影响大模型的4个方式：预训练、后训练、精调、Prompt

不知道大家第一次听到MCP技术时有没有这样的疑问：MCP在各种协议调用组装各种工具的一顿操作后，它究竟是怎么和大模型本身交互的？要回答这个问题，我们先回到原点来看，能够影响大模型的方式无外乎4种：预训练、后训练、精调、Prompt（提示词）。

预训练和后训练一般是大模型厂商在发布一个模型前要做的事。像DeepSeek最近开源的V3.1就同时包含了Base模型和后训练模型两个版本。预训练是为了训练模型的基础而通用的能力比如理解和生成文字。后训练针对专业领域能力进行额外训练，比如DS V3.1就特别在工具使用与智能体等任务中额外进行了训练。

精调和提示词一般给大模型的上层用户使用。精调相比后训练更多在于针对的专业领域大小，从而有训练数据量和成本的区别。然而对于大多数应用场景来说使用提示词才是我们的日常。众所周知提示词能很大程度激发和规范大模型的生成能力，提示词水平跟大模型的生成答案质量成正相关，因此业界也专门把提示词当做一个工程领域，俗称PE(Prompt Engineering)。当然技术永远在追求进步，目前这个概念进一步扩大为上下文工程，即CE(Context Engineering)，这是最近非常火的一个领域，前者侧重“单轮提示优化”，后者更关注“多工具调用时的上下文连贯性管理”，后续单独开篇来讲讲。

MCP是怎么跟大模型交互的？

回到MCP怎么和大模型交互这个问题上来，答案是提示词。可以进一步细分为用户提示词和系统提示词两种方式。从调用大模型的API的入参字段来看，messages字段就是我们常说的提示词，也就是用户提示词。tools字段背后就是系统会组装调用工具的提示词，也就是系统提示词。

By 系统提示词：toos字段

前一篇说的为什么MCP和Function Call没有本质区别的原因就是两者都是通过tools字段把工具或函数信息传给大模型，但要需要注意的是，需要看下所调用的大模型是否具备function call能力、是否支持了openai接口规范，所幸的是目前主流的大模型厂商都支持了，潜含的意思是大模型在训练阶段就针对函数调用做过专门训练。

MCP Host程序运行时MCP Client会把MCP Server提供的tools信息塞到这个tools字段里（注：每个大模型能支持的tools个数一般在百级别，最新的DeepSeek V3.1 API里提示最多支持128个）。当你问问题的时候，问题会被塞到messages字段，和tools字段一起传给大模型，大模型厂商内部的程序会系统提示词。相应地大模型返回的消息里面有两个字段，一个是回答内容content，一个是大模型认为该选用哪些工具的tool_calls数组信息。

下面是组装MCP tools并调用大模型的代码示例：（FC同样适用）

// 准备message字段，包含你提的问题
msg := []*model.ChatCompletionMessage{
{
Role: model.ChatMessageRoleUser,
Content: &model.ChatCompletionMessageContent{
StringValue: &qry,
},
},
}
// 准备tools信息
tools := make([]*model.Tool, 0)
for _, v := range functions {
tools = append(tools, &model.Tool{
Type: model.ToolTypeFunction,
Function: &model.FunctionDefinition{
Name:        v.Name,
Description: v.Description,
},
})
}
// 准备调用API的字段
req := model.CreateChatCompletionRequest{
Model:    MODELNAME,
Messages: msg,
Tools:    tools,
Thinking: &model.Thinking{
Type: model.ThinkingTypeAuto,
},
}
// 调用大模型API
resp, err := client.CreateChatCompletion(
ctx,
req,
)

By 用户提示词：messages字段

对于不支持tools的大模型，那就只能靠用户提示词了。虽然提示词可以表达任何你想要的，但大模型能否正确地理解又是另一回事。因此通过这种方法的最大缺点就是理解质量可能不好，稳定性也欠缺些。

通过提示词把mcp的工具信息（也就是名称、参数、示例等）传给大模型可以有多种格式，比如xm、json、markdown，甚至就单纯的文本形式。有一点要注意的是，你需要考虑大模型的输出格式是什么，毕竟后续步骤你要根据输出内容提取调用工具的参数。如何写好这种提示词有一个技巧，可以参考一些开源工具类使用的提示词模板，比如Claude Desktop、Cursor。这就属于传统的如何优化提示词范畴了，模板大同小异，需要结合实际情况打磨优化。

举个例子：

# 任务背景
你需要根据我的问题，判断是否需要调用以下MCP工具来辅助回答。如果需要，请严格按照指定格式生成工具调用指令；如果不需要，直接回答问题即可。
# MCP可用工具列表（请仔细阅读工具信息）
以下是当前可调用的MCP工具详情，包含工具名称、功能说明、必填/可选参数及参数格式要求：
1. 工具名称：【工具1名称，如：get_weather_mcp】
- 功能：【工具1具体作用，如：查询指定城市的实时天气及未来24小时预报】
- 必填参数：
- city：城市名称（格式：中文全称，如“北京市”“上海市”）
- data_type：数据类型（格式：可选“realtime”（实时）/“forecast”（预报），二选一）
- 可选参数：
- unit：温度单位（格式：“celsius”（摄氏度，默认）/“fahrenheit”（华氏度））
- 调用示例：【工具1名称】{"city":"广州市","data_type":"forecast","unit":"celsius"}
2. 工具名称：【工具2名称，如：generate_image_mcp】
- 功能：【工具2具体作用，如：根据文本描述生成高清图片】
- 必填参数：
- prompt：图片描述（格式：中文/英文，至少10字，包含风格、主体、场景，如“赛博朋克风格的未来城市夜景，有飞行汽车和全息广告牌”）
- size：图片尺寸（格式：可选“512x512”/“1024x1024”，二选一）
- 可选参数：
- style：细分风格（格式：如“oil_painting”（油画）/“anime”（动漫），不填则默认写实）
- 调用示例：【工具2名称】{"prompt":"古风山水图，江面有一叶扁舟，远处是雪山","size":"1024x1024","style":"ink_wash"}
【注：根据实际MCP工具数量增减，每个工具必须包含“名称+功能+参数要求+调用示例”，参数需明确“必填/可选”和“格式约束”】
# 工具调用规则
1. 判断逻辑：先分析我的问题是否需要工具辅助（如“查天气”“生成图片”需调用，“解释概念”无需调用）。
2. 格式要求：若调用工具，**仅返回工具调用指令**，无需额外文字；指令必须严格遵循“【工具名称】{“参数名1”:“参数值1”,“参数名2”:“参数值2”}”格式，参数值需符合工具的格式要求。
3. 错误处理：若问题中缺少工具必填参数（如“查天气但没说城市”），请直接反问我获取关键信息（如“请告诉我你要查询哪个城市的天气？”），不生成无效调用指令。
# 我的问题：
【此处填写用户的实际问题，如：“帮我查一下深圳市明天的天气预报，用摄氏度显示”】

通过提示词方法要达到可落地的效果，往往需结合对大模型进行精调。特别是如果涉及特殊的提示词格式以及特殊的输出格式。顺便说一句智能体的规划步骤用到的提示词，你会怎么设计？其往往比组装工具列表有更复杂的诉求，一般都要精调才能达到可接受的理解效果。

简单对比下两种方式，优先使用tools方式，组装方式更简单更规范，理解效果更有保障。messages方式作为不支持tools情况下的补充。messages方式不受限于大模型是否支持tools，上层组装灵活，但同时会带来更长的上下文，降低大模型的理解效果和调用成本，解析大模型的输出内容时也会带来不确定性。

结语

从大模型角度来看，MCP并非新东西，是Function Call既有技术的改造和升华。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发