本文系统讲解了Prompt、Context Engineering、RAG、Agent、Skills、MCP和Claude Code等AI核心概念通过实际案例对比了它们之间的联系与区别。从基础的Prompt Engineering到高级的RAG技术再到标准化的MCP协议和自动化技能Skills文章深入浅出地揭示了如何优化与AI的交互如何为AI提供丰富的上下文信息以及如何实现AI的自主任务执行。最后以Claude Code为例展示了AI在编程领域的强大应用潜力旨在帮助读者全面理解和应用大模型技术。1、 Prompt 与 Prompt Engineering我们平时与 AI 交互时输入的文本就是 Prompt提示词。它是我们向 AI 提出的问题或请求是 AI 生成回答的基础。如果直接输入简单的 Prompt帮我开发一款新标签页浏览器插件。这种简单的描述往往会导致 AI 生成的回答不够准确或过于笼统无法直接投入使用。于是产生了 Prompt Engineering提示词工程的概念。它是指通过设计、优化和结构化 Prompt来引导 AI 生成更准确、相关和有用的回答。优化后的案例你是一名资深 Chrome 插件开发工程师。请帮我开发一个 Chrome New Tab 插件要求1. 替换浏览器新标签页2. 显示当前时间3. 支持 Todo List4. 支持用户上传背景图片5. 使用 localStorage 保存数据6. UI 简洁现代7. 使用 HTML CSS JavaScript 实现。通过明确角色定位和具体功能点AI 能更清楚地理解需求生成更符合预期的代码。2、 Context Engineering上下文工程上下文工程 vs 提示词工程虽然 Prompt Engineering 优化了指令但在复杂任务中信息依然显得单薄。Context Engineering上下文工程更进一步它侧重于提供极其详尽的背景信息、约束条件和参考资料以消除 AI 的理解歧义。深度 Context 示例你是一名资深 Chrome 插件开发工程师精通 Manifest V3。请帮我开发一个 Chrome New Tab 插件具体要求如下1. 替换浏览器新标签页。2. 显示当前时间格式YYYY-MM-DD HH:mm:ss每秒更新。3. 支持 Todo List增删改查使用 localStorage 持久化默认展示三个示例条目“买牛奶”、“写周报”、“健身”。4. 支持用户上传背景图片使用 FileReader 读取并存储为 Base64 到 localStorage图片需覆盖全屏支持暗色遮罩层以提高文字可读性。5. UI 简洁现代时间居中大号显示Todo List 置于右下角半透明毛玻璃卡片底部有一个上传按钮。6. 使用纯 HTML/CSS/JavaScript 实现不使用任何外部框架或库。7. 必须符合 Manifest V3 规范提供完整的 manifest.json、newtab.html、styles.css、script.js并注明图标尺寸要求。8. 项目结构需清晰所有文件放在一个文件夹中直接可用。附加参考- 官方文档中关于 newtab 替换的权限声明为chrome_url_overrides: {newtab: newtab.html}- localStorage 存储示例{ todos: [买牛奶, 写周报] }- 背景图片上传后应保持 aspect ratio 并 cover 整个页面。- 时间区域采用 24 小时制。从上面的例子可以看出通过提供更多的上下文信息AI 能够更准确地理解我们的需求从而不会生成一些不相关或错误的回答。简单来说其实 Prompt Engineering 是优化过 Prompt而 Context Engineering 则是提供更多的背景信息来帮助 AI 理解问题。Context Engineering 本质还是 Prompt Engineering只不过它更侧重于提供上下文信息。让我们在设计 Prompt 时不仅要关注问题本身还要考虑提供足够的背景信息来帮助 AI 更好地理解和回答问题。3、 RAGRetrieval-Augmented Generation检索增强生成RAGAI 的知识库存在截止日期。如果问 AI 一个发生在训练数据之后的事情它可能会“一本正经地胡说八道”。假设AI 的知识截止日期是 2026 年 2 月那么在这之后发生的事件或者是一些比较新的技术AI 就可能不知道了。比如如果我问 AI给我推荐 2026 年 3 月最新的技术文章。如果只靠它自己的记忆他可能答不上来或者只能瞎猜。这时候你给了他一个超级能力在回答问题之前可以用搜索引擎去检索相关的信息然后再基于这些信息来生成回答。它的核心流程是检索根据你的问题从一个“知识库”比如文档、数据库、网页里找出最相关的几条信息。增强把这些信息和你原来的问题拼在一起形成一个“增强版提示词”。生成把增强后的提示词交给大模型让它生成最终答案。这样做的好处是知识新鲜模型可以获取最新信息不依赖过时的训练数据。答案可信生成的内容有据可查减少胡说八道。个性化知识库可以包含用户个人数据比如浏览历史、笔记实现定制化回答。这个“先查资料再回答问题”的过程就是 RAGRetrieval-Augmented Generation检索增强生成。通过这种方式AI 就能够提供更准确、更相关的回答而不是仅仅依赖于它的训练数据。看到这里你可能会想这不就是在给 AI 提供更多的上下文信息吗为什么还要单独提一个 RAG 的概念呢RAG 其实是实现“上下文工程”的一种关键技术。上下文工程的核心是“如何给模型填充正确的信息”而 RAG 就是那个“自动检索正确信息”的引擎。有了 RAG上下文就可以动态变化而不需要手动写死。所以RAG 是一种技术手段而上下文工程是一个更广泛的概念。上下文工程可以通过多种方式来实现而 RAG 是其中非常重要的一种方式。4、 Agent Skills技能Agent Skills Context Window一个多月前我写了一篇文章介绍了 Skills 的概念。《Agent Skills 到底是什么从使用到原理以浅显易懂的方式讲清 rules 、skills 、mcp 的区别》。这里我就不再赘述 Skills 的定义了直接通过一个例子来说明它的作用。在开发新标签页插件每次发布新版本时我们可能会有一些固定的步骤比如修改 manifest.json 里的版本号、压缩所有文件打成 zip 包、打 Git Tag、生成 Release Note。如果没有 Skills我们每次都要手动去做这些步骤既麻烦又容易出错。核心说明书SKILL.md这是技能的灵魂。头部是 YAML 格式的元数据让 AI 知道什么时候该用它正文是具体的执行指令。---name: publish-extensiondescription: 自动执行Chrome插件的新版本发布流程。包括更新manifest.json版本号、打包zip压缩包以及提交Git。当用户要求“发布插件”、“打个新包”或“发个新版本”时触发。---# Chrome 插件发布流程 SOP## Instructions (执行指令)当你需要发布 Chrome 插件时请严格按照以下步骤执行1. 询问用户本次发布的版本更新类型patch/minor/major以及一句话的更新日志。2. 使用 bash 运行本目录下的 publish.py 脚本并将用户提供的参数传给脚本。 运行命令示例python publish.py --type minor --message 新增Todo List功能3. 脚本执行完毕后读取脚本的输出结果并用简短的话告诉用户发布已完成以及生成的压缩包名称。## 注意事项- 永远不要尝试自己去手动修改 manifest.json必须调用 publish.py 来保证流程的稳定性。限于篇幅我就不贴 publish.py 的代码了核心就是根据用户输入的版本更新类型和更新日志自动修改 manifest.json 里的版本号打包成 zip 包并提交 Git。但有了 Skills你可以直接写一个名为 publish_extension发布插件的技能。这个技能内部直接封装了上述所有繁琐的节点。下次代码写完你只需要对 AI 说一句“帮我发个新版本。” AI 就会自动调取 publish_extension 这个技能帮你完成所有发布插件的步骤。Skills 的核心价值在于它把那些重复性、流程化的东西固定下来形成一套 AI 专属的 SOP标准作业程序。这样一来不仅提高了效率还减少了出错的可能性。5、 MCPModel Context Protocol模型上下文协议MCP你可以把 MCP 形象地理解为 AI 界的“Type-C 万能接口标准”。正如 USB-C 为各种电子设备提供了标准化的物理连接方式一样MCP 为 AI 应用如 Claude、ChatGPT 等连接外部世界提供了一套标准化的通信规范。简单来说AI 只知道预训练的数据它无法感知外部的数据源。比如如果你想让 AI 访问互联网、数据库是做不到的。你可以会说不对啊为什么 ChatGPT 、Claude 等这些大模型都能访问互联网搜索信息呢其实我们平时在 web 端使用的 ChatGPT、Claude 等大模型并不是直接在模型上进行交互的而是基于大模型开发的应用。有了 MCP 这个标准接口我们就可以基于它来构建各种各样的 MCP 服务让 AI 能够通过这个 MCP 服务访问外部的数据源、工具等。比如我们可以开发一个 MCP 服务专门用来访问互联网搜索引擎。当 AI 需要获取最新的信息时它就可以通过这个 MCP 服务来进行搜索然后把搜索结果返回给 AI。或者我们可以开发一个 MCP 服务专门用来访问数据库。当 AI 需要查询数据库中的信息时它就可以通过这个 MCP 服务来进行查询然后把查询结果返回给 AI。通过 MCP我们就打通了 AI 与外部世界的连接让 AI 不再局限于它的训练数据而是能够实时获取最新的信息和资源。看到这里你可能会想怎么 MCP 和 RAG 这么像啊它们不都是在给 AI 提供更多的上下文信息吗RAG 是一种技术手段解决大模型的“幻觉”和“知识库过时”问题。它通过把用户的查询转化为向量去向量数据库中检索相关的知识片段然后把这些片段连同用户的提问一起塞给大模型让大模型基于这些事实来回答。而 MCP 则是一套标准化的协议解决 AI 模型与外部数据源、工具之间“连接碎片化”的问题。能力边界的不同只读 vs 读写RAG 通常是“只读”的传统的 RAG 系统主要是从外部拉取数据输入给大模型。它本身并不具备“行动”能力比如修改数据库、发邮件。MCP 是“读写兼备”的MCP 不仅定义了如何读取资源Resources还定义了如何调用工具Tools。通过 MCPAI 不仅能读取你的本地代码还能通过调用暴露出的 Tool 直接在你的电脑上执行一段代码或提交一个 Git 记录。总结来说RAG 决定了 AI “如何利用知识”而 MCP 决定了 AI “如何连接外部世界”。6、Agent智能体Agent大语言模型是大脑只有大脑是远远不够的。我们还需要给它手脚。AI 最终的目标是能够像人一样不仅能理解问题还能主动地去完成任务解决问题。Agent 就是实现这个目标的一种方式。Agent 是一个以大语言模型为“大脑”具备感知环境、自主规划任务、记忆上下文并能调用工具执行动作以完成特定目标的系统。传统的 ChatGPT 对话是“你问一句它答一句”被动响应。而 Agent 具备自主性 (Autonomy)。当你给 Agent 下达一个复杂指令例如“帮我分析一下竞品的新标签页插件有哪些核心功能并生成一份 Markdown 报告存到本地”Agent 会自己拆解步骤思考与规划 (Planning)我需要先搜索网页然后提取内容最后写入文件。记忆 (Memory)记住当前处于哪一步以及之前搜索到的中间结果。使用工具 (Tool Use / Action)调用搜索引擎工具查资料调用文件读写工具保存文件。7、 Agent、RAG、MCP 的区别与联系职场比喻要理清它们的关系我们可以用一个“现代职场人工作”的比喻来串联Agent (智能体) 员工本人角色打工人大脑是 LLM。职责理解老板用户的意图拆解任务决定先做什么后做什么判断任务是否完成。RAG (检索增强生成) 员工的专属资料库/档案柜角色外挂知识库。职责当员工发现自己脑袋里模型预训练知识没有某个特定项目的细节时去档案柜里精准检索出需要的文件放在办公桌上供自己参考。MCP (模型上下文协议) 公司的标准化工作流/通信语言角色标准化接口协议。职责规定了员工如何合规地去拿档案柜里的资料连接 RAG规定了员工如何操作公司的打印机、财务系统连接其他外部 Tools。Agent 的核心价值在于它不仅能理解复杂的指令还能自主地去完成任务而不需要你一步步地指导它。8、 Claude Code最后Claude Code 是 Anthropic 公司推出的一款专为编程设计的 Agent。它是 Agent 的一个具体实现案例。它不仅集成了强大的自主规划能力还原生支持 MCP 协议和 Skills 扩展。它能读写文件、运行测试、修复 Bug甚至根据你项目中的SKILL.md自动执行发布流程。它代表了目前 AI 在编程辅助领域的最高生产力。总结Prompt / Context Engineering是我们与 AI 交流的沟通质量。RAG是 AI 扩充知识库的技术手段。MCP是连接 AI 与外部世界的标准化物理接口。Skills是将重复流程打包成的自动化指令集。Agent是将上述能力整合能自主思考并执行任务的终极形态。Claude Code则是 Agent 在软件工程领域的硬核应用。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘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。以上全套大模型资料如何领取
掌握Prompt、Context Engineering、RAG、Agent等AI核心概念，小白也能轻松驾驭大模型（收藏版）
发布时间：2026/5/21 17:47:48
本文系统讲解了Prompt、Context Engineering、RAG、Agent、Skills、MCP和Claude Code等AI核心概念通过实际案例对比了它们之间的联系与区别。从基础的Prompt Engineering到高级的RAG技术再到标准化的MCP协议和自动化技能Skills文章深入浅出地揭示了如何优化与AI的交互如何为AI提供丰富的上下文信息以及如何实现AI的自主任务执行。最后以Claude Code为例展示了AI在编程领域的强大应用潜力旨在帮助读者全面理解和应用大模型技术。1、 Prompt 与 Prompt Engineering我们平时与 AI 交互时输入的文本就是 Prompt提示词。它是我们向 AI 提出的问题或请求是 AI 生成回答的基础。如果直接输入简单的 Prompt帮我开发一款新标签页浏览器插件。这种简单的描述往往会导致 AI 生成的回答不够准确或过于笼统无法直接投入使用。于是产生了 Prompt Engineering提示词工程的概念。它是指通过设计、优化和结构化 Prompt来引导 AI 生成更准确、相关和有用的回答。优化后的案例你是一名资深 Chrome 插件开发工程师。请帮我开发一个 Chrome New Tab 插件要求1. 替换浏览器新标签页2. 显示当前时间3. 支持 Todo List4. 支持用户上传背景图片5. 使用 localStorage 保存数据6. UI 简洁现代7. 使用 HTML CSS JavaScript 实现。通过明确角色定位和具体功能点AI 能更清楚地理解需求生成更符合预期的代码。2、 Context Engineering上下文工程上下文工程 vs 提示词工程虽然 Prompt Engineering 优化了指令但在复杂任务中信息依然显得单薄。Context Engineering上下文工程更进一步它侧重于提供极其详尽的背景信息、约束条件和参考资料以消除 AI 的理解歧义。深度 Context 示例你是一名资深 Chrome 插件开发工程师精通 Manifest V3。请帮我开发一个 Chrome New Tab 插件具体要求如下1. 替换浏览器新标签页。2. 显示当前时间格式YYYY-MM-DD HH:mm:ss每秒更新。3. 支持 Todo List增删改查使用 localStorage 持久化默认展示三个示例条目“买牛奶”、“写周报”、“健身”。4. 支持用户上传背景图片使用 FileReader 读取并存储为 Base64 到 localStorage图片需覆盖全屏支持暗色遮罩层以提高文字可读性。5. UI 简洁现代时间居中大号显示Todo List 置于右下角半透明毛玻璃卡片底部有一个上传按钮。6. 使用纯 HTML/CSS/JavaScript 实现不使用任何外部框架或库。7. 必须符合 Manifest V3 规范提供完整的 manifest.json、newtab.html、styles.css、script.js并注明图标尺寸要求。8. 项目结构需清晰所有文件放在一个文件夹中直接可用。附加参考- 官方文档中关于 newtab 替换的权限声明为chrome_url_overrides: {newtab: newtab.html}- localStorage 存储示例{ todos: [买牛奶, 写周报] }- 背景图片上传后应保持 aspect ratio 并 cover 整个页面。- 时间区域采用 24 小时制。从上面的例子可以看出通过提供更多的上下文信息AI 能够更准确地理解我们的需求从而不会生成一些不相关或错误的回答。简单来说其实 Prompt Engineering 是优化过 Prompt而 Context Engineering 则是提供更多的背景信息来帮助 AI 理解问题。Context Engineering 本质还是 Prompt Engineering只不过它更侧重于提供上下文信息。让我们在设计 Prompt 时不仅要关注问题本身还要考虑提供足够的背景信息来帮助 AI 更好地理解和回答问题。3、 RAGRetrieval-Augmented Generation检索增强生成RAGAI 的知识库存在截止日期。如果问 AI 一个发生在训练数据之后的事情它可能会“一本正经地胡说八道”。假设AI 的知识截止日期是 2026 年 2 月那么在这之后发生的事件或者是一些比较新的技术AI 就可能不知道了。比如如果我问 AI给我推荐 2026 年 3 月最新的技术文章。如果只靠它自己的记忆他可能答不上来或者只能瞎猜。这时候你给了他一个超级能力在回答问题之前可以用搜索引擎去检索相关的信息然后再基于这些信息来生成回答。它的核心流程是检索根据你的问题从一个“知识库”比如文档、数据库、网页里找出最相关的几条信息。增强把这些信息和你原来的问题拼在一起形成一个“增强版提示词”。生成把增强后的提示词交给大模型让它生成最终答案。这样做的好处是知识新鲜模型可以获取最新信息不依赖过时的训练数据。答案可信生成的内容有据可查减少胡说八道。个性化知识库可以包含用户个人数据比如浏览历史、笔记实现定制化回答。这个“先查资料再回答问题”的过程就是 RAGRetrieval-Augmented Generation检索增强生成。通过这种方式AI 就能够提供更准确、更相关的回答而不是仅仅依赖于它的训练数据。看到这里你可能会想这不就是在给 AI 提供更多的上下文信息吗为什么还要单独提一个 RAG 的概念呢RAG 其实是实现“上下文工程”的一种关键技术。上下文工程的核心是“如何给模型填充正确的信息”而 RAG 就是那个“自动检索正确信息”的引擎。有了 RAG上下文就可以动态变化而不需要手动写死。所以RAG 是一种技术手段而上下文工程是一个更广泛的概念。上下文工程可以通过多种方式来实现而 RAG 是其中非常重要的一种方式。4、 Agent Skills技能Agent Skills Context Window一个多月前我写了一篇文章介绍了 Skills 的概念。《Agent Skills 到底是什么从使用到原理以浅显易懂的方式讲清 rules 、skills 、mcp 的区别》。这里我就不再赘述 Skills 的定义了直接通过一个例子来说明它的作用。在开发新标签页插件每次发布新版本时我们可能会有一些固定的步骤比如修改 manifest.json 里的版本号、压缩所有文件打成 zip 包、打 Git Tag、生成 Release Note。如果没有 Skills我们每次都要手动去做这些步骤既麻烦又容易出错。核心说明书SKILL.md这是技能的灵魂。头部是 YAML 格式的元数据让 AI 知道什么时候该用它正文是具体的执行指令。---name: publish-extensiondescription: 自动执行Chrome插件的新版本发布流程。包括更新manifest.json版本号、打包zip压缩包以及提交Git。当用户要求“发布插件”、“打个新包”或“发个新版本”时触发。---# Chrome 插件发布流程 SOP## Instructions (执行指令)当你需要发布 Chrome 插件时请严格按照以下步骤执行1. 询问用户本次发布的版本更新类型patch/minor/major以及一句话的更新日志。2. 使用 bash 运行本目录下的 publish.py 脚本并将用户提供的参数传给脚本。 运行命令示例python publish.py --type minor --message 新增Todo List功能3. 脚本执行完毕后读取脚本的输出结果并用简短的话告诉用户发布已完成以及生成的压缩包名称。## 注意事项- 永远不要尝试自己去手动修改 manifest.json必须调用 publish.py 来保证流程的稳定性。限于篇幅我就不贴 publish.py 的代码了核心就是根据用户输入的版本更新类型和更新日志自动修改 manifest.json 里的版本号打包成 zip 包并提交 Git。但有了 Skills你可以直接写一个名为 publish_extension发布插件的技能。这个技能内部直接封装了上述所有繁琐的节点。下次代码写完你只需要对 AI 说一句“帮我发个新版本。” AI 就会自动调取 publish_extension 这个技能帮你完成所有发布插件的步骤。Skills 的核心价值在于它把那些重复性、流程化的东西固定下来形成一套 AI 专属的 SOP标准作业程序。这样一来不仅提高了效率还减少了出错的可能性。5、 MCPModel Context Protocol模型上下文协议MCP你可以把 MCP 形象地理解为 AI 界的“Type-C 万能接口标准”。正如 USB-C 为各种电子设备提供了标准化的物理连接方式一样MCP 为 AI 应用如 Claude、ChatGPT 等连接外部世界提供了一套标准化的通信规范。简单来说AI 只知道预训练的数据它无法感知外部的数据源。比如如果你想让 AI 访问互联网、数据库是做不到的。你可以会说不对啊为什么 ChatGPT 、Claude 等这些大模型都能访问互联网搜索信息呢其实我们平时在 web 端使用的 ChatGPT、Claude 等大模型并不是直接在模型上进行交互的而是基于大模型开发的应用。有了 MCP 这个标准接口我们就可以基于它来构建各种各样的 MCP 服务让 AI 能够通过这个 MCP 服务访问外部的数据源、工具等。比如我们可以开发一个 MCP 服务专门用来访问互联网搜索引擎。当 AI 需要获取最新的信息时它就可以通过这个 MCP 服务来进行搜索然后把搜索结果返回给 AI。或者我们可以开发一个 MCP 服务专门用来访问数据库。当 AI 需要查询数据库中的信息时它就可以通过这个 MCP 服务来进行查询然后把查询结果返回给 AI。通过 MCP我们就打通了 AI 与外部世界的连接让 AI 不再局限于它的训练数据而是能够实时获取最新的信息和资源。看到这里你可能会想怎么 MCP 和 RAG 这么像啊它们不都是在给 AI 提供更多的上下文信息吗RAG 是一种技术手段解决大模型的“幻觉”和“知识库过时”问题。它通过把用户的查询转化为向量去向量数据库中检索相关的知识片段然后把这些片段连同用户的提问一起塞给大模型让大模型基于这些事实来回答。而 MCP 则是一套标准化的协议解决 AI 模型与外部数据源、工具之间“连接碎片化”的问题。能力边界的不同只读 vs 读写RAG 通常是“只读”的传统的 RAG 系统主要是从外部拉取数据输入给大模型。它本身并不具备“行动”能力比如修改数据库、发邮件。MCP 是“读写兼备”的MCP 不仅定义了如何读取资源Resources还定义了如何调用工具Tools。通过 MCPAI 不仅能读取你的本地代码还能通过调用暴露出的 Tool 直接在你的电脑上执行一段代码或提交一个 Git 记录。总结来说RAG 决定了 AI “如何利用知识”而 MCP 决定了 AI “如何连接外部世界”。6、Agent智能体Agent大语言模型是大脑只有大脑是远远不够的。我们还需要给它手脚。AI 最终的目标是能够像人一样不仅能理解问题还能主动地去完成任务解决问题。Agent 就是实现这个目标的一种方式。Agent 是一个以大语言模型为“大脑”具备感知环境、自主规划任务、记忆上下文并能调用工具执行动作以完成特定目标的系统。传统的 ChatGPT 对话是“你问一句它答一句”被动响应。而 Agent 具备自主性 (Autonomy)。当你给 Agent 下达一个复杂指令例如“帮我分析一下竞品的新标签页插件有哪些核心功能并生成一份 Markdown 报告存到本地”Agent 会自己拆解步骤思考与规划 (Planning)我需要先搜索网页然后提取内容最后写入文件。记忆 (Memory)记住当前处于哪一步以及之前搜索到的中间结果。使用工具 (Tool Use / Action)调用搜索引擎工具查资料调用文件读写工具保存文件。7、 Agent、RAG、MCP 的区别与联系职场比喻要理清它们的关系我们可以用一个“现代职场人工作”的比喻来串联Agent (智能体) 员工本人角色打工人大脑是 LLM。职责理解老板用户的意图拆解任务决定先做什么后做什么判断任务是否完成。RAG (检索增强生成) 员工的专属资料库/档案柜角色外挂知识库。职责当员工发现自己脑袋里模型预训练知识没有某个特定项目的细节时去档案柜里精准检索出需要的文件放在办公桌上供自己参考。MCP (模型上下文协议) 公司的标准化工作流/通信语言角色标准化接口协议。职责规定了员工如何合规地去拿档案柜里的资料连接 RAG规定了员工如何操作公司的打印机、财务系统连接其他外部 Tools。Agent 的核心价值在于它不仅能理解复杂的指令还能自主地去完成任务而不需要你一步步地指导它。8、 Claude Code最后Claude Code 是 Anthropic 公司推出的一款专为编程设计的 Agent。它是 Agent 的一个具体实现案例。它不仅集成了强大的自主规划能力还原生支持 MCP 协议和 Skills 扩展。它能读写文件、运行测试、修复 Bug甚至根据你项目中的SKILL.md自动执行发布流程。它代表了目前 AI 在编程辅助领域的最高生产力。总结Prompt / Context Engineering是我们与 AI 交流的沟通质量。RAG是 AI 扩充知识库的技术手段。MCP是连接 AI 与外部世界的标准化物理接口。Skills是将重复流程打包成的自动化指令集。Agent是将上述能力整合能自主思考并执行任务的终极形态。Claude Code则是 Agent 在软件工程领域的硬核应用。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘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。以上全套大模型资料如何领取
![[QA]插件式测试用例生成工具：LLM Test Case Tool 的设计与实现](http://pic.xiahunao.cn/yaotu/[QA]插件式测试用例生成工具：LLM Test Case Tool 的设计与实现)
