掌握这4大AI编程核心概念，抢占未来开发制高点！

文章介绍了Anthropic的Model Context Protocol（MCP）、Agent Skills等四大核心概念（Skills、MCP、Rules、Agents）如何重塑人机协作编程。Rules定义行为规范，Skills提供专业技能，MCP连接外部工具数据，Agents自主执行任务。文章以医院为喻，生动解释各概念作用与关系，并分析它们如何协同工作提升编程效率。当前MCP、Agent Skills等已形成跨平台标准，推动AI编程工具从助手向自主工程师演进，开发者需掌握这些技术才能成为AI团队的“技术总监”。

2024 年底，Anthropic 发布了 Model Context Protocol（MCP）；2025 年底，Agent Skills 作为开放标准正式推出；到 2026 年初，Claude Code 已跃居开发者最喜爱的 AI 编程工具榜首。

在这场变革背后，有四个核心概念正在重塑我们与 AI 协作编程的方式：Skills（技能）、MCP（模型上下文协议）、Rules（规则）和Agents（智能体）。

它们各自解决什么问题？彼此之间是什么关系？为什么说理解它们就是理解 AI 编程的未来？

在深入技术细节之前，我们先用一个直观的类比来建立整体认知：

医院的管理制度（Rules）规定了所有人都必须遵守的基本规范——手术前必须洗手、处方必须双人核对。医疗操作手册（Skills）则是各种专业操作的详细指南——心脏搭桥手术怎么做、急救流程是什么。检验设备和病历系统（MCP）让医生能够获取化验结果、调阅影像资料、查看患者历史。而各科室的医生（Agents）则是独立思考、自主行动的专业人员，他们遵循制度、参考手册、使用设备，最终完成诊疗任务。

理解了这个类比，我们就可以逐一展开了。

Rules：始终在线的行为规范

什么是 Rules？

Rules 是 AI 编程助手启动时就加载的持久化指令，定义了 AI 在整个工作过程中必须遵循的约束和规范。在 Claude Code 中，Rules 主要通过CLAUDE.md文件和.claude/rules/目录来定义。

它解决什么问题？

每次你开启一个新的 AI 对话，AI 对你的项目一无所知——它不知道你用的是什么构建工具、测试框架是哪个、代码风格有什么偏好、提交信息该怎么写。如果每次都要重新交代这些，效率极低。

Rules 就是解决这个问题的：一次定义，每次对话自动生效。

实际例子

# CLAUDE.md — 项目根目录## 构建命令- 运行测试：`npm test`- 构建项目：`npm run build`## 代码规范- 使用 TypeScript strict 模式- 组件文件使用 PascalCase 命名- commit 信息遵循 Conventional Commits 格式## 架构约定- API 路由放在 src/routes/ 下- 数据库操作必须通过 Repository 层

作用范围：层叠式继承

Rules 支持多层级继承，从最宽泛到最具体：

全局规则 ~/.claude/CLAUDE.md → 所有项目生效项目规则 ./CLAUDE.md → 当前项目生效目录规则 ./src/api/CLAUDE.md → 特定目录生效条件规则 .claude/rules/python.md → 仅处理 .py 文件时生效

层级越深，优先级越高。你可以在全局设置通用偏好，在项目中覆盖特定配置，在子目录中进一步细化——就像 CSS 的层叠规则一样。

跨工具支持

Rules 并非 Claude Code 独有。几乎所有主流 AI 编程工具都有类似机制：

2025 年，一个跨平台标准AGENTS.md应运而生（由 Google、OpenAI、Sourcegraph 等联合推出），目前已被6 万多个 GitHub 仓库采用，旨在让一份指令文件适配所有 AI 编程工具。

Skills：按需加载的专业技能

什么是 Skills？

如果说 Rules 是「公司制度手册」，那 Skills 就是「岗位操作手册」。

Skills 是模块化的指令包，每个 Skill 是一个文件夹，核心是一个SKILL.md文件，里面包含了完成特定任务的详细步骤、工作流程和参考资料。它由 Anthropic 在 2025 年 10 月首次推出，12 月作为开放标准 Agent Skills 发布，现已被 Claude Code、Cursor、VS Code Copilot、OpenAI Codex 等20 多个平台支持。

它解决什么问题？

Rules 适合放简短的约束和规范，但当你需要教 AI 完成一个复杂的、多步骤的工作流程时，Rules 就力不从心了。比如：

• • 如何将 Markdown 文章转换为微信公众号格式并发布？
• • 如何按照团队规范进行代码审查？
• • 如何生成符合品牌设计风格的封面图？

这些都需要详细的步骤说明、决策逻辑、甚至配套脚本——这正是 Skills 的用武之地。

关键特性：渐进式加载

Skills 最精妙的设计在于渐进式加载（Progressive Disclosure）：

空闲时：仅加载名称和描述 → ~30-50 tokens激活时：加载完整指令 → 数千 tokens

这意味着你可以安装几十个 Skill，但只在需要时才消耗上下文窗口。相比把所有指令塞进 Rules（每次对话都全量加载），Skills 节省了 90% 以上的 token 开销。

一个 Skill 长什么样？

---name: code-reviewdescription: 对代码变更进行全面审查，检查安全性、性能和可维护性version: 1.0.0user-invokable: true---## 审查流程1. **读取变更**：获取所有修改的文件2. **分层检查**： - 安全性：是否存在注入、XSS、敏感信息泄露 - 正确性：逻辑是否正确，边界条件是否处理 - 性能：是否有 N+1 查询、不必要的重渲染 - 可维护性：命名是否清晰，是否过度设计3. **输出报告**：按严重程度分级（Critical / High / Medium / Low）

用户可以通过/code-review斜杠命令手动调用，AI 也会在检测到相关任务时自动激活。

Skills 生态

Skills 已经形成了一个类似 npm 的生态系统：

• •公共目录：skills.sh 提供可搜索的 Skill 索引
• •安装工具：npx skills add <owner/repo@skill>一键安装
• •版本锁定：skills-lock.json确保团队使用一致的版本
• •用户定制：通过EXTEND.md文件覆盖默认配置

MCP：连接万物的通用协议

什么是 MCP？

Model Context Protocol（模型上下文协议）是 Anthropic 在 2024 年 11 月发布的开放标准，用于将 AI 助手与外部工具和数据源连接起来。

一句话概括：MCP 是 AI 的 USB-C 接口。

在 MCP 出现之前，让 AI 连接 GitHub 需要一套代码，连接数据库需要另一套，连接 Slack 又是一套——每个集成都是定制开发。MCP 将这一切标准化为一个协议：任何 MCP 兼容的客户端都能连接任何 MCP 兼容的服务器，无需定制胶水代码。

技术架构

MCP 采用客户端 - 服务器架构，通过三个核心原语工作：

┌─────────────────────────────┐│ AI 助手（Host） ││ ││ ┌───────────┐ ││ │ MCP Client │──────────── │──→ MCP Server: GitHub│ └───────────┘ ││ ┌───────────┐ ││ │ MCP Client │──────────── │──→ MCP Server: 数据库│ └───────────┘ ││ ┌───────────┐ ││ │ MCP Client │──────────── │──→ MCP Server: Notion│ └───────────┘ │└─────────────────────────────┘

三个核心原语：

生态现状

截至 2026 年初，MCP 生态已经相当成熟：

• •97M+月度 SDK 下载量
• •10,000+社区构建的 MCP 服务器
• • 所有主流 AI 工具（Claude、ChatGPT、Gemini、Copilot、Cursor）均已原生支持
• • 已捐赠给Linux 基金会，由 Anthropic、OpenAI、Google、Microsoft、AWS 共同治理

常见的 MCP 服务器包括：

MCP vs API 调用：三个关键区别

你可能会问：这和直接调 API 有什么区别？

1. 1. 标准化：开发者只需实现一次 MCP 协议，所有 AI 工具都能用，而不是为每个 AI 工具分别对接
2. 2. 双向通信：MCP 不仅仅是 AI 调用工具，工具也可以主动向 AI 推送信息（如数据变更通知）
3. 3. 安全模型：MCP 内置了权限控制，用户可以精细地控制 AI 能访问什么、能做什么

Agents：自主行动的智能体

什么是 Agents？

如果把前面三个概念比作基础设施，那 Agents 就是真正「干活的人」。

Agent 是一个能够自主规划、执行、检查和调整的 AI 实例。它不只是回答问题——它会制定计划、拆分任务、调用工具、检查结果，如果发现问题还会自行修正，直到任务完成。

子智能体（Subagents）

在 Claude Code 中，主对话可以派生出专门的子智能体来并行处理任务：

主对话（你在交互的 AI） ├── 子智能体 A：安全审查（独立上下文） ├── 子智能体 B：性能分析（独立上下文） └── 子智能体 C：代码风格检查（独立上下文）

每个子智能体：

• • 拥有独立的上下文窗口，不会污染主对话
• • 可以配置专属的工具集和MCP 服务器
• • 可以预加载特定 Skills
• • 完成后只返回结果摘要给主对话

这就像医院里的分诊制度：主治医师负责统筹，具体的化验、影像、检查分别交给各科室专家去做，最终汇总结果再做诊断。

自定义 Agent

你可以创建自己的专属 Agent：

---name: security-reviewerdescription: 审查代码中的安全漏洞tools: Read, Grep, Glob, Bashmodel: opus---你是一名资深安全工程师。请审查代码中的以下问题：- 注入漏洞（SQL、XSS、命令注入）- 认证和授权缺陷- 代码中的密钥或凭据- 不安全的数据处理请提供具体的代码行引用和修复建议。

将这个文件放在.claude/agents/目录下，AI 就能在适当时机自动调用它。

Agent Teams（智能体团队）

更进一步，Claude Code 还支持多个独立的 AI 会话协同工作：

Team Lead（团队负责人） ├── 成员 A：负责前端重构 ├── 成员 B：负责 API 开发 └── 成员 C：负责测试编写

团队成员通过共享任务列表和消息传递来协调工作，就像一个真正的开发团队一样。

四者如何协同工作？

理解了每个概念之后，让我们看看它们是如何在一个真实场景中协同运作的。

场景：你对 AI 说「帮我实现用户注册功能，包含邮箱验证」

1. Rules 生效 → AI 读取 CLAUDE.md，知道项目用 Next.js + Prisma → AI 读取代码规范，知道要用 TypeScript strict 模式 → AI 读取提交规范，知道 commit 格式要求2. Skills 激活 → AI 自动加载 TDD Skill，决定先写测试 → AI 加载 Code Review Skill，准备写完后自审3. MCP 连接 → 通过 GitHub MCP 创建功能分支 → 通过数据库 MCP 检查现有 Schema → 通过 Playwright MCP 运行端到端测试4. Agents 分工 → 主 Agent 制定实施计划 → 子 Agent A：编写数据库迁移脚本 → 子 Agent B：实现 API 路由 → 子 Agent C：编写前端表单组件 → 子 Agent D：安全审查所有代码 → 结果汇总，主 Agent 提交代码

四者各司其职，缺一不可。

分层架构全景图

┌─────────────────────────────────────────────────┐│ 用户交互层 ││ 你输入指令，AI 回复结果 │├─────────────────────────────────────────────────┤│ Agents（执行层） ││ 自主规划、并行执行、检查结果、自动修正 │├─────────────────────────────────────────────────┤│ Skills（知识层） ││ 按需加载的专业知识、工作流程、操作指南 │├─────────────────────────────────────────────────┤│ Rules（约束层） ││ 始终生效的代码规范、项目配置、团队约定 │├─────────────────────────────────────────────────┤│ MCP（连接层） ││ 标准化的外部工具和数据源接口 │├─────────────────────────────────────────────────┤│ Hooks（自动化层） ││ 确定性的生命周期脚本，不依赖 AI 推理 │└─────────────────────────────────────────────────┘

你可能注意到了图中还有一个Hooks——它是在 AI 推理循环之外运行的确定性脚本，比如每次提交前自动运行 lint、每次启动时检查环境变量。Hooks 是「自动安检员」，不需要 AI 理解或判断，只要触发条件满足就执行。

横向对比：各工具的支持情况

可以看到，MCP和AGENTS.md已成为事实上的行业标准，所有主流工具都在向它们靠拢。

趋势与展望

标准化融合

MCP、Agent Skills、AGENTS.md 都已进入 Linux 基金会旗下，碎片化的时代正在过去。

从助手到自主工程师

AI 编程工具的演进路径清晰可见——从 2022 年的行内补全（Copilot），到 2025 年的智能体会话（Claude Code），再到 2026 年的多日自主编程（Kiro）。

Skills 生态爆发

就像 npm 之于前端、Docker 之于容器化，Skills 正在成为AI 能力分发的标准单元。

Token 效率成为核心关注

渐进式加载（Skills）、服务端数据过滤（MCP）、上下文隔离（Subagents）——整个行业都在想方设法让有限的上下文窗口发挥最大价值。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、AI大模型最新行业报告

2026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、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

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👇👇

3、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】