本文深入探讨了Agentic AI架构中Agent Skills与MCP的核心差异、协同模式及适用边界。通过概念解析、场景对比与实战案例，阐述了Skills负责业务编排（“怎么做才对”），MCP负责能力扩展（“能不能做”）的互补关系。文章提供了选择策略、高阶架构范式及开发建议，强调两者并非对立，而是通过协同共生提升AI代理价值。对于智能体开发者、产品负责人及AI学习者，本文提供了清晰的判断框架与实践指引，助力在Agentic AI时代构建高效、可靠、合规的智能应用。

一、核心概念定义：超越实现的标准

1.1 Model Context Protocol (MCP) - 模型上下文协议

本质定义：MCP是一种标准化通信协议，定义了AI模型如何与外部系统建立安全、高效、可审计的双向连接。

核心特性：

• 能力扩展协议：为AI代理提供访问实时数据、专业工具和企业系统的标准化接口
• 安全沙箱规范：在协议层面定义权限控制、数据隔离和操作审计机制
• 上下文同步机制：解决模型内部状态与外部世界状态的一致性问题
• 标准化接口：通过JSON-RPC或其他标准协议定义请求/响应格式、认证机制和错误处理
• 服务化架构：协议设计支持独立部署的服务进程，实现高可用和水平扩展

架构定位：MCP解决了**“能不能做”**的问题 (Capability)，为AI代理扩展其原始训练数据范围之外的能力边界。

1.2 Agent Skills - 代理技能标准

本质定义：Agent Skills是一种模块化能力封装标准，通过声明式、配置化的方式定义AI代理在特定场景下的行为规范、决策逻辑和工作流程。

核心特性：

• 流程编排标准：定义如何将原子操作组合成完整业务流程的标准
• 上下文感知能力：标准定义了技能如何根据对话历史和环境动态调整行为
• 透明可解释性：决策路径对人类可见，便于理解和修改
• 轻量级集成：标准设计支持无服务部署，修改配置即可生效
• 组合式架构：支持技能的嵌套、组合和复用

架构定位：Agent Skills解决了**“怎么做才对”**的问题 (Orchestration)，为AI代理编写符合业务标准和人类期望的行为规范。

二、设计哲学与架构差异

2.1 MCP：能力导向的设计

MCP的核心设计哲学是能力扩展。它关注：

• 原子操作：如何安全地执行单一、精确的操作
• 连接管理：如何高效管理与外部系统的连接
• 权限边界：如何在协议层面实现细粒度权限控制
• 数据标准化：如何统一不同数据源的格式和语义

MCP的架构本质上是服务化的：

2.2 Agent Skills：流程导向的设计

Agent Skills的核心设计哲学是业务价值。它关注：

• 决策逻辑：在特定情境下如何做出正确决策
• 流程规范：如何将多个操作组合成符合业务标准的流程
• 上下文适应：如何根据环境变化动态调整行为
• 人类协作：如何使AI行为可理解、可预测、可修正

Agent Skills的架构本质上是声明式的：

三、模型优化与适配技术（让 AI 更实用、更易部署）

四、核心区别总结

4.1 本质差异

Agent Skills定义业务价值路径，MCP实现技术能力扩展

• Agent Skills关注"为什么"和"如何"：

• 为什么这个任务对业务有价值？

• 如何确保任务按照业务标准和合规要求完成？

• 如何在不同业务情境下动态调整决策逻辑？

• 其设计哲学是以业务为中心，将人类专业知识编码为AI可执行的规范

• MCP关注"什么"和"能否"：

• 需要访问什么外部数据或工具？

• AI能否安全、可靠地执行这个具体操作？

• 如何在协议层面实现权限控制和数据隔离？

• 其设计哲学是以能力为中心，解决AI与现实世界连接的技术问题

4.2 架构隐喻

• Agent Skills如同"企业SOP手册"：

• 详细描述每个业务流程的标准步骤

• 规定在特定情境下的决策规则

• 可由非技术人员编写和维护

• 随业务需求灵活调整

• MCP如同"企业IT基础设施"：

• 提供基础数据访问和计算能力

• 确保系统安全性和可靠性

• 需要专业技术团队维护

• 变更需要严格测试和审批流程

五、场景示例对比：标准化应用与实际落地

5.1 场景一：客户服务工单处理

需求：自动处理客户支持工单，需要理解客户意图、查询相关数据、生成适当回复。

Agent Skills标准应用（业务流程编排）：

skill:
name: "customer_ticket_processing"
trigger:
event: "new_ticket_created"
workflow:
steps:
- name: "intent_classification"
description: "识别客户工单类型"
rules:
- "如果包含'退款'、'钱'等关键词，标记为财务类"
- "如果包含'无法登录'、'错误'，标记为技术类"
- "如果包含'多久'、'什么时候'，标记为咨询类"
- name: "data_requirements"
description: "确定需要查询的数据"
conditional:
if: "ticket_type == 'financial'"
then: ["mcp_order_history", "mcp_payment_records"]
elif: "ticket_type == 'technical'"
then: ["mcp_user_activity", "mcp_system_logs"]
- name: "response_generation"
description: "生成符合品牌标准的回复"
prompt_template: |
你是一个专业客服代表，遵循以下规则：
1. 使用友好、专业的语气
2. 对于财务问题，必须提供具体金额和时间
3. 对于技术问题，提供具体解决方案而不是模糊建议
4. 如无法解决，明确升级路径
constraints:
- "不得承诺无法确认的信息"
- "必须引用数据支持你的结论"

为什么适用Agent Skills：

• ✅业务规则复杂：需要根据多种条件动态调整处理流程
• ✅合规要求高：必须遵循特定的沟通标准和数据使用规范
• ✅频繁变更：客户政策和响应标准经常变化
• ❌不适合MCP：这不是原子操作，而是需要上下文感知的决策流程

---

MCP标准应用（能力提供）：

class CustomerDataMCP:
@mcp_tool(permission="read_only")
def get_order_history(self, customer_id, limit=10):
"""安全获取客户订单历史"""
# 从订单数据库获取数据
orders = self.order_db.query(
"SELECT order_id, amount, status, created_at FROM orders WHERE customer_id=? ORDER BY created_at DESC LIMIT?",
[customer_id, limit]
)
return {
"orders": orders,
"total_count": self.order_db.count("orders", {"customer_id": customer_id})
}
@mcp_tool(permission="read_only")
def get_system_status(self):
"""获取系统当前状态"""
# 从监控系统获取实时状态
return self.monitoring_api.get_current_status()
@mcp_tool(permission="write")
def create_support_note(self, ticket_id, note_content, agent_id):
"""创建客服备注，需要写权限"""
if not self.auth.has_permission(agent_id, "support_write"):
raise PermissionError("Insufficient permissions")
return self.support_db.insert_note(ticket_id, note_content, agent_id)

为什么适用MCP：

• ✅数据敏感性：涉及客户个人数据，需要严格的权限控制
• ✅跨系统集成：需要连接订单系统、监控系统和客服系统
• ✅结构化输出：需要统一的数据格式，避免文本解析歧义
• ❌不适合Agent Skills：这不是业务决策，而是需要安全控制的原子操作

5.2 场景二：金融风险评估

需求：为贷款申请提供风险评估，需要综合多源数据、应用复杂模型、生成合规报告。

Agent Skills标准应用（决策规则与合规性）：

skill:
name: "loan_risk_assessment"
trigger:
event: "loan_application_received"
workflow:
compliance_rules:
- "必须检查申请者年龄是否≥18岁"
- "必须验证收入证明真实性"
- "禁止基于种族、性别等因素做决策"
- "超过$100,000的贷款必须人工审核"
assessment_steps:
1. "data_collection":
tools: ["mcp_credit_report", "mcp_income_verification", "mcp_employment_history"]
2. "risk_calculation":
description: "应用公司标准风险模型"
rules:
- "信用分<600：高风险"
- "负债收入比>50%：中高风险"
- "就业历史<2年：中风险"
3. "decision_logic":
rules:
- "如果高风险因素≥2，拒绝贷款"
- "如果中风险因素≥3，要求额外担保"
- "否则，批准贷款但限制额度"
4. "report_generation":
template: |
# 贷款风险评估报告
**申请人**: {applicant_name}
**申请金额**: ${loan_amount}
## 风险因素分析
{risk_factors_section}
## 决策依据
{decision_rationale}
## 合规声明
本评估严格遵循[相关法规]，未考虑受保护特征。

为什么适用Agent Skills：

• ✅合规驱动：需要严格遵循金融法规和内部政策
• ✅决策复杂：需要权衡多个风险因素并应用业务规则
• ✅审计要求：需要完整的决策路径记录和解释
• ❌不适合MCP：这不是技术实现问题，而是业务决策逻辑

---

MCP标准应用（数据获取与模型执行）：

class FinancialRiskMCP:
@mcp_tool(permission="sensitive_data")
def get_credit_report(self, applicant_id):
"""获取信用报告，处理敏感数据"""
# 通过安全通道调用外部信用机构API
report = self.credit_api.get_report(applicant_id)
# 数据脱敏处理
return self._sanitize_sensitive_data(report)
@mcp_tool(permission="model_execution")
def run_risk_model(self, features):
"""执行风险评估模型"""
# 加载预训练的风险评估模型
model = self.model_registry.get("risk-assessment-v3")
# 特征工程和预测
processed_features = self._preprocess_features(features)
prediction = model.predict(processed_features)
# 生成可解释的模型输出
explanation = self.explainer.generate_explanation(model, processed_features)
return {
"risk_score": prediction,
"confidence": model.confidence_score,
"key_factors": explanation.top_factors
}
@mcp_tool(permission="document_generation")
def generate_compliance_report(self, assessment_data):
"""生成合规的审计报告"""
# 应用合规模板
report = self.report_template.render(assessment_data)
# 添加数字签名
signed_report = self.crypto.sign_document(report)
# 存档到审计系统
self.audit_system.archive(signed_report)
return signed_report

为什么适用MCP：

• ✅数据安全：涉及敏感金融数据，需要严格的访问控制
• ✅专业模型：需要调用专门的风险评估模型
• ✅审计追踪：需要完整的操作日志和数字签名
• ❌不适合Agent Skills：这不是业务规则，而是需要安全控制的技术操作

5.3 场景三：实际落地案例 - Claude Code 中的自动化部署

需求：在软件开发项目中，实现自动化部署流程，包括运行测试、构建和部署到生产环境。

这是一个已在Claude Code中实际落地的场景，完美展现了 MCP 与 Skills 的协同工作模式。

MCP 层实现：提供原子能力

# mcp_deployment_server.py
from mcp_server import MCPServer, mcp_tool
class DeploymentMCP(MCPServer):
def __init__(self, config):
super().__init__()
self.config = config
self._setup_connections()
def _setup_connections(self):
"""建立必要的系统连接"""
self.ci_connection = self._connect_to_ci_system()
self.s3_client = self._setup_s3_client()
@mcp_tool()
def run_tests(self):
"""
运行项目测试套件
返回结构化的测试结果
"""
# 通过CI系统API触发测试
test_result = self.ci_connection.run_pipeline("test")
# 返回结构化结果
return {
"success": test_result["status"] == "passed",
"total_tests": test_result["total"],
"failed_tests": test_result["failed"],
"duration_ms": test_result["duration"]
}
@mcp_tool(permission="deployment_write")
def upload_to_s3(self, environment="production"):
"""
将构建产物上传到S3
需要部署权限
"""
# 验证环境
if environment not in ["staging", "production"]:
raise ValueError("Invalid environment")
# 获取最新构建产物
build_artifact = self.ci_connection.get_latest_build_artifact()
# 上传到S3
bucket_name = f"myapp-{environment}-bucket"
key = f"builds/{build_artifact['version']}/{build_artifact['filename']}"
self.s3_client.upload_file(
build_artifact['local_path'],
bucket_name,
key
)
return {
"status": "success",
"bucket": bucket_name,
"key": key,
"url": f"https://{bucket_name}.s3.amazonaws.com/{key}"
}

MCP 层关键价值：

• ✅安全封装：敏感凭证（S3密钥、CI系统令牌）完全封装在服务内部
• ✅标准化接口：提供统一的输入/输出格式，便于调用
• ✅错误处理：在服务层处理网络错误、超时等异常情况
• ✅权限控制：通过@mcp_tool(permission="deployment_write")严格控制部署权限

Skills 层实现：定义业务流程

# CLAUDE.md (项目根目录)
## Skill: 代码部署 (Deploy)
**触发条件**：用户要求"deploy"、"部署"、"上线"或相关操作
**执行流程**：
1. **运行测试**：
- 首先调用 MCP 工具 `run_tests`
- 如果返回失败，立即停止并报错："测试未通过，无法部署"
- 不要继续执行后续步骤
- 具体失败原因：{failed_tests} 个测试失败
2. **执行上传**：
- 如果测试通过，调用 MCP 工具 `upload_to_s3`
- 参数设置：
- environment: "production"（生产环境）
- 等待上传完成确认
- 验证返回的S3 URL是否可访问
3. **验证部署**：
- 访问部署后的URL进行健康检查
- 确认关键功能是否正常工作
- 如果验证失败，触发回滚流程
4. **报告结果**：
- 用简洁的语言总结部署结果
- 包含关键信息：部署时间、版本号、S3 URL
- 如果有问题，提供具体的错误信息和建议
**安全规则**：
- 永远不要直接在生产环境执行未经测试的代码
- 任何破坏性操作（如数据库迁移）必须先询问用户确认
- 部署前必须备份当前版本
- 生产环境部署必须获得至少一名资深工程师的批准

Skills 层关键价值：

• ✅业务逻辑清晰：用自然语言描述完整的部署流程，易于理解和修改
• ✅灵活调整：业务规则变化时（如添加预发布环境），只需修改配置
• ✅团队协作：非工程师（如产品经理、QA）也能理解并参与优化流程
• ✅透明决策：用户可以看到完整的推理过程，增强信任

协同工作流程

用户请求："部署最新版本到生产环境"
1. Claude 检测到"部署"关键词，激活 "代码部署 (Deploy)" Skill
2. Skill 定义第一步：运行测试
→ 调用 MCP 工具 `run_tests`
← MCP 返回：{"success": true, "total_tests": 125, "failed_tests": 0}
3. Skill 检查测试结果，判定通过
4. Skill 定义第二步：执行上传
→ 调用 MCP 工具 `upload_to_s3` with {"environment": "production"}
← MCP 返回：{
"status": "success",
"bucket": "myapp-production-bucket",
"key": "builds/v2.3.1/app-bundle.zip",
"url": "https://myapp-production-bucket.s3.amazonaws.com/builds/v2.3.1/app-bundle.zip"
}
5. Skill 进行验证和报告
6. 最终输出："✅ 部署成功！版本 v2.3.1 已部署到生产环境，S3 URL: https://..."

为什么这种分层架构最优：

•✅关注点分离：MCP 专注"如何安全执行"，Skills 专注"如何正确流程"

• ✅变更独立性：修改部署流程不需要修改 MCP 服务，反之亦然
• ✅复用性：run_tests和upload_to_s3工具可被其他 Skill 复用
• ✅安全与灵活性平衡：敏感操作受控，业务逻辑灵活可变

实际工程价值：

• 开发效率：新团队成员通过阅读CLAUDE.md即可理解部署流程
• 运维可靠性：MCP 层的错误处理和重试机制提高了系统稳定性
• 合规保证：所有部署操作都有完整审计日志
• 快速迭代：业务流程调整只需修改配置，无需重新部署服务

六、选择建议与高阶策略

6.1 基础决策框架

优先选择Agent Skills当： ✅ 业务规则复杂且经常变化：当决策逻辑依赖于业务策略而非技术实现时 ✅ 需要人类可读的规范：当非技术人员需要理解和修改行为规则时 ✅ 涉及主观判断：当任务需要权衡多个因素且没有明确的算法时 ✅ 强调一致性和合规性：当需要确保AI行为符合公司政策或法规要求时 ✅ 快速原型和迭代：当需要快速验证想法而不想投入大量工程资源时

优先选择MCP当： ✅ 需要访问外部数据源：当任务依赖实时数据、专有系统或敏感信息时 ✅ 性能要求严格：当需要高效处理大量数据或低延迟响应时 ✅ 安全性至关重要：当涉及财务交易、个人隐私或系统关键操作时 ✅ 需要精确控制：当任务要求精确的输入/输出格式或复杂的状态管理时 ✅ 跨系统集成：当需要连接多个不兼容的系统或协议时

6.2 高阶决策树

6.3 经典协同模式

模式1：分层架构（最常见）

最佳实践：

• Agent Skills负责"为什么"和"做什么"：定义业务目标和流程
• MCP负责"怎么做"：提供具体的执行能力
• 严格分离关注点：避免在Skills中硬编码技术细节，避免在MCP中包含业务规则

模式2：技能驱动型MCP

skill:
name: "dynamic_mcp_selection"
description: "根据上下文动态选择最合适的MCP工具"
logic:
- if: "data_freshness_requirement == 'real-time'"
then: "use mcp_live_data_feed"
- if: "data_volume > 1GB"
then: "use mcp_batch_processing"
- if: "security_classification == 'sensitive'"
then: "use mcp_encrypted_channel"

优势：最大化灵活性，适应复杂多变的业务需求

模式3：MCP增强型技能

class SkillEnhancementMCP:
@mcp_tool
def get_optimal_workflow(self, task_type, context):
"""基于历史数据推荐最佳工作流程"""
# 分析历史任务完成数据
historical_data = self.analytics_db.get_task_metrics(task_type)
# 应用机器学习模型推荐最优流程
recommended_workflow = self.recommender.predict_optimal_workflow(
task_features=context,
historical_performance=historical_data
)
return recommended_workflow

优势：利用数据驱动优化技能定义，形成闭环学习系统

七、总结与技术展望

7.1 核心原则重申

1.MCP = 能力扩展 (Capability Extension)：解决"能不能做"的问题

2.Agent Skills = 业务编排 (Business Orchestration)：解决"怎么做才对"的问题

3.协同而非替代：两者在智能体架构中互补共存，创造最大价值

7.2 真实工程经验教训

在多个大型AI系统中，我们观察到以下关键点：

误区1：用MCP实现所有功能

• 症状：每个小功能都实现为MCP工具
• 后果：过度工程化，维护成本高，业务逻辑与技术实现耦合
• 解法：优先评估是否需要外部系统访问或安全控制

误区2：在Agent Skills中硬编码复杂逻辑

• 症状：Skills配置超过2000行，包含大量条件判断
• 后果：决策逻辑难以理解和维护，执行不可靠
• 解法：将复杂逻辑拆分为MCP工具，Skills只负责业务编排

误区3：忽视安全边界

• 症状：在Skills中暴露敏感操作，在MCP中缺少输入校验
• 后果：安全漏洞，数据泄露风险
• 解法：敏感操作始终通过MCP，Skills只包含公开的业务规则

7.3 未来展望

随着AI智能体架构的发展，我们观察到以下趋势：

1.标准化融合：

• MCP协议将支持技能描述标准，使能力发现和组合更加自动化
• Agent Skills标准将内置对MCP能力的语义描述，提升互操作性

2.动态协同：

• 智能体将能够根据任务复杂度自动决定使用Skills还是MCP
• 运行时将动态平衡配置驱动和代码驱动的执行路径

3.开发者体验优化：

• 统一的开发框架将无缝集成Skills和MCP
• 低代码平台将使业务专家能够定义技能，自动映射到合适的MCP能力

八、结语：协同共生，而非零和博弈

在AI技术社区中，经常出现“Skills将取代MCP”或“MCP是过时的技术”等论调。这些观点源于对两者本质的误解，忽视了它们在智能体架构中互补共存的价值。

MCP和Agent Skills不是竞争关系，而是共生关系：

• MCP扩展了AI的感知和行动能力，使其能够连接现实世界
• Agent Skills定义了AI的思维和决策模式，使其能够按照人类期望的方式行动

将AI智能体视为一个完整的系统：

• MCP是感官和肢体：眼睛（数据获取）、耳朵（事件监听）、手（工具执行）
• Agent Skills是大脑和神经系统：决策逻辑、行为规范、学习能力

没有感官和肢体，大脑无法感知世界；没有大脑和神经系统，肢体无法协调行动。两者缺一不可。

终极建议：

不要陷入"二选一"的思维陷阱。最强大的AI代理系统往往是Skills和MCP精心设计的协同体：

• 用Skills定义业务价值：什么是对用户真正有用的？
• 用MCP实现技术可能：如何最安全、高效地交付这些价值？
• 持续优化两者的边界：随着业务演进和技术进步，重新评估职责分配

记住：技术的目的是解决问题，而不是创造新的复杂性。Skills和MCP都是工具，明智的工程师会根据具体问题选择最合适的工具，或将多个工具创造性地组合，以交付最大价值。

在AI代理的未来，我们不会看到Skills取代MCP，或MCP淘汰Skills。相反，我们将见证一个融合的生态系统，其中配置驱动的灵活性与代码实现的强大性和谐共存，共同推动AI代理走向更智能、更可靠、更有价值的未来。

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。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

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】