一句话总结连接用协议，知识用文档；分界线不豁免审来源。面试锦囊先说：判据是能力的性质：要连外部系统、实时数据、走鉴权的用 MCP；教流程、方法、规范的写 Skill；一句话说得清的直接进提示词。再说：两笔账：MCP 工具定义常驻上下文、每轮都占位，Skill 渐进披露只挂一行索引；放反方向的代价一个当场可见、一个安静烧钱。最后补：skill 市场的投毒实测和工具定义的 token 账都有公开出处；

在此文章中汇总梳理了目前国内外的很多开源大模型，这些开源大模型基本都是免费的，可以在本地部署自己的开源模型，也可以部署再服务器中，通过域名随时可以访问，可以说如果学会了如何部署开源大模型，完全可以构建一个自己的ChatGPT！

这篇文章说清楚：什么时候真的需要多 Agent，三种协作模式怎么选，以及出了问题怎么定位。

本文介绍一下 从 0 开发 AI Agent 需要的 10 个技能。如果你也想一起来，可私信我～ 沉浸式的体验从 0 开发一个 AI Agent 的详细过程。

最近我在做一套循序渐进的 Agent 工程学习实验。到 Tool Use 这一阶段，我不想只停留在“看文档”和“跑最小 demo”，而是想把前面已经做好的能力真正串起来。

我每天都在用 Claude、Codex、Cursor、Gemini、Copilot 或 Junie，但我依然说不清到底是哪一行代码让“chatbot”变成了“agent”，也解释不了它们为何算是 agent。于是我从零写了一个最天真的版本，自己找答案。

起手就是文档切分、向量化，然后接下来存向量库，最后检索召回，得到最相关的topK片段给到大模型。然后立刻发现，agent场景中，相似度高，并不一定等于正确。一旦出现跨页面答案，或者几个chunk拼合一起，才能组成正确答案的情况，传统RAG流程，就会力不从心。原因很简单，RAG的这套逻辑是做简单、被动查询用的，不是给Agent用的。Agent获取信息，需要像人看书一样，先读目录看整体结构，再点开具体

chatgpt是Agent还是LLM，有了LLM为什么还需要Agent呢，这次我们就把概念弄清楚以及有什么用讲清楚

这一举措在保障系统稳定性的同时，也必然导致研发需求的前置与集中，使得封板前的代码评审任务量显著增加。

昨天有位同学问我，学智能体开发要先掌握哪些基础知识。我说基础其实就 2 点：一是大模型（LLM）的本质，二是 Agent Loop，也就是智能体的最小循环。