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

MCP（Model 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 × N：VS 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 + N：

• AI 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 SDK（Python、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 Server，Server 提供工具和数据源，中间按 MCP 协议通信。

先看三个角色。

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 tool；GitHub 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：

SSE 不是第三种传输。当前协议里，远程传输叫 Streamable HTTP；SSE 只是它可以使用的一种流式返回方式。旧版协议里的 HTTP+SSE 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/list，Server 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 2.1：Client 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 Connectors：

Settings → 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.so：https://mcp.so/
• Smithery：https://smithery.ai/
• MCP Market：https://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(transport="stdio")

关键就几处：

• FastMCP("weather")：创建一个 MCP Server；
• @mcp.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 schema；
• mcp.run(transport="stdio")：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 stderr：

import sys print("server started", file=sys.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 Server，AI 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.mp3

CLI 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 MCP，Server 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。

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】