★ FEATURED ARTICLE 本文深入浅出地解析了Agent、Skill、MCP、CLI、Model五个AI核心概念及其相互关系并探讨了如何将AI技术应用于企业老旧系统。文章通过生动的比喻和实际案例详细介绍了AI系统的工作原理、老系统接入AI的三条路径API封装、CLI包装、RPA兜底以及MCP实现形式的分类最后以BS和CS架构实战案例展示了AI技术的实际应用。对于想要入门AI技术的程序员和小白来说这是一份不可多得的实用指南。一、事情的起因客户是国内某大型整车集团研究院的 IT 团队。集团管理层给他们下了一个课题「让 AI 深入老业务系统」。这个提法里没有「上一套新的 AI 系统」。这两个说法差别很大做过企业 IT 的人都懂上新系统是采购问题深入老系统是工程问题。管理层点了名这道题躲不掉。IT 同学犯难的地方先出在概念层。Agent、Skill、MCP、CLI、Model这些词现在满天飞。它们之间到底是什么关系谁调用谁标准和工具各是哪几个平时没人系统讲过。更实际的问题是手里那些跑了十年八年的老系统请假销假、PLM、各种内部平台到底该从哪里下刀AI 才用得起来。客户的需求很朴素先讲明白再谈怎么改。于是有了这场交流和那份 42 页的 PPT。二、五个概念构成一支团队客户的第一个问题是这些概念到底是什么关系。我们的办法是打比方。别背技术名词把整套 AI 系统想象成公司新入职的一支数字化团队。概念团队角色干什么Model大模型大脑负责想推理与生成引擎Agent数字员工负责干目标驱动、自主规划、调用工具的闭环执行体Skill岗位技能手册负责会把流程和经验封装成 Agent 能加载的技能包MCP万能转接头负责接连接 AI 与外部系统的开放标准协议CLI对讲机负责说指令清晰、回执明确、可记录的交互通道这里来逐个展开说说。Model 是大脑。它有参数量、上下文窗口、多模态这些属性但大脑再聪明没有手脚也干不了活模型本身碰不到你数据库里的一行数据。Agent 是数字员工。你给它一个目标它自己拆任务、找工具、执行、看结果、再调整感知、规划、行动、观察、再规划这是个闭环。最容易混的一点先说掉Agent 是一套系统Model 只是它的一个部件。Skill 是岗位手册。新员工入职发一本手册通用员工就变成领域熟手。Skill 干的就是这件事触发条件加操作流程加领域知识加工具清单工程化、可以版本管理的流程资产。它和 Prompt 不一样Prompt 是随口叮嘱一句Skill 是写进员工手册的 SOP。MCP 是万能转接头也是整场的重点。官方名字 Model Context Protocol一个开放标准协议。一边是 Agent一边是任意系统数据库、API、文件、设备不管什么插头统一接口标准。CLI 是对讲机命令行接口。它有双重身份给工程师用是高效操作给 Agent 用是结构化调用。五个概念摆完还有一对关系容易被漏掉。MCP 和 CLI 可以嵌套。一个 MCP Server 的内部实现常常就是封装了一个 CLI。最小的例子把 git bash 封装成 MCP ServerAgent 通过 MCP 协议间接调用 git 命令。对 Agent 来说它只看到 MCP 这个标准外壳背后是 CLI、API 还是脚本它不需要知道。说得再直白一点CLI 管工具怎么执行MCP 管怎么把工具标准地暴露给 AI。记住这个嵌套关系后面讲老系统改造会反复用到。三、它们怎么协同概念讲完第二个问题很自然。用户说一句话背后到底发生了什么。就拿「帮我查一下上周的请假记录」这句话来说这句话进去以后背后是一场接力。用户在 CLI 或者随便什么对话入口里说出这句话。Agent 接到目标把任务交给 Model 规划。Model 判断这事要查 HR 系统员工手册里有标准流程。Agent 加载对应的 Skill按流程找到该调用的工具通过 MCP 协议向请假销假 MCP Server 发起调用。MCP 服务器再去调老系统的 REST API。结果沿原路逐层返回Agent 用人话告诉用户你上周请了两天年假剩余额度 8.5 天。这里也把传统软件和AI里的属于尝试做个映射方便理解。传统软件世界AI 世界微服务AgentOpenAPI / RESTMCP内部 Wiki / SOPSkillSDK / 命令行CLI看明白这张表所谓 AI 架构就不再是黑话。它是你画了十几年的架构图只是上面换了一层内容而已。四、老系统怎么改这是客户最关心的部分也是管理层课题的核心。我们的第一个建议有点扫兴没有银弹。方案取决于体检结果。体检看四个维度API 开放程度、文档完整性、鉴权体系、变更风险承受度。体检完走决策树一共三条路。第一条API 封装为 MCP首选。系统有开放 API直接在前面加一个 MCP Server 薄封装层。改动最小最稳定可灰度。纪律只有一条封装层只做协议转换不碰业务逻辑。第二条CLI 包装次选。没有 API 但有命令行、有运维脚本把脚本封装成结构化 CLI外面再包一层 MCP。前面 git bash 的例子就是这条路的最小样本技术上的要求是 CLI 输出要结构化最好是 JSONAgent 才消费得动。第三条浏览器自动化或者 RPA兜底。只剩一个网页界面连脚本都没有用浏览器自动化模拟人操作。能用但脆页面一改版就失效它是过渡方案别当终态。三条路优先级从上到下改造深度递减脆弱性递增。然后这里要泼一盆关于安全的冷水。鉴权和安全一案一议。Agent 代替人去操作系统身份怎么从用户传到 Agent 再传到系统权限怎么收到最小操作怎么审计敏感动作要不要人工确认行业目前拿不出通用标准方案每个系统都得单独评审。谁跟你打包票说有现成方案谁就没干过企业级落地。最后是怎么排序。画一张使用频次-业务价值的四象限图从高频、低风险、有 API 的系统先动手。理由很现实第一场仗必须赢还得赢得便宜。五、MCP 的实现形式交流前客户做过功课问我们 MCP 是不是有 stdio、HTTP、SSE 三种实现。对但不全对。这里有个连很多技术文章都搞错的事实。MCP 官方规范里只有两种标准传输方式stdio 和 Streamable HTTP。SSE 从 2025 年 3 月起就被取代了是历史方案。完整的版图分四类。官方标准两种stdio 和 Streamable HTTP默认选项。历史遗留一种HTTP 加 SSE只做存量迁移别新建。社区扩展一批WebSocket、WebRTC、进程内 RPC这些是生态在标准之外长出来的按需采用。还有一类最容易混MCP Gateway、Proxy、托管 MCP它们属于部署架构和新协议无关偏偏最容易跟传输方式搅在一起。一个认知先立住MCP 是传输无关的协议逻辑不变变的只是消息怎么跑腿而已。几种形式各说几句简要展开。stdio宿主程序直接拉起本地子进程走标准输入输出本地开发和桌面 Agent 的标准姿势代价是单机单客户端信任关系只在进程级。Streamable HTTP单个 HTTP 端点POST 发请求GET 建流收推送支持会话保持和断线恢复配 OAuth 2.0企业内集中部署、多团队共享官方推荐的远程方式只有它。SSE双端点的早期方案见到它只有一个动作规划迁移。WebSocket全双工低延迟典型场景是浏览器桥接比如 Agent 连 Chrome 扩展做浏览器自动化代价是负载均衡要做粘性会话企业防火墙可能拦升级握手。选型可以压成四句话。本地开发用 stdio企业共享用 Streamable HTTP 加 OAuthSSE 只做存量迁移WebSocket 留给实时和浏览器场景。六、两个案例光讲方法论客户不认得有实战。我们选了两个一个 BS 架构一个 CS 架构。第一个某头部车企的请假销假系统BS 架构走第一条路。Java Web 系统有 REST APIHR 高频场景。痛点很具体员工查个假期余额要登录系统点五步HR 每月还要人工对账。改造做法很直接REST API 前面加一个 MCP ServerStreamable HTTP 集中部署鉴权对接企业 SSO老系统一行代码没动。改完以后员工在对话窗口说一句帮我请明天下午半天年假五步变成一句话。第二个某欧洲商用车企的 PLM 系统CS 架构走第二条路。传统桌面客户端没有开放 REST API但客户端自带 API 和 SDK。痛点是数据孤岛工程师在系统之间人工搬运 BOM 和图纸信息。改造时在 PLM 客户端旁边部署一个本地封装服务把客户端 API 包装成结构化接口再包一层 MCP会话和权限沿用客户端已有的登录态。两个案例对照着看有三条经验可以复用。先体检再选路径别拿着锤子找钉子。封装要薄不碰业务逻辑封装层越薄项目死得越慢。鉴权一案一议把它写进项目计划别当意外处理。七、效果交流结束后客户给了好评。用他们的话说这场分享把 Agent、MCP 这些词的关系讲清楚了三档路径的决策树拿回去就能对着自己的存量系统用。我们自己复盘一场对客户的技术交流做到这一步就算及格。标准只有一个对方听完觉得这事我们自己就能干。大模型的知识又多又杂到底怎么学做这行久了被问最多的问题就一个大模型的知识又多又杂我到底先学啥翻了一堆资料看啥都像重点结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍零基础、应届生、转行的都适用。跟着走至少方向不乱、不瞎忙学完拿得出手。第一阶段10天初阶应用这一阶段就一个目标把大模型真正玩明白不是只会聊天那种而是能调教它、能用代码把大模型和业务接起来。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天高阶应用这阶段正式进实战目标很实在做出两个能拿出手的东西——一个私有知识库一个 agent 对话机器人。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…走完这 30 天Python 或 JavaScript 背景的基本能独立做一套 RAG 应用简历上也敢写大模型应用开发了。第三阶段约20天动手微调学到这你已经开始 “造” 模型了 —— 通过微调搞出垂直领域的专用小模型。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…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。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料第四阶段20天商业闭环部署落地技术学完落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。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…想要入坑大模型的朋友给大家准备了一份2026 年最新 AI 大模型全套学习资料1、大模型系统化学习路线2、大模型学习视频教程3、大模型学习书籍电子文档4、AI大模型最新行业报告5、大模型项目实战配套源码6、2026大模型大厂面试真题7、为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。8、适合谁学传统后端 / Java / 前端开发想转型 AI 应用大学生、应届生想拿更好的 offer产品经理、运营想武装职业竞争力技术负责人想给团队落地提效学习是反人性的但回报是真金白银。技术会更新赛道会切换但只要你先动手机会就永远站在你这边。9、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。想要入局AI大模型赛道、抢占行业红利的朋友微信扫描下方CSDN官方认证二维码即可100%免费领取全套学习资料好了就写到这。路线是死的人是活的卡住了随时来问我。觉得有用就点个收藏别让它进收藏夹吃灰——动起来比啥都强。
阅读完成 · 觉得有帮助？
