MCP、Agent Skills与A2A的定位对比

保姆级教程:在瑞芯微RV1126B上部署轻量化YOLOv8,实现端侧实时目标检测 本文详细介绍了在瑞芯微RV1126B芯片上部署轻量化YOLOv8模型的完整流程,包括开发环境搭建、模型训练优化、量化转换及嵌入式部署。通过利用RV1126B的3TOPS NPU算力和AI-ISP特性,实现端侧实时目标检测,提升边缘AI应用的性能和效率。 阅读详情

文章探讨了通用人工智能(AGI)中,大语言模型(LLM)从静态对话向动态代理的跃迁,以及由此引发的N×M集成危机。为应对此危机,行业内出现了三种核心技术框架与协议:模型上下文协议(MCP)、智能体技能标准(Agent Skills)和智能体对智能体协议(A2A)。MCP通过标准化接口解决模型与工具/数据的连接;Agent Skills封装领域专业知识为可移植指令集;A2A构建跨厂商、跨框架的代理协作网络。三者协同构建了分层协议策略,实现从协作大脑、专业逻辑到执行末梢的完整体系。文章还强调了安全、隐私与治理的重要性,并展望了AI基础设施标准化浪潮及企业实施策略。


在通用人工智能(AGI)的演化路径中,大语言模型(LLM)正经历从“静态对话(Chat)”向“动态代理(Agency)”的本质跃迁。早期的人工智能应用主要局限于文本的输入与输出,其知识边界受限于训练数据的截止日期,无法与实时变化的数字环境进行深度交互。然而,随着企业对自动化、实时数据访问及跨系统协作需求的激增,人工智能必须具备操纵数字工具、查询动态数据库及编排复杂工作流的能力。这一转型引发了严重的N×M集成危机:当组织试图将不断增加的模型数量(N)连接到多样化的企业数据源和工具(M)时,生态系统陷入了碎片化。

在传统模式下,开发者必须为每一种模型与每一个外部工具的组合编写定制化的连接器。例如,将 GPT-4 连接到 PostgreSQL 数据库所需的逻辑,可能与将 Claude 3.5 连接到同一数据库的逻辑完全不同。这种缺乏标准化的现状导致了系统架构的脆弱性与不可扩展性,使得数据依然处于孤岛状态,而 AI 代理则因为缺乏必要的上下文而显得能力受限。为了应对这一基础设施危机,行业内涌现出了三种核心的技术框架与协议:由 Anthropic 推动并随后开源的模型上下文协议(Model Context Protocol, MCP)、旨在标准化任务执行逻辑的智能体技能标准(Agent Skills),以及由 Google 牵头并捐赠给 Linux 基金会的智能体对智能体协议(Agent-to-Agent Protocol, A2A)。

这三种协议虽然在宏观目标上具有一致性,即旨在提升人工智能的连通性、准确度与自动化程度,但在具体的功能定位、技术实现路径及生态位角色上存在显著差异。MCP 专注于解决模型与工具/数据之间的“最后一公里”连接;Agent Skills 致力于将领域专业知识封装为可移植的指令集;而 A2A 则旨在构建一个跨厂商、跨框架的代理协作网络。理解这三者之间的关系,对于构建下一代企业级、可扩展且安全的智能体生态系统至关重要。

Model Context Protocol (MCP):AI 时代的通用串行总线

定位与核心架构逻辑

模型上下文协议(MCP)被广泛比喻为 AI 应用的“USB-C 接口” 。它是一种开放标准,旨在为大语言模型应用提供一个标准化的“语言”,使其能够以统一的方式与外部资料、应用程序和服务进行沟通。MCP 的核心价值在于它解耦了模型的智能逻辑与具体的数据访问实现。通过 MCP,开发者只需要为某种工具或数据源编写一次服务器端代码,即可让支持 MCP 的所有模型客户端(如 Claude Desktop、Cursor、IDE 等)无缝调用 。

MCP 采用了典型的客户端-服务器(Client-Server)架构,其中包含三个关键角色:MCP Host(主机)、MCP Client(客户端)和 MCP Server(服务器)。MCP Host 是用户直接交互的应用程序,它管理着一个或多个 MCP Client。MCP Client 是嵌入在主机内的协议代理,负责维护与服务器之间的 1:1 连接并获取上下文。MCP Server 则是为模型提供具体能力、数据和上下文的外部程序,它可以运行在本地机器上,也可以部署在远程云端。

技术原语与通信机制

MCP 的通信基础建立在轻量级的 JSON-RPC 2.0 消息格式之上,支持有状态的连接与能力协商。这种设计灵感来源于语言服务器协议(Language Server Protocol, LSP),但在 LSP 的反应式机制基础上进行了扩展,以支持代理的自主工作流 。

MCP 定义了三类核心技术原语,这些原语构成了服务器向模型暴露能力的标准方式:

原语类型 (Primitive)定义与功能典型应用场景
Resources (资源)供模型读取的静态或动态数据,通常是只读的。读取本地日志文件、抓取网页内容、检索数据库 Schema。
Tools (工具)模型可调用的函数,允许代理采取行动并对外部系统产生影响。发送电子邮件、在 Jira 中创建任务、执行本地代码、更新 CRM 记录。
Prompts (提示)预定义的模板化消息和工作流说明,用于指导模型如何处理特定任务。引导模型进行代码审查、提供法律文件分析模板。

此外,MCP 还支持高级的采样(Sampling)能力,允许 MCP 服务器请求主机提供大语言模型的完成结果。这意味着服务器可以作为自主代理启动递归的 AI 交互,而无需自身集成复杂的 AI SDK 。在传输层方面,MCP 支持标准输入输出(stdio)用于低延迟的本地集成,以及 HTTP 配合服务器发送事件(SSE)用于远程连接。

性能优化与“代码执行模式”

随着集成工具数量的增加,传统的将所有工具定义预加载到上下文窗口的做法会导致 Token 消耗剧增和成本上升。为了解决这一问题,业界引入了“代码执行(Code Execution)”模式。在这种模式下,MCP 服务器不再被视为单纯的工具调用端点,而是被视为代码 API。代理可以通过编写代码来与 MCP 服务器交互,这种方式允许代理仅加载当前任务所需的工具定义,并在执行环境中过滤中间数据 。根据测试,这种渐进式披露的方法可以将上下文 Token 使用量从 150,000 个减少到 2,000 个,成本和时间节省效率高达 98.7% 。

在处理高并发请求时,MCP 表现出了极强的扩展性。通过分布式缓存、并行查询路由和无状态请求处理,MCP 系统能够每秒处理超过 5,000 次上下文操作,同时将响应时间控制在 100 毫秒以内。这种高性能表现使其成为企业级高吞吐量人工智能应用的理想选择。

Agent Skills:结构化智能体技能的执行蓝图

定位与核心价值

如果说 MCP 定义了 AI 的“感官”和“四肢”,使其能触碰外部世界,那么 Agent Skills 则定义了 AI 的“技能书”或“作业指导书” 。Agent Skills 是一套开放标准,旨在教导 AI 代理如何高效且可重复地完成特定领域的专业任务。它超越了简单的提示词工程(Prompt Engineering),将复杂的任务逻辑、脚本、参考文档和资源文件打包成一个可移植的、受版本控制的包。

Agent Skills 的核心意义在于“专业化”与“复用性”。它允许开发者为模型提供特定领域的深层工作流,例如法律文件审计、财务对比分析或复杂的软件测试流程。这种封装确保了无论在哪种支持 Skills 的应用(如 GitHub Copilot, Claude Code)中使用,AI 的执行质量都能保持一致。

SKILL.md 与渐进式披露机制

Agent Skills 的物理形态通常表现为一个包含SKILL.md文件的目录。这个 Markdown 文件使用 YAML 前言(Frontmatter)来定义技能的元数据和激活逻辑。这种格式的设计理念是“渐进式披露(Progressive Disclosure)”,旨在最大限度地节省上下文资源 。

下表详细列出了SKILL.md中核心元数据字段的功能及其对代理行为的影响:

字段名称 (Metadata Field)约束与类型详细功能解析
name必须 (Required)唯一标识符,必须全小写并使用连字符。它必须与存储该技能的文件夹名称完全一致,用于在系统中精准索引。
description必须 (Required)核心语义触发器。描述技能的具体用途及适用场景。AI 模型通过语义匹配此字段来决定是否需要加载该技能。
user-invokable可选 (Boolean)控制可见性。决定技能是否出现在聊天界面的斜杠命令(/)菜单中。若设为 false,则该技能仅作为后台背景知识。
disable-model-invocation可选 (Boolean)控制自主性。若设为 true,则模型不会自动识别并加载该技能,必须由用户通过斜杠命令手动激活。

技能的加载过程分为多个能级:

能级 1:元数据加载。系统启动时仅加载名称和描述(约 100 Token),用于发现 。

能级 2:指令加载。当触发匹配时,加载 SKILL.md 正文中的详细指令(通常在 5k Token 以内)。

能级 3:资源与代码执行。根据指令需求,代理可以动态读取目录下的脚本(如 Python, JS)或参考文档,这些内容在执行时才被消耗,不会预先占用宝贵的上下文空间 。

技能的应用与分布模型

Agent Skills 的分布具有极强的灵活性,支持多种存储范围。开发者可以将技能存储在项目代码库(.github/skills/)中以供团队共享,也可以存储在用户根目录(~/.agents/skills/)作为个人的跨项目通用工具。

目前,市场上已经涌现出大量的技能库。Anthropic 提供了生产级的文档编辑技能(如处理 PDF, PPTX, XLSX),使模型能够精确生成复杂格式的文件。社区层面,awesome-agent-skills 仓库汇集了从 AWS 开发到网络取证等 50 多个经过验证的专业技能,显示出技能标准在各行业深度集成的巨大潜力。

Agent-to-Agent (A2A) 协议:构建智能体协作的“外交协议”

起源、愿景与标准化努力

Agent-to-Agent (A2A) 协议由 Google 于 2025 年 4 月推出,现已成为 Linux 基金会旗下的开源项目。A2A 协议的出现是为了解决智能体领域的“巴别塔困境”:不同的厂商、不同的技术框架(如 LangChain, CrewAI)构建的代理,由于通信格式不一,难以进行跨系统的协作。A2A 被定位为 AI 智能体之间的“通用语言”或“外交协议”,旨在实现跨框架、跨云环境的互操作性。

A2A 并非要取代现有的编排框架,而是作为一个消息传输层存在。它允许一个 Google 的代理与一个 IBM 或开源框架构建的代理进行对话、任务委派和结果共享。这种标准化使得企业可以构建异构的智能体生态系统,将内部自研代理与第三方商业代理无缝集成。

架构组件与核心概念

A2A 协议采用了明确的客户端-服务器模型。发起请求的实体被称为 A2A Client(客户端智能体),而接收并执行任务的实体被称为 A2A Server(远程智能体)。

协议的运行依托于以下核心构建块:

Agent Card (智能体卡片):这是 A2A 的核心发现机制。它是一个公开的 JSON 元数据文件(通常位于 /.well-known/agent.json),充当智能体的“名片”或“简历”。卡片详细描述了代理的名称、功能、支持的数据模式以及身份验证要求,允许其他代理在网络中自动发现并识别其协作价值。

Task (任务):A2A 通信的基本工作单元。每一个任务都有唯一的 ID 和定义明确的状态生命周期(submitted -> working -> input-required -> completed/failed)。这种状态化设计特别适用于需要数小时或数天才能完成的长时运行任务。

Message (消息):对话中的单次交换。消息可以包含多个Part (部件),支持文本(TextPart)、文件(FilePart)和结构化 JSON 数据(DataPart),天然支持多模态交互。

Artifact (工件):任务执行完成后产生的最终产物,如生成的分析报告、图像或代码文件。

通信流程与技术特性

A2A 工作流遵循三个严格的步骤:发现 (Discovery)、身份验证 (Authentication)和通信 (Communication)。在通信阶段,A2A 使用 HTTPS 作为安全传输层,并采用 JSON-RPC 2.0 作为数据交换格式。

为了支持实时性与异步性,A2A 引入了两项关键技术:

Server-Sent Events (SSE):用于实现实时的流式传输,允许远程代理在任务执行过程中不断地向客户端推送状态更新或中间结果。

Push Notifications (推送通知):当任务执行时间极长或客户端掉线时,远程代理可以通过客户端提供的安全 Webhook 发送异步通知,确保协作链条不会中断。

定位、对比与维度的深度解析

通过对上述三项协议的详细剖析,可以发现它们分别针对了智能体集成链条中的不同环节。下表通过多维度的参数对比,揭示了它们在现代 AI 架构中的独特地位:

对比维度Model Context Protocol (MCP)Agent SkillsAgent-to-Agent (A2A)
核心定位能力/数据集成层:解决 AI 如何连接外界。指令/逻辑封装层:解决 AI 如何执行专业任务。代理协作/网络层:解决 AI 之间如何对话与分工。
推动主体Anthropic (现由 Linux 基金会托管)Anthropic / Microsoft / GitHubGoogle (现由 Linux 基金会托管)
主要解决的问题N x M 集成成本与工具碎片化任务的可复用性、准确性与指令上下文效率代理孤岛、厂商锁定与跨平台互操作性
核心机制Client-Server, 基于 JSON-RPC 2.0物理目录结构,SKILL.md指令文件客户端-远程代理模型, 任务生命周期管理
透明度模型白盒式:模型能感知并直接通过 Host 调用具体工具。模块式:模型作为系统 Prompt 的动态扩展来加载。黑盒式 (Opaque):各代理保持独立,不暴露内部逻辑或记忆。
发现机制手动配置/显式指向服务器基于SKILL.md描述的语义匹配发现基于 Agent Card 的动态网络发现
主要技术栈stdio, HTTP+SSE, JSON-RPCMarkdown, YAML, Shell/Python/JS 脚本HTTPS, SSE, JSON-RPC 2.0, Webhooks

深刻见解:从“单体智能”到“社会化协作”的范式转移

这三项协议的并行演进反映了人工智能系统设计哲学的根本转变。MCP 的成功标志着“单体代理”能力的爆发,它让每一个代理都能拥有强大的感官和操纵现实世界的能力。就像为每一位工程师配备了一套完整的工具箱,MCP 赋予了代理数据库、邮件、计算器等全方位的资源。

Agent Skills 则引入了“专业化分工”的概念。它意识到,即便有了工具,如果没有正确的方法论指导,代理依然无法处理极其复杂的行业任务。Skills 标准将这些方法论代码化、包化,使得专业知识可以像软件补丁一样安装在代理上。

而 A2A 的崛起则预示着“智能体社会”的到来。在 A2A 的视角下,一个极其复杂的任务不应该由一个臃肿的全能代理完成,而应该由一群轻量、专业、分布式的代理协作完成。A2A 关注的是代理之间的边界与契约,它允许每个代理保持自己的自治权、私有记忆和特定框架,通过标准化的“外交辞令”达成共识。这种黑盒协作机制是保护企业数据隐私、实现安全治理的关键。

协同关系:构建三位一体的智能体层次架构

在实际的大规模企业级部署中,MCP、Agent Skills 与 A2A 并非互斥关系,而是层层递进、互补增强的协同关系。一种被广泛认可的架构模式是“分层协议策略(Layered Protocol Strategy)”。

架构层级的垂直整合

通过将这三种标准垂直整合,可以构建出一个具备“协作大脑”、“专业逻辑”与“执行末梢”的完整体系:

总线层 (The Communication Bus - A2A):A2A 协议作为顶层的沟通总线。它负责在不同的代理(如财务代理、物流代理、法务代理)之间传递任务。编排者代理(Orchestrator)不需要了解这些专家的内部实现,只需要识别它们的 Agent Card 即可委派任务。A2A 确保了即使这些代理托管在不同的云平台上,也能保持状态同步。

方法论层 (The Instruction Layer - Agent Skills):每一个专家代理在接收到 A2A 任务后,会根据任务类型加载相应的 Agent Skill。技能书指导代理如何分解任务、调用哪些特定工具,并提供行业案例参考。Skills 确保了代理在执行任务时遵循特定的 SOP(标准作业程序)。

能力集成层 (The Capability Layer - MCP):在具体执行技能中定义的每一个子步骤时,代理会调用底层的 MCP 服务器。MCP 负责具体的 SQL 执行、API 调用或文件读取。它为代理提供了对物理系统和数据源的标准化访问权限。

协同应用案例:医疗保健多代理系统

在一个复杂的医疗场景中,这种三协议协同的优势体现得淋漓尽致:

初始处理 (MCP 阶段):一个保险单据处理代理收到报销申请。它首先通过MCP调用 OCR 工具识别单据内容,并调用医疗数据库 API 获取病历详情。

跨代理协作 (A2A 阶段):该代理发现单据中涉及高额复杂赔付,于是使用A2A协议发起一个协作请求,将任务委托给专门的“风险评估代理(Risk Assessment Agent)”和“合规代理(Compliance Agent)”。这些代理可能运行在完全不同的安全域中。

专家执行 (Skills 阶段):风险评估代理加载了“慢性病赔付审计技能(Chronic Disease Skill)”。这套技能包含了一套复杂的检查清单和计算模型。在Skill指导下,该代理完成评估并将结构化的 Artifact(工件)通过A2A返回给主代理。

最终结案:主代理汇总所有 A2A 协作结果,通过MCP调用支付系统的 API 完成转账,并向用户发送通知。

在这种架构下,系统的灵活性和健壮性得到了极大提升。如果医疗法规发生变化,企业只需要更新相关的Agent Skill文件,而无需重写通信逻辑(A2A)或底层数据库接口(MCP)。

安全、隐私与治理的深度权衡

随着 AI 代理获得更多的自主权和对系统资源的访问权,安全成为了协议设计的重中之重。MCP 与 A2A 分别从不同的信任边界出发,提供了多层防御机制。

资源控制与数据隐私

MCP 的核心优势在于“本地化与资源隔离”。通过 MCP 架构,企业可以将敏感数据保留在本地服务器内。服务器作为资源的掌控者,不需要将 API 密钥或原始敏感信息提供给 LLM 供应商。主机在访问任何资源或执行任何工具之前,必须获得用户的明确同意。此外,MCP 的数据最小化原则鼓励仅传输回答特定查询所需的绝对最小数据集,进一步降低了泄露风险。

身份治理与信任体系

A2A 协议则引入了“信任注册表”和“身份验证网关”的概念。由于 A2A 涉及跨系统协作,防止代理冒充(Agent Impersonation)至关重要。A2A 支持企业级的角色访问控制(RBAC)和 TLS 1.2 以上的加密传输。远程代理在接受任务前,会通过 JWT (JSON Web Token) 和 JWKS (JSON Web Key Set) 机制对请求发起者进行严格的身份验签。这种“黑盒式”协作确保了代理之间只交换必要的结果信息,而不共享内部的专有逻辑或原始内存数据。

协议层面的脆弱性与增强建议

尽管协议本身设计精巧,但研究表明仍存在协议级的脆弱性。例如,MCP 的某些实现可能存在能力证明(Capability Attestation)缺失的问题,导致服务器可以声明虚假的权限。针对这些风险,业界提出了AttestMCP等扩展协议,通过添加消息认证码来显著降低攻击成功率。而在 A2A 方面,研究者强调必须实施严格的 Token 生命周期管理,避免泄露的凭证被长时间恶意利用。

下表总结了针对这些协议的安全威胁及其防御策略:

威胁类型协议角色与缓解措施核心技术点
提示词注入 (Prompt Injection)MCP 作为漏斗点,支持安全工具进行提示级过滤与重写。语义分析、关键词阻断、上下文一致性检查。
数据脱出 (Data Exfiltration)MCP 的细粒度权限控制与“代码执行”环境数据隔离。属性级权限检查、代码沙箱化、中间结果保留。
代理冒充 (Agent Impersonation)A2A 的身份验证机制与信任注册表集成。JWT 验签、OAuth 2.0、持续身份验证。
权限提升 (Privilege Escalation)A2A 与 MCP 的审计日志提供端到端的来源追踪。事件采集、行为基线分析、实时合规监控。

未来展望:迈向“智能体经济”的通用基础设施

随着 Anthropic、Google、微软、亚马逊以及国内大模型巨头(如阿里、百度、腾讯、字节等)相继接入或推动这些协议,我们正见证着 AI 基础设施的标准化浪潮。

生态系统的成熟与标准化竞争

目前,MCP 在企业集成领域由于其结构的确定性和与现有 API 架构的对齐而展现出更快的采用速度。而 A2A 则代表了多代理协作的未来前沿,虽然目前仍处于演进初期,但其在跨领域自动化和韧性流程编排方面的潜力巨大。

未来,我们可能会看到这几项协议的深度融合甚至趋同。例如,Google 在推动 A2A 的同时,也积极参与了 MCP 社区的建设,强调 A2A 与 MCP 是互补关系。这种“竞合”关系有助于避免平台锁定,促进一个开放、灵活且去中心化的 AI 生态系统。

企业实施战略建议

对于寻求从 AI 中获取真实业务价值的企业,建议采取以下分阶段实施策略:

短期策略:工具标准化。优先采用 MCP 协议来改造内部的数据接口和常用的业务工具。通过建立私有的 MCP Server 仓库,消除 N x M 的集成冗余,提升单个 AI 助手或 IDE 插件的能力。

中期策略:逻辑资产化。通过 Agent Skills 标准将关键业务流程和专家经验进行封装。建立企业的“技能资产库”,确保这些专业逻辑可以在不同的 AI 代理之间平滑迁移和复用。

长期策略:生态协作化。基于 A2A 协议构建跨部门、跨组织的智能体网络。通过动态的代理发现机制,实现复杂业务流程的自动调度与协作,减少人工干预,最终实现真正的“群体智能”。

总而言之,MCP、Skills 与 A2A 不仅仅是技术上的规范,它们是构建未来智能化社会的基础设施。MCP 提供了坚实的连接底座,Skills 提供了专业的执行逻辑,而 A2A 则提供了广阔的协作空间。三者的有机结合,将使 AI 代理从孤立的任务处理器进化为能够理解上下文、具备专业技能且善于团队协作的数字劳动力,彻底重塑现代企业的运营范式。

如何系统的学习大模型 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。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

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人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新,更多的大模型学习和面试资料已经上传带到优快云的官方了,有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

在这里插入图片描述

01.大模型风口已至:月薪30K+的AI岗正在批量诞生

在这里插入图片描述

2025年大模型应用呈现爆发式增长,根据工信部最新数据:

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K(数据来源:BOSS直聘报告)

70%企业存在"能用模型不会调优"的痛点

真实案例:某二本机械专业学员,通过4个月系统学习,成功拿到某AI医疗公司大模型优化岗offer,薪资直接翻3倍!

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程:把ChatGPT从玩具变成生产工具
2️⃣ RAG系统:让大模型精准输出行业知识
3️⃣ 智能体开发:用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你:
✔️ 大厂内部LLM落地手册(含58个真实案例)
✔️ 提示词设计模板库(覆盖12大应用场景)
✔️ 私藏学习路径图(0基础到项目实战仅需90天)

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

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
  • …

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

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

在这里插入图片描述

PWM调节DCDC参数计算原理 SOC芯片的核电压、GPU电压、NPU电压、GPU电压等,都会根据性能和实际应用场景来进行电压和频率的调整。 即动态电压频率调整DVFS(Dynamic Voltage and Frequency scaling),优化性能和功耗。 阅读详情

相关推荐

INCA软件操作指南:手把手教你生成和解析DCM标定数据文件

本文详细介绍了INCA软件在汽车ECU开发中生成和解析DCM标定数据文件的全流程。从A2L文件导入到DCM文件生成,再到HEX文件导出,手把手教你掌握标定数据处理的实用技巧,包括参数标定、曲线标定和常见问题排查,帮助工程师提升工作效率。

weixin_29271053的博客 1065

Agent Skills深度解析,让智能体从“会连接”到“会做事”的核心引擎

摘要: Agent Skills是智能体技术中的关键突破,旨在解决“连接能力”与“执行能力”的边界问题。它通过标准化封装领域知识、操作流程和最佳实践,使通用智能体快速具备专业素养。其核心功能包括拆解复杂任务、注入领域知识、规范工具使用及降低上下文消耗。亮点在于渐进式披露、模块化设计、确定性执行和安全编码机制,显著提升智能体效率与可靠性。开源生态如Anthropic官方知识库、LangChain集成框架等为开发者提供了丰富资源,推动智能体技术的广泛应用与创新。

小程故事多的博客 3472

STC8G1K08A 实战应用:从配置到功能实现

本文详细介绍了STC8G1K08A单片机的实战应用,从开发环境搭建、GPIO配置、ADC模块使用到定时器中断处理和PWM输出等核心功能。重点讲解了外设模块的协同工作配置技巧,并分享了实际项目开发中的经验教训,帮助开发者快速掌握STC8G1K08A的高效应用。

n4o5p6q7r的博客 393

跨境电商 AI Agent 赛道爆发:从开源生态到垂直 Skill 落地,2026 年 3 月核心技术动态盘点

2026年3月跨境电商AI技术迎来重大突破:开源项目OpenClaw星标突破26.7万,成为跨境领域渗透率最高的开源AIAgent;阿里、字节等大厂密集发布企业级Agent平台,重点布局跨境电商场景;睿观发布行业首款标准化查侵权AISkill,实现95%准确率的多模态侵权检测;Sentient团队推出EvoSkill框架,实现AgentSkills自主进化。跨境电商正成为AISkill生态的核心试验场,垂直场景标准化Skill开发将成为未来2-3年的主要技术趋势。

Ericsfc20250922的博客 1124

芯片硅前验证技术与驱动工程师实战指南

硅前验证是芯片开发流程中的关键环节,通过pre-silicon simulation等技术手段在流片前验证设计正确性。其核心技术包括软件仿真、FPGA原型验证和硬件仿真器解决方案,涉及Linux驱动开发、芯片架构理解和波形分析等核心技能。作为连接芯片设计与系统集成的桥梁,硅前验证能早期发现设计缺陷,节省数百万美元流片成本。以Cadence Palladium为代表的硬件仿真器,通过专用服务器系统实现比纯软件方案快100-1000倍的仿真速度,为驱动工程师提供完整的外设模型验证环境。掌握硅前验证技术可显著提升

weixin_42522857的博客 329

音乐生成 - 使用LSTM或Transformer模型进行音乐生成,如MIDI音乐生成。

在本篇博客中,我们将介绍如何使用LSTM和Transformer模型生成MIDI音乐。我们将首先概述音乐生成的一般流程,然后深入了解LSTM和Transformer模型的特点和实现。最后,我们将通过Python代码演示如何使用这两种模型生成MIDI音乐。

斌擎科技 1722

MCP、Agent Skills与A2A的定位对比:用TaoToken统一Key跑通三类协议调用

用TaoToken统一Key跑通MCP、Agent Skills与A2A三类协议调用,从一次报销单智能体调用链拆解三者分工:MCP管工具接入、Agent Skills管能力封装、A2A管代理协作。文中给出可复制的Base URL与Key配置、三类最小请求体及401、local proxy failed等报错排查清单,官网见 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 。

weixin_36123300的博客 129

AFL源码分析之afl-as.c详细注释

前言 afl-as注释好了,明白了是如何进行插桩的,以及插在哪里 本文主要参考Sakura大佬文章:https://eternalsakura13.com/2020/08/23/afl/ 编写不易,如果能够帮助到你,希望能够点赞收藏加关注哦Thanks♪(・ω・)ノ /* Copyright 2013 Google LLC All rights reserved. Licensed under the Apache License, Version 2.0 (the "License"); y

hollk’s blog 2174

DeepAgents、MCP、A2A与Skills:多智能体落地技术栈全解析

在多智能体技术快速演进的今天,理解各组件间的协作关系比孤立学习单个工具更重要。MCP作为模型上下文协议,解决智能体与外部工具、数据源之间的标准化接入问题;A2A协议则规范了智能体之间的任务交接与协作契约;Skills将领域经验封装为可复用的技能包,让单个智能体具备稳定高效的执行能力;而DeepAgents承担了全局编排与调度职责。四者分别对应连接、协作、能力与组织,共同构成企业级多智能体应用的技术底座。本文基于生产实践,拆解了协议选型边界、技能包开发规范以及编排层的架构设计,并针对MCP连接失败、Skill

weixin_29038303的博客 248

ROS & ROS2 机器人深度相机激光雷达多传感器标定工具箱入门教程(一)

multisensor_calibration 是一个积极维护的通用标定工具箱,用于辅助基于目标的多传感器标定,支持 ROS 1 和 ROS 2。它提供了多种方法和应用来标定复杂的多传感器系统,例如。

2506_90492529的博客 3263

ROS 之 使用yocs_velocity_smoother对机器人速度进行限制

yocs_velocity_smoother是一个速度、加速度限制器,用来防止robot navigation的速度/转速过快,加速度/快减速过大。Bound incoming velocity messages according to robot velocity and acceleration limits. The velocity smoother nodelet runs together with the kobuki_node to apply robot’s velocity and .

https://shixuebin.gitee.io/hexo-blog/ 2625

MCP+A2A+Skills+DeepAgents:多智能体集群从零搭建全记录

随着大模型应用深入,智能体(Agent)开发成为企业级系统集成的热门方向。单个Agent往往受限于工具接入方式多样、知识复用困难、相互协作缺乏标准,难以支撑复杂业务流程。Model Context Protocol(MCP)通过标准化工具调用接口,让Agent能以统一方式连接数据库、浏览器等外部服务,解决了“工具插拔”问题;Agent2Agent(A2A)协议则定义了智能体间的能力发现、任务委托与状态同步机制,使异构Agent能够无缝对话。在此基础上,Skills将可复用方法论固化,DeepAgents承担

weixin_29056145的博客 297

十二种嵌入式通信协议

嵌入式通信协议选型核心要点解析 在嵌入式系统开发中,通信协议选型直接影响项目成败。本文系统梳理了12种主流协议,从三个维度提供选型指南: 板级通信协议: I²C:双线制,适合传感器连接(温湿度、RTC等) SPI:高速全双工,适用于Flash存储、TFT屏等 UART:异步串行,常用于调试日志输出 总线通信协议: CAN:汽车电子首选,支持多主节点和硬件仲裁 LIN:低成本单线方案,适用于车窗控制等场景 RS485:工业自动化主力,最长传输距离1200米 Modbus:工业领域通用协议,支持RTU/TCP格

qq_37999850的博客 253

一文秒懂LLM、Agent、Workflow、Function Call、MCP、Skills、A2A

文章摘要: LLM是大语言模型,擅长文本预测与生成,但存在知识时效性、无法执行任务等局限;Agent则是LLM+工具+记忆的智能体,能自主决策与执行任务。 Agent与Workflow对比:Workflow流程固定适合重复任务,Agent动态决策适合探索性任务。 Agent工作模式包括ReAct(边想边做)和Plan-and-Execute(先规划后执行)。 Function Call是LLM调用外部工具的接口协议,MCP是AI工具通信标准协议,Skills是封装好的可复用技能模块。 AI大模型应用开发工程

Trb701012的博客 152

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

大模型核心概念解析:Agent、MCP、A2A与Agent Skills全解读

包括:大模型学习线路汇总、学习阶段,大模型实战案例,大模型学习视频,人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型!😝有需要的小伙伴,可以保存图片到。

2601_96120158的博客 173

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

十分钟搞清楚Agent、A2A、MCP和Skills的概念

在2026年,MCP已成为Agent基础设施的基石,比如在电商Agent中调用支付API,或研究Agent查询数据库。没有MCP,早期的工具调用很乱(每个模型格式不同),现在统一后,开发效率提升3倍以上。它常与A2A结合:Agent间协作时,用MCP调用底层工具。这张是MCP最经典的架构分解图:图中左侧是运行了LLM应用的MCP Host,通过MCP Client发出标准化请求;中间是上下文管理器(处理缓存、状态);右侧是各种工具服务器(API、数据库、文件系统)。

m0_70486148的博客 1013

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

一文搞懂 Function Calling、MCP、A2A 和 Skills

首先是Fuction Calling,他是一种让大模型在推理过程中,能够主动选择并调用外部函数的能力

瓦罗兰特顶级C位的博客 1533

MCP 与 A2A 协议全解:在 Awesome Open Source AI 中看懂智能体互联标准与 Agent Skills 生态

如果你正在关注 AI 智能体(Agent)的开发,一定会被两个名字刷屏:**MCP(Model Context Protocol)** 和 **A2A(Agent2Agent 协议)**。它们正在成为智能体互联事实上的"普通话"。Awesome Open Source AI 是一份每日更新的开源 AI 项目精选清单,完整收录了 MCP 服务器、A2A 协议实现与 Agent Skills 技能生态

gitblog_00172的博客 980

必收藏!小白也能懂:Agent、Skills、MCP和A2A大模型架构完全指南

在Agent-to-Agent(A2A)智能体协同体系中,Agent Card(智能体名片)以Skills列表为核心载体,通过技能可视化能力,实现跨。

m0_48891301的博客 3086

AI Agent核心概念与架构详解:十分钟速成Agent、A2A、MCP和Skills概念全解析!

本文详解AI Agent的核心概念与架构,包括感知、规划、行动、记忆和反思五大组件,以及A2A、MCP等关键协议。A2A实现Agent间协作,MCP标准化工具调用,Agent Skills实现能力模块化。这些技术共同构成2026年AI生态基础设施,让AI Agent能像人类员工一样处理复杂任务,实现自主决策与执行,大幅降低开发门槛。

bugyinyin的博客 1065

大模型技术核心概念解析:Agent、MCP、A2A与Agent Skills的区别与应用

摘要 本文系统解析了大模型技术中的四大核心概念:Agent(智能体)作为自主决策的计算实体,包含感知、规划、执行等组件;MCP(模型上下文协议)实现LLM与外部工具的无缝集成;A2A(智能体间协议)促进不同AI间的协作;Agent Skills(代理技能)作为模块化工作手册提升任务专业性。文章还梳理了智能体的发展历程,从反射型到基于LLM的智能体,并对比了各概念的区别与联系。最后指出大模型技术带来的职业机遇,强调系统学习的重要性。

2401_84204413的博客 1123

【AI 前沿】从“纸上谈兵”到“星际协作”:一文读懂LLM、Agent、Skills、A2A与MCP的演进之路

本文以“为火星妹妹办生日派对”为故事主线,通俗解读AI技术演进五阶段:从仅能回答问题的LLM,到可规划任务的Agent,再到具备执行能力的Skills,继而实现多智能体协作的A2A,最终通过标准化协议MCP达成高效互操作。揭示AI正从“纸上谈兵”走向“协同行动”,构建可落地的智能生态。

懿轩的技术小窝 1344

2026年AI核心:AI Agent全解析,含A2A、MCP、Skills等关键技术(建议收藏)

AI Agent将成为2026年AI生态的核心,具备感知、规划、行动、记忆和反思五大能力组件。关键技术包括: A2A协议实现Agent间协作 MCP标准化工具调用 Skills模块化封装专业能力 这些创新大幅降低开发门槛,使AI系统能像人类一样处理复杂任务、自主决策和持续进化。其中,Tools提供执行能力,Skills赋予专业知识,二者结合使Agent既"会做事"又"做得专业"。该技术体系正推动AI从单一功能向智能基础设施转变,成为未来数字化社会的关键支撑。

m0_59162248的博客 3635

一文搞懂Agent、MCP、A2A和Agent Skills原理和区别【必收藏】

Agent:是“做事的主体”,相当于“有自主能力的员工”,能自主接收任务、拆解任务、调用工具完成任务;MCP:是“工具接入的标准”,相当于“员工使用的通用接口”,让不同的工具(比如电脑、打印机),能被所有员工(Agent)无缝使用;A2A:是“员工协作的规则”,相当于“团队协作的通用语言”,让多个员工(Agent)能分工配合,完成复杂任务;Agent Skills:是“员工的操作手册”,相当于“员工的专业技能培训手册”,让员工(Agent)执行任务更专业、更高效、可复用。

2301_76168381的博客 1052

MCP-A2A-Agent Skills-ACP

以上简单介绍了一下MCP/A2A/Agent Skills/ACP以及相关的.NET SDK,当前ACP还没有.NET相关的SDK出来。微软发布的Microsoft Agent Framework整合了MCP, Agent Skills和A2A。其中MCP和Agent Skills两个协议都和Anthropic公司有关,这家公司确实挺强的。一年多时间出现了4个协议,AI发展确实很快。

limingdinghao的博客 252

大模型技术必备:Agent、MCP、A2A与Agent Skills精讲,值得反复阅读的技术指南

本文解析了大模型生态中的核心概念:Agent及其六种类型、MCP实现LLM与外部工具的无缝集成、A2A促进多智能体协作,以及Agent Skills标准化AI执行任务的方法论。这些技术共同构建了从基础LLM到产品级智能体的完整技术栈,为开发者提供了构建大模型应用的全套解决方案。

Android23333的博客 705
上一篇: 智能问数Agent上限之争:数据集vs语义层,哪种设计路线更适合你的业务?
下一篇: Agent Skills正在重塑所,掌握这个技能,让AI秒变你的数字专家
智泊AI官方
博客等级 码龄6年 8639粉丝 2667原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值