了这层标准AI 才能在授权范围内调用工具而不只是回答问题。3 · MCP 出现的背景MCP 出现之前模型会回答、会推理但默认拿不到业务系统里的实时和私有数据也不能直接调用外部工具。这背后有两个限制。第一知识有截止时间。模型训练完成后参数里的知识基本定型。今天的新闻、公司刚更新的订单、你临时加的会议不会自动进到模型里。第二模型默认访问不了外部系统。它可以告诉你怎么查数据库、怎么处理 GitHub issue但没有对应的工具和授权它拿不到数据库记录也改不了 GitHub 里的内容。解决这两个问题大体有两条路。一条是继续把模型做强更多训练数据、更强推理能力、更大的上下文窗口。但这条路有边界训练数据总是来自过去模型参数里也不会凭空装着你的私有数据。另一条是从外部补能力。RAG 和 Function Calling 是两种典型做法。RAG先从文档、知识库、数据库里检索资料再交给模型回答。Function Calling让模型按结构化参数生成一次函数调用再由应用执行对应函数比如查天气、发邮件、查订单。RAG 解决的是“先取资料再回答”Function Calling 解决的是“按结构化参数调用外部能力”。MCP 更接近后者但它想统一的不只是函数调用而是 AI 应用连接外部工具和数据源的整套方式。2023 年之后各家都开始做工具调用和插件机制但每个平台一套接法、每个应用一套工具描述格式。同一个工具想给不同客户端用仍要反复适配。MCP 要补的就是这套可复用的标准。2024 年 11 月Anthropic 发布 MCP把“AI 应用怎么连接外部工具和数据源”抽成开放协议。到 2025 年OpenAI、Google、微软、GitHub 等厂商陆续支持MCP 也逐渐从 Anthropic 的项目变成更中立的行业标准。2025 年 12 月Linux Foundation 成立 Agentic AI Foundation三个创始项目分别是 Anthropic 的 MCP、Block 的 goose、OpenAI 的 AGENTS.md背后还有 Google、微软、AWS 等支持。据这次公告公开的 MCP Server 已超过 1 万个官方 SDKPython、TypeScript月下载量超过 9700 万次。这也是目前官方给出的最新数据。MCP 能成为行业共识是因为大家都撞上了同一个问题AI 应用越来越多外部工具也越来越多继续各接各的集成成本会越来越高。AI 要进入真实工作流需要一套大家都能复用的协议。4 · MCP 是怎么工作的MCP 的结构不复杂用户使用的是 AI 应用AI 应用里的 Client 连接 MCP ServerServer 提供工具和数据源中间按 MCP 协议通信。先看三个角色。角色它是什么例子Host用户真正使用的 AI 应用Claude Desktop、Claude Code、CodexClientHost 里负责连接某个 Server 的组件由 Host 内部创建Server提供工具和数据源的程序文件 Server、数据库 Server、GitHub Server、天气 Server一个 Host 可以连接多个 Server但不是一个 Client 管所有连接。更准确地说Host 会为每个 Server 单独创建一个 Client。比如 Claude Desktop 同时连接文件系统、GitHub、日历三个 Server它内部就会有三个 Client分别维护这三条连接。Server 也不一定在云端。本地文件系统 Server可能只是你电脑上被客户端拉起的一个子进程GitHub 这类 Server通常是远程 HTTP 服务。MCP 里的 Server指的是“提供工具和数据源的一方”不是“云服务器”。Server 提供什么MCP Server 对外暴露的核心能力官方叫 primitives可以理解成“基础能力”。名字不用纠结记住三类就够了Tools、Resources、Prompts。Tools可调用的动作。Tool 可以理解成 MCP Server 暴露给 AI 应用的一个“操作入口”它背后可以是一项很小的查询也可以是一段完整的业务能力。比如天气 Server 里“查询当前天气”就是一个 toolGitHub Server 里“创建 issue”、“查询 PR”也可以是 tool数据库 Server 里“查询订单数量”也可以是 tool。这里的 tool 不是一个完整的软件也不是 MCP 客户端。它更像一个标准化的函数有名字、有说明、有参数、有返回。比如一个天气 Server 可以提供一个 tool名字weather_current说明查询某地当前天气参数location、units返回天气结果模型看到这些信息才知道这个 tool 能做什么、什么时候该调用、调用时要传哪些参数。真正执行前客户端通常还会让用户确认。Resources可读取的资料。Resources 是 MCP Server 暴露出来的可读取上下文比如文件内容、数据库表结构、日历记录。它负责“读”要执行修改通常走 Tools。Prompts可复用的任务模板。Prompts 是 Server 预设好的任务模板用来把某类常见任务包装成可选入口。它不会被模型自动触发通常需要用户主动选用。除了这三类 Server 能力MCP 还有一些客户端侧能力比如 Sampling、Elicitation、Roots、Logging。这里先不展开。理解主线时抓住 Tools、Resources、Prompts 就够了。一次工具调用流程MCP 的消息格式基于 JSON-RPC 2.0。它是一套公开的通信规范MCP 用它来组织请求和返回结果。传输方式主要有两种传输方式适合场景怎么通信stdio本地 Server客户端拉起子进程通过标准输入输出传 JSON-RPCStreamable HTTP远程 Server客户端通过 HTTP 连接 Server必要时用 SSE 做流式返回SSE 不是第三种传输。当前协议里远程传输叫 Streamable HTTPSSE 只是它可以使用的一种流式返回方式。旧版协议里的 HTTPSSE 已经被 Streamable HTTP 取代。它和普通 API 也不一样。普通 API 通常是程序员读文档、写代码、固定调用。MCP 面向的是 AI 助手的工作过程Client 可以先问 Server“你有哪些工具”拿到工具名、说明和参数 schema再由模型根据任务判断要不要调用。所以 MCP 不是简单的“API 包装层”。一个 tool 背后可能是一个 API也可能编排了多个 API还可能是读本地文件、跑脚本、查数据库。一次工具调用大致是这样第一步握手。Client 发送initialize和 Server 协商协议版本当前是2025-11-25与双方能力。握手完成后再发notifications/initialized表示准备就绪。第二步发现工具。Client 发送tools/listServer 返回可用工具列表包括工具名、说明和参数 schema。第三步调用工具。比如用户问“北京现在天气怎么样”模型判断需要天气工具Host 就通过对应的 Client 发起tools/call{ jsonrpc: 2.0, id: 3, method: tools/call, params: { name: weather_current, arguments: { location: Beijing, units: metric } } }Server 执行后返回结果{ jsonrpc: 2.0, id: 3, result: { content: [ { type: text, text: Current weather in Beijing: 20°C, partly cloudy... } ] } }Host 把结果交回模型模型再基于真实结果回答用户。如果 Server 的工具列表发生变化并且声明支持变更通知它可以发送notifications/tools/list_changed。Client 收到后再重新tools/list刷新列表。也就是说MCP 是先发现能力再按结构化参数调用最后把结果交回模型。安全与权限MCP 让 AI 能连数据库、文件、GitHub但它不等于“接上就安全”。安全边界主要靠协议、Server、客户端和用户配置一起控制。远程 MCP Server 通常走 Streamable HTTP。需要访问受保护资源时MCP 的标准授权机制基于 OAuth 2.1Client 代表用户完成授权拿到 access token 后访问受保护的 Server。本地 stdio Server 不走这套 OAuth 授权流程通常从环境变量读取凭据比如 API key。官方安全原则里用户知情和控制权排在第一位调用工具前、向 Server 暴露用户数据前Host 都应该让用户明确知情并同意。但 MCP 协议本身不能强制这一点最终还是看客户端怎么实现。客户端可以展示工具、要求单次确认、允许预批准低风险操作也可以记录工具调用日志。5 · 接入现成的 MCP Server用 MCP不一定要自己写 Server。很多 Server 已经有人写好了你要做的是把它接到支持 MCP 的 AI 应用里。先分两类本地 Server 和远程 Server。本地 Server跑在你电脑上本地 MCP Server 是你电脑上的一个程序。官方教程用 filesystem Server 举例它把读目录、读写文件、移动文件、搜索文件这些能力通过 MCP 暴露给 AI 应用。你可能会问有些 AI 应用本来就能操作本地文件为什么还要 filesystem Server关键是标准化。filesystem Server 把文件访问封装成 MCP 工具任何支持 MCP 的客户端都能用同一套方式接入开放哪些目录、执行前要不要确认也能统一管理。以 Claude Desktop 为例打开Settings → Developer → Edit Config配置文件默认位置是macOS: ~/Library/Application Support/Claude/claude_desktop_config.json Windows: %APPDATA%/Claude/claude_desktop_config.json写入类似这样的配置{ mcpServers: { filesystem: { command: npx, args: [ -y, modelcontextprotocol/server-filesystem, /Users/username/Desktop, /Users/username/Downloads ] } } }这段配置的意思是Claude Desktop 启动时用npx拉起modelcontextprotocol/server-filesystem并只允许它访问桌面和下载目录。filesystem Server 的访问范围由args里的目录路径决定。不要一上来就填/Users/username这类整个 home 目录先给一个测试目录。注意本地 Server 以你的用户权限运行。你能手动操作的文件它理论上也能操作所以目录范围要收窄。保存后完全退出并重启 Claude Desktop。然后可以试帮我看看 Downloads 里有哪些 PDF。 把桌面上的图片整理到一个新文件夹里。执行文件操作前Claude Desktop 通常会请求你确认。远程 Server跑在网上远程 MCP Server 不装在你电脑上而是由服务方托管。项目管理工具、文档系统、代码仓库、监控平台都可以提供远程 MCP Server。以 Claude 网页端为例官方教程用的是 Custom ConnectorsSettings → Connectors → Add custom connector然后填入远程 MCP Server 的 URL。这个 URL 通常由 Server 开发者或管理员提供应该是完整的https://地址。接下来一般会进入认证流程可能是 OAuth也可能是 API key取决于 Server 怎么实现。认证完成后这个 Server 提供的资源、提示模板和工具就可以出现在 Claude 会话里。你也可以在 connector 设置里控制哪些工具允许使用。简单区分一下本地 Server跑在你的电脑上常用来访问本地文件、脚本、数据库。 远程 Server跑在服务方那里常用来连接 SaaS、企业系统、云端数据。去哪里找 MCP Server优先看官方来源。想找现成 MCP Server先看 Registry想学怎么写再看 GitHub 仓库想看更多生态再看社区目录。MCP Registry目前还是 preview。它是官方用来发布和查找已发布 MCP Server 信息的入口。地址https://registry.modelcontextprotocol.io/官方 GitHub 仓库这个仓库不是用来“找 Server”的市场而是官方维护的参考实现集合。它更适合开发者看示例Server 怎么启动、怎么配置到客户端、Tools / Resources / Prompts 可以怎么写。地址https://github.com/modelcontextprotocol/servers社区目录社区目录适合看看生态里有什么但不等于官方背书。mcp.sohttps://mcp.so/Smitheryhttps://smithery.ai/MCP Markethttps://mcpmarket.com/zh接入前检查三件事第一看权限。尤其是本地 Server先确认它能访问哪些目录、系统能力或外部账号。第二看凭据。需要 API key 的 Server不要把 key 写进文章、截图或公开仓库配置文件本身也要注意权限和备份范围。第三看来源。社区目录不等于官方背书。接公司数据库、代码仓库、客户系统这类敏感资源时要确认维护者、权限范围、审计能力和团队规范。6 · 构建自己的 MCP Server这一章偏开发者。如果你只是想用 MCP不打算自己写 Server可以直接跳到下一章。什么时候需要自己写通常是这两种情况你要把内部 API、数据库查询、业务流程包装出来你希望同一套能力被多个 AI 客户端复用。MCP Server 做的事可以简单理解成一句话把已有能力包装成 Tools / Resources / Prompts。多数时候开发者最先写的是 Tools也就是可调用的动作。官方 build-server 教程用的是一个天气 Server。它提供两个工具get_alerts查询美国某个州的天气警报get_forecast根据经纬度查询天气预报。最小代码长什么样MCP Server 不限定语言。MCP 是协议不是某个语言框架只要按协议通信任何语言都能实现 MCP Server。官方提供了 TypeScript、Python、C#、Go、Java、Rust、Swift、Ruby、PHP、Kotlin 等语言的 SDK。SDK 是按语言提供的用对应 SDK 会省掉很多协议细节。这一章用 Python是因为官方 build-server 教程也用 Python代码短便于看清 MCP Server 的基本结构。核心是FastMCP和mcp.tool()。完整项目初始化可以看官网这里只看代码骨架。from mcp.server.fastmcp import FastMCP mcp FastMCP(weather) mcp.tool() async def get_alerts(state: str) - str: Get weather alerts for a US state. # 这里写查询 NWS API 的业务逻辑 ... mcp.tool() async def get_forecast(latitude: float, longitude: float) - str: Get weather forecast for a location. # 这里写根据经纬度查询天气预报的业务逻辑 ... if __name__ __main__: mcp.run(transportstdio)关键就几处FastMCP(weather)创建一个 MCP Servermcp.tool()把普通 Python 函数注册成 MCP tool函数参数和 docstring会被 SDK 用来生成工具说明和参数 schemamcp.run(transportstdio)用 stdio 方式运行适合本地客户端拉起。协议细节交给 SDK你主要写业务函数。接到 Claude Desktop 测试通过uv run weather.py启动刚才写的 MCP Server。接入 Claude Desktop配置{ mcpServers: { weather: { command: uv, args: [ --directory, /ABSOLUTE/PATH/TO/PARENT/FOLDER/weather, run, weather.py ] } } }/ABSOLUTE/PATH/TO/PARENT/FOLDER/weather换成你的项目绝对路径。保存配置后重启 Claude Desktop。连接成功后Claude 就能看到get_alerts和get_forecast两个工具。可以问CA 现在有哪些天气警报 37. **7749, -122.4194 这个坐标的天气预报是什么**stdio 的坑日志别写 stdout如果 Server 用 stdio 传输stdout 是 JSON-RPC 协议通道。随手写一行print(server started)就可能污染协议消息导致客户端解析失败。日志写到 stderrimport sys print(server started, filesys.stderr)或者用 logging 写到 stderr / 文件。HTTP 传输的 Server 没这个问题。业务里怎么拆工具天气 demo 只是例子。实际业务里你可以把这些能力包装成 MCP tool查询公司订单读取内部知识库创建工单生成报表。什么时候适合把一个能力做成 MCP tool看它是不是需要被 AI 应用稳定调用或者被多个客户端复用。比如查询订单、创建工单、读取知识库、生成报表都可以做成一个个 tool。AI 应用需要知道这个 tool 能做什么、要传什么参数、调用后会发生什么只是查询还是会创建、修改、发送内容。不要把所有能力塞进一个“大而全”的 tool。更好的方式是拆成几个边界清楚的小工具。工具越清楚模型越容易选对用户也越容易判断它到底要做什么。写 MCP Server不是重写系统而是给已有能力加一层标准接口。7 · CLI 会取代 MCP 吗CLI 是 Command Line Interface也就是命令行接口。很多工具本来就带 CLI比如git、gh、ffmpeg。MCP 一度被很多人看作 Agent 接工具的标准方式工具做成 ServerAI 应用按统一协议调用。但到 2025 年底、2026 年初越来越多开发者又开始重新看向 CLI。2026 年 3 月Agent-Engineering.dev 有文章称Perplexity 内部正在减少 MCP 的使用更多转向普通 API 和 CLI。文章提到的原因包括上下文开销、认证复杂度和生产环境稳定性。这不是 Perplexity 官方公告但它指出了一个值得重视的工程问题MCP 不是所有场景的默认答案。CLI 的优势CLI 最大的优势是少占上下文也就是更省 token。用 MCP 时Server 提供哪些工具、每个工具叫什么、参数是什么、返回什么通常都会进入大模型上下文。工具一多这些说明本身就会占大量的 token。有测算称官方 GitHub MCP Server 约 90 个工具光工具定义就要占掉大约 5 万 token。一个 20 万 token 的上下文窗口还没开始做正事就已经用掉两成左右。工具定义不是唯一开销。工具之间传递的中间结果也会占 token先用一个工具取回长文档再交给另一个工具处理这份文档可能会在上下文里来回出现。CLI 没有这层固定开销。Agent 需要什么就运行什么命令结果太长也可以用grep、head、jq、管道或临时脚本先处理一遍再把精简后的结果交给模型。第二个优势是执行效率高。CLI 可以直接调用本机已有命令不需要再经过一层 MCP Server。命令之间还能管道、拼接、批处理gh issue list --state open | head -20 ffmpeg -i input.mp4 output.mp3CLI 也更灵活。今天按文件名筛选明天按时间筛选改一下命令就行。MCP 也可以把一串流程封装成一个 tool但需求一变tool 可能就要改。对本地、临时、开发者场景来说CLI 往往更快、更方便。不过CLI 有个前提客户端得能跑命令。Claude Code、Codex 这类编程 Agent 可以用 shell很多网页端、聊天型 AI 应用没有你的本地终端也不能随便安装命令行工具。前提一变CLI 的优势就不一定成立。MCP 的优势第一跨客户端复用。同一个 MCP Server可以接给 Claude Code、Cursor、Codex、网页助手。客户端只要支持 MCP就能按同一套协议接入。第二更可控。CLI 给 Agent 的是一个 shell能做的事太多MCP 给的是一组明确的 tool。每个 tool 能做什么、要传什么参数、会返回什么结果都可以提前写清楚。客户端也可以在真正执行前让用户确认。第三安全边界更清楚。这里不是说 MCP 天然安全而是更容易把风险收住只暴露该暴露的 tool限制读写范围调用前让用户确认必要时留下调用记录。相比让模型直接执行任意命令这种方式更容易控制风险。第四复杂认证更适合放在 MCP 里。远程 MCP Server 可以按规范走 OAuth 2.1让每个用户自己授权拿到各自的 access token。CLI 也能做认证但通常依赖本机凭据、环境变量或个人 token到了多人、多客户端、企业系统里管理成本会变高。第五更适合长期运行的服务。比如连接池、会话状态、长任务、持续运行的业务服务都可以放在常驻 Server 里。CLI 不是完全做不到它也可以调后台服务只是做到这一步CLI 往往已经不再是简单命令而是在命令背后又藏了一套服务。不是取代是分工所以CLI 不会简单取代 MCP。本地、个人、开发者场景里CLI 的比重会越来越高。它省上下文、执行快、改起来灵活。云端、企业、多客户端、强权限控制的场景里MCP 仍然有价值。它不只是“调用一个工具”而是把工具、数据和业务能力用一套标准接口交给 AI 应用。两者也不是非要二选一。Anthropic 提出过“用代码调用 MCP”的做法MCP Server 还在但不再一次性把所有工具定义塞进模型上下文而是把工具包装成代码接口让 Agent 写代码、按需加载用到的工具。他们给出的例子里某个流程的 token 从 15 万降到 2 千。所以与其问“CLI 会不会取代 MCP”不如问这个场景里直接调 CLI 更合适还是把能力做成 MCP Server 更合适。8 · MCP 和 Skill 的区别前面讲 Skill 的文章发出去后评论区有位读者问了个很好的问题。大意是MCP 和 Skill 看起来都像“能力”是不是内部自己用就做 Skill给外部用就做 MCP如果一个 MCP Server 封装的是完整订票流程它还算不算“连接工具和数据源”这个问题很典型。MCP 和 Skill 确实都会增强 Agent但分界不在“内部还是外部”也不在“功能简单还是复杂”。Skill 是什么这里说的 Skill指的是 Agent skills。Skill 的核心是把一类任务需要的知识、流程和工具打包成 Agent 可以按需加载的技能包。它通常是一个文件夹里面有SKILL.md再配上相关指令、脚本和资料。Skill 的重要设计是渐进式加载平时只暴露简短说明等任务相关时再读取更完整的步骤、脚本和资料。你可以把它理解成一份任务手册。比如做代码审查看哪些文件、按什么顺序检查、输出什么格式处理发票识别哪些字段、怎么校验金额、异常怎么标记写周报按什么结构、从哪些资料取信息、语气怎么控制。这些解决的不是“怎么连接外部系统”而是“这类任务该怎么做”。MCP 和 Skill 的区别在哪核心区别可以这样看MCP 把能力变成可调用的接口 Skill 把做事方法整理成可按需加载的技能包。拿“订票”举例。如果做成 MCPServer 可以暴露一个book_ticket工具。这个工具内部可以很薄只是转发订票 API也可以很厚把查班次、比价、下单、写日历、发通知整套流程跑完。只要它通过 MCP 暴露成可调用的 tool它就是 MCP 里的能力。如果做成 Skill它更像一份差旅手册出差前先查日历冲突按公司政策选舱位订完后通知团队。它不直接替你订票而是告诉 Agent 怎么把这件事做对。所以“MCP 连接外部工具和数据源”这个说法没错但这里的“工具”可以很宽。它不一定只是底层 API也可以是封装好的完整业务流程。SkillMCP它是什么一份“怎么做”的方法一套“怎么调用”的接口Agent 怎么用读取照着做调用拿结果解决的问题这类任务怎么做对外部能力怎么接入不是二选一真实场景里经常是 Skill 出方法MCP 出能力。比如一个“差旅助手”Skill 负责方法什么时候该订、订什么档、订完通知谁MCP 负责能力查航班、订票、查酒店、写入日历。Skill 里也可以带脚本但它仍然是“任务手册”的一部分告诉 Agent 什么时候用、怎么用、结果怎么处理。MCP 则是另一层。它把外部系统包装成标准接口让不同客户端都能发现和调用。该用哪个接不上、拿不到、调不了用 MCP。比如查数据库、读 GitHub issue、操作文件、连监控平台。拿得到但不知道怎么处理用 Skill。比如代码审查流程、发票处理规范、报告模板、工单分类规则。既要外部能力又要固定方法MCP Skill 一起用。不要把 Skill 当 MCP 的替代品。Skill 能带脚本也能指导 Agent 调 CLI在本地任务里它确实能覆盖一部分原本要靠 MCP 的场景。但 Skill 不是连接协议。它给不了远程授权机制也没法让不同 AI 客户端复用同一个外部接口。反过来MCP 也不替你沉淀业务经验。它能告诉 Agent 有个book_ticket工具却不知道你们公司“谁能订商务舱”的规矩。9 · 结语MCP 解决的是连接问题当 AI 要进入真实工作环境能不能用一套标准方式接上文件、数据库、业务系统和各种工具而不是每个应用、每个工具都重新适配一遍。这也是判断要不要用 MCP 的关键。如果只是本地一次性任务CLI 可能更顺如果是一类任务的方法论Skill 更合适如果你缺的是连接、复用和权限边界MCP 才有意义。AI 要从聊天框走进真实工作流靠的不只是更强的模型也需要一套能让它稳定、可控地连接外部世界的接口。MCP 补上的就是这层连接。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做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6、这些资料真的有用吗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】