从Prompt到MCP:构建专属AI技能的核心架构与实战指南

2025 年 Python AI 技术白皮书:AI Agent、Prompt、RAG、Function Calling、MCP 与 AI 开发框架 摘要 《2025年Python AI技术白皮书》系统阐述了当前AI领域的核心技术与框架。白皮书涵盖六大关键技术:AI Agent(智能代理)作为自主决策系统,通过感知-思考-行动循环完成任务;Prompt(提示词)作为驱动LLM的核心输入方式;RAG(检索增强生成)技术用于提升模型回答准确性;Function Calling(函数调用)实现结构化工具使用;MCP(多智能体协作协议)规范多个Agent的协同工作。报告结合Python生态主流框架(如LangChain、LlamaIndex等),通过代码示例演示 阅读详情

1. 从“会用”到“用好”:AI Skill的本质与价值跃迁

最近和不少朋友聊起AI,发现一个挺有意思的现象:大家都能熟练地打开ChatGPT或者Claude,问一些“帮我写个邮件”、“总结这篇文章”之类的问题。这当然很好,说明AI工具已经普及了。但当我问他们“你们团队有没有自己训练过专属的营销文案生成器?”或者“有没有把公司内部知识库做成一个随时可问的AI助手?”时,大多数人会愣一下,然后说:“啊?这个也能做?感觉好复杂。”

这恰恰点出了当前AI应用的一个普遍瓶颈:很多人停留在“使用通用AI”的阶段,却远未达到“驾驭专属AI”的水平。而跨越这道鸿沟的关键,就在于理解并运用 AI Skill 。你可以把它理解为AI的“技能插件”或“专属工作流”。它不是指你会用某个AI聊天机器人,而是指你能够根据特定、复杂的业务场景,为AI装配上一套精准的“操作规程”和“知识体系”,让它从一个“什么都能聊两句的万事通”,变成一个“在你专业领域里深度协作的专家伙伴”。

举个例子,通用AI就像一把瑞士军刀,基础功能都有,但真要去野外专业生存,你可能更需要一把量身定制的猎刀或渔刀。AI Skill就是为AI这把“瑞士军刀”安装上针对你特定任务的“专业刀头”——可能是“法律合同审阅模块”、“社交媒体爆款文案生成器”,或是“自动化代码审查助手”。搞懂Skill,意味着你不再满足于AI给出的“还不错”的通用答案,而是开始追求“精准、高效、可重复”的专家级输出。这才是真正把AI用到了工作上,而不是停留在娱乐和浅层辅助。

2. AI Skill核心架构:Prompt、MCP与工作流的三角支撑

要深入理解AI Skill,不能只看表面功能,必须拆解其底层的技术架构。一个成熟、可用的AI Skill,通常不是单一技术,而是由几个核心组件有机组合而成的系统。我们可以用一个“三角模型”来概括: Prompt(提示词)是灵魂,MCP(模型上下文协议)是骨架,Markdown等工作流是血肉 。

2.1 Prompt:从模糊指令到精确的“操作规程”

很多人对Prompt的理解还停留在“问问题的话术”层面,这大大低估了它的价值。在AI Skill的语境下,Prompt是一套精心设计的、结构化的“系统指令”和“交互剧本”。

2.1.1 System Prompt:定义AI的“角色”与“边界”

这是最关键的基石。它不是在对话开始时输入的那段话,而是预先设定好的、AI在本次会话中必须遵循的“根本大法”。一个专业的System Prompt会明确:

  • 角色与身份 :例如,“你是一名拥有10年经验的全栈安全工程师,专注于Web应用渗透测试。”
  • 核心任务与目标 :例如,“你的任务是分析用户提供的HTTP请求数据包,识别潜在的安全漏洞,并按优先级给出修复建议。”
  • 输出格式与规范 :例如,“所有输出必须包含:1. 漏洞名称(CWE编号);2. 风险等级(高/中/低);3. 漏洞原理简述;4. 复现步骤;5. 修复代码示例(如适用)。请使用Markdown表格呈现摘要。”
  • 行为约束与禁忌 :例如,“不得生成任何可用于非法攻击的完整利用代码。所有建议必须符合安全开发规范。”

我自己的经验是,写System Prompt就像在给一个超级聪明但缺乏领域常识的新员工做岗前培训。你培训得越细致、越具体,他后续的工作就越符合你的预期。一个常见的误区是把所有要求堆砌在一个段落里。更好的做法是分模块、分层次地撰写,甚至用XML标签或特定分隔符来划分不同指令区,提高可读性和AI的理解精度。

2.1.2 User Prompt与Function Calling:动态交互的“触发器”

在System Prompt搭建好舞台后,User Prompt就是用户发出的具体动作指令。但在复杂Skill中,User Prompt往往不是简单的自然语言,而是会触发预设的“功能调用”。

例如,在一个“智能数据分析Skill”中,用户可能输入:“分析上周的销售数据,按地区生成趋势图。” 这里的User Prompt会被Skill解析,并可能触发后台一个名为 generate_sales_trend_chart 的函数,这个函数会自动查询数据库、处理数据、调用图表生成库,最后将结果通过AI组织成自然语言报告返回给用户。这个过程,就是 Function Calling 或 Tool Use 。它让AI从“纯聊天”变成了可以操作工具、执行具体任务的“智能体”。

实操心得 :设计Prompt时,一定要遵循“场景化”原则。不要试图做一个“万能”的Prompt。针对“写周报”、“debug代码”、“润色英文邮件”等不同场景,分别制作高度特化的Prompt模板,效果远胜于一个笼统的“写作助手”。可以建立自己的Prompt库,用Markdown文件分门别类管理,每个文件里包含System Prompt、常用User Prompt示例以及效果说明。

2.2 MCP:让AI技能“可插拔”与“可协作”的新兴协议

如果说Prompt定义了单个Skill如何思考,那么 MCP 则解决了多个Skill如何共存、如何被管理的问题。MCP,即 Model Context Protocol ,你可以把它想象成AI世界的“USB协议”或“应用商店标准”。

在没有MCP之前,每个AI应用(如Codex、Cursor、Claude Desktop)如果要接入外部能力(比如读取Notion文档、搜索网络、运行代码),都需要自己单独去开发对接插件,非常麻烦。MCP协议旨在标准化AI应用与外部数据源、工具和服务之间的通信方式。

2.2.1 MCP的核心价值:解耦与生态

  1. 对于AI应用开发者 :他们只需要实现一次MCP客户端,就能接入所有遵循MCP协议的服务器(即各种Skill),无需为每个工具重复开发。
  2. 对于Skill开发者 :他们可以开发一次MCP服务器,然后这个Skill就能在任何支持MCP的AI应用中使用,极大扩展了用户群。
  3. 对于最终用户 :你可以在自己喜欢的AI工具里,像安装手机APP一样,轻松发现、添加和管理来自不同开发者的Skill,构建属于自己的“AI能力工作台”。

2.2.2 MCP Server 是什么?

一个MCP Server就是一个具体的AI Skill实现。它通常是一个独立的进程或服务,通过标准的MCP协议向AI应用(客户端)暴露两类东西:

  • 工具 :可以被AI调用的函数。比如 search_web (网络搜索)、 read_file (读取文件)、 query_database (查询数据库)。
  • 资源 :可以被AI加载和引用的上下文信息。比如一个常驻的参考文档、一个产品手册的片段。

当你在AI应用中启用一个MCP Server后,AI模型就能在对话中,根据你的指令,自动选择调用合适的工具或加载相关资源来完成任务。例如,你问“今天科技圈有什么新闻?”,AI可能会自动调用你已配置的 tavily-mcp 搜索服务器去获取实时信息,然后整合成回答。

2.2.3 如何添加MCP Server?

以在 Claude Desktop 中添加一个搜索类MCP Server为例,其核心步骤是修改配置文件:

  1. 找到配置文件 :通常位于 ~/.config/claude-desktop/claude_desktop_config.json (Mac/Linux)或 %APPDATA%\Claude Desktop\claude_desktop_config.json (Windows)。
  2. 编辑配置文件 :在 mcpServers 字段下添加新的服务器配置。例如,添加一个本地运行的 Brave Search MCP 服务器:
    {
      "mcpServers": {
        "brave-search": {
          "command": "npx",
          "args": [
            "-y",
            "@modelcontextprotocol/server-brave-search",
            "--api-key",
            "YOUR_BRAVE_API_KEY"
          ]
        }
        // ... 可以继续添加其他 servers
      }
    }
    
  3. 重启应用 :保存配置文件并重启Claude Desktop,新的Skill就会出现在可用工具列表中。

注意事项 :配置MCP Server需要一定的技术动手能力,涉及命令行、环境变量和可能的API密钥管理。对于普通用户,更友好的方式是等待AI应用(如Cursor、Windsurf)未来提供图形化的MCP商店。目前,关注开源社区中流行的MCP Server项目(如用于文件系统的 stdin ,用于网页抓取的 playwright-mcp ),是跟上技术前沿的好方法。

2.3 Markdown:不只是文档,更是AI可执行的“工作流蓝图”

Markdown在此处的作用远超简单的排版。在AI Skill的构建和运作中,Markdown文件常常充当 结构化上下文 和 工作流描述文件 。

2.3.1 作为结构化知识库 你可以将公司产品文档、API手册、编码规范等整理成清晰的Markdown文件。当配置相关Skill时,将这些文件作为“资源”提供给AI。AI在回答问题时,会优先从这些Markdown中检索和引用信息,确保答案的准确性和专业性,而不是依赖可能过时或错误的通用知识。

2.3.2 作为工作流描述 一些高级的AI Agent框架(如LangChain、AutoGen)允许你用Markdown或YAML来定义复杂的工作流程。例如,一个“市场调研报告生成”工作流可能被描述为:

# 市场调研自动化流程
1.  **目标**:生成关于[产品名称]的竞争对手分析报告。
2.  **步骤**:
    - 触发 `web_search_agent`,搜索前5名竞争对手。
    - 将结果传递给 `data_extraction_agent`,提取公司概况、产品特点、定价。
    - 调用 `analysis_agent`,进行SWOT分析。
    - 最后由 `report_writing_agent` 整合所有数据,生成格式规范的Markdown报告。
3.  **输出格式**:包含执行摘要、详细对比表格、总结与建议。

AI可以解析这样的Markdown,并协调不同的子技能(Agent)按顺序执行。此时,Markdown就成了人机均可读的“自动化脚本”。

2.3.3 工具链集成 vscode markdown插件 、 markdown编辑器 等工具,能让你更高效地编写和维护这些作为AI技能养料的文档。而 markdown转word工作流 则确保了AI产出的结构化内容能无缝对接最终交付环节。

3. 实战构建:从零打造一个专属的“技术文档助手”Skill

理论说了这么多,我们来动手构建一个实用的AI Skill。假设你是一个技术团队的负责人,经常需要回答新人关于内部工具和架构的问题。我们可以构建一个“内部技术文档助手”。

3.1 第一步:知识准备——创建Markdown知识库

在项目根目录创建一个 knowledge_base/ 文件夹,里面用Markdown存放你的内部文档。

knowledge_base/
├── 基础设施.md
│   - 服务器部署架构图
│   - 域名与服务映射表
│   - 监控系统访问方式
├── 开发规范.md
│   - Git分支管理策略
│   - API设计规范
│   - 代码审查清单
├── 常用工具链.md
│   - 本地开发环境搭建指南
│   - 调试工具使用技巧
│   - 内部CLI工具命令手册
└── 项目简介.md
    - 核心业务流程图
    - 主要微服务职责说明

每个Markdown文件务必结构清晰,多用标题、列表和表格。因为AI在检索时,对结构良好的内容理解更精准。

3.2 第二步:灵魂塑造——编写System Prompt

创建一个 prompts/ 目录,新建 system_prompt_tech_assistant.md 文件。

# 角色设定
你是我司“星辰”研发团队专属的内部技术文档助手“小星”。你的核心职责是准确、高效地回答团队成员关于内部工具、开发流程、系统架构和规范的所有问题。

# 知识来源
你的回答必须严格基于我提供的内部知识库文件(已附加在上下文中)。如果知识库中没有明确信息,你必须如实告知“根据现有内部文档,未找到相关说明”,并建议用户查阅某份具体文档或咨询某位同事(如:“此问题可能涉及XX系统,建议咨询后端组的王工”)。**严禁**基于你的通用知识进行猜测或编造。

# 回答风格与格式
1.  **亲切而专业**:称呼提问者为“同学”,语气乐于助人但保持专业。
2.  **结构化输出**:复杂问题分点回答。涉及步骤的操作,使用有序列表。
3.  **精准引用**:如果答案来源于某份文档,在回答末尾注明“(来源:《文档名称》)”。
4.  **主动关联**:如果答案涉及多个知识点,主动提示“相关内容还可参考《XXX.md》”。
5.  **安全提醒**:涉及服务器操作、数据删除等高风险指令时,必须加上明显的警告框。

# 输出示例
用户:怎么申请一个新的测试数据库?
小星:同学你好!申请测试数据库的流程如下:
1.  登录内部运维平台 `ops.ourcompany.com`。
2.  在“数据库管理”菜单中,选择“实例申请”。
3.  填写申请表,其中“项目编号”必填,可向你的项目经理索取。
4.  提交后,通常会在1个工作日内由DBA同学完成审批和创建。
> **注意**:请勿在生产环境直接操作数据库。任何线上数据变更需走工单系统。
(来源:《基础设施.md》)

这个Prompt详细规定了AI的“人设”、知识边界、回答方式和安全红线,是Skill稳定性的保证。

3.3 第三步:能力扩展——集成MCP Server增强功能

仅有静态知识库不够,我们还需要让助手能“动”起来。假设我们想让助手能查询实时的服务器状态。

  1. 选择/开发MCP Server :我们可以找一个开源的、能调用内部监控系统API的MCP Server,或者自己用Python简单写一个。假设我们有一个 internal-monitor-mcp 服务器,它暴露了一个 get_service_status(service_name: str) 的工具。
  2. 配置到AI应用 :如同2.2.3章节所述,将这个MCP Server的配置添加到Claude Desktop或Cursor的配置文件中。
  3. 更新Prompt :在System Prompt中增加一条指令:“当用户询问某个服务的当前状态时,你可以使用 get_service_status 工具进行查询。”

3.4 第四步:组装与测试

现在,我们在日常使用的AI工具中(以支持长上下文和文件上传的Claude或GPT-4为例)进行组装:

  1. 开启新会话 。
  2. 上传知识库 :将整个 knowledge_base/ 文件夹作为上下文上传。
  3. 输入System Prompt :将 system_prompt_tech_assistant.md 的内容粘贴到对话开头(或系统指令区)。
  4. 进行测试 :
    • 基础测试 :问“我们公司的Git分支规范是什么?” 观察它是否能从《开发规范.md》中准确摘取并结构化回答。
    • 边界测试 :问“如何配置K8s集群的Ingress?”(假设知识库没有)。观察它是否会诚实回答“未找到说明”,而不是胡编一个答案。
    • 工具调用测试 :问“订单服务的当前状态正常吗?” 观察它是否会尝试调用 get_service_status 工具,并返回结果。

经过几轮测试和Prompt微调,一个专属于你团队的、安全可靠的“技术文档助手”Skill就初具雏形了。它比通用的AI聊天机器人更懂你的业务,回答更精准,也避免了内部信息泄露的风险。

4. 避坑指南:Skill开发与使用中的常见陷阱

在实际构建和使用AI Skill的过程中,我踩过不少坑,也见过很多团队容易犯的错误。这里集中总结一下,希望能帮你省下大量试错时间。

4.1 Prompt设计中的“想当然”陷阱

问题1:指令过于笼统或矛盾

  • 反面例子 :“既要回答得详细,又要简洁。” AI会困惑。
  • 解决方案 :指令必须具体、可衡量。例如:“首先用一句话总结核心答案,然后在后续段落中提供不超过三个要点的详细解释。”

问题2:忽视上下文管理

  • 现象 :在长对话中,AI逐渐“忘记”最初的System Prompt设定,行为发生漂移。
  • 解决方案 :
    1. 在重要的多轮对话节点,温和地“重申角色”。例如:“让我们回到你作为技术文档助手的角色,基于知识库来回答...”
    2. 对于超长对话,定期开启新会话,重新载入Prompt和知识库。
    3. 利用AI应用提供的“固定系统提示词”或“会话预设”功能。

问题3:提供低质量或格式混乱的知识库

  • 后果 :AI检索不准,输出信息混乱甚至错误。
  • 解决方案 :
    • 预处理文档 :上传前,手动或编写脚本清理文档格式,确保标题结构清晰。
    • 分块策略 :对于长文档,不要整个上传。将其按章节或主题拆分成多个较小的Markdown文件,有助于AI更精准地定位信息。
    • 添加元数据 :在文档开头用注释方式添加关键词,如 <!-- 关键词:Git, 分支管理, 工作流 --> ,辅助AI理解。

4.2 MCP集成时的“连接性”问题

问题1:Server启动失败或连接超时

  • 排查步骤 :
    1. 检查命令路径 :确保配置文件中 command (如 node , python3 )在系统PATH中。
    2. 检查依赖 :很多MCP Server是Node.js或Python包,确保已全局安装或项目依赖已安装。
    3. 检查API密钥 :像搜索类Server需要Brave、Tavily等的API Key,确保已正确配置且未过期。
    4. 查看日志 :运行AI应用时查看终端输出或日志文件,通常会有详细的错误信息。

问题2:工具调用不触发或结果异常

  • 可能原因 :
    1. Prompt未声明 :AI不知道它可以使用这个工具。必须在System Prompt或上下文里明确告知AI可用的工具列表及其用途。
    2. 工具描述不清 :MCP Server定义工具时,其 description 字段要写得足够清晰,让AI能理解在什么场景下调用它。
    3. 权限问题 :某些工具可能需要访问本地文件或网络,被系统防火墙或权限设置阻止。

4.3 安全与成本隐患

问题1:敏感信息泄露

  • 高风险操作 :将包含API密钥、密码、内部IP、未脱敏数据的文档直接上传作为知识库。
  • 防护措施 :
    • 脱敏处理 :上传前,对所有文档进行敏感信息扫描和替换。
    • 使用环境变量 :在MCP Server配置中,通过环境变量传入密钥,而不是写在配置文件里。
    • 最小权限原则 :只为Skill配置其完成任务所必需的最低数据访问权限。

问题2:上下文令牌(Token)消耗失控

  • 现象 :上传数百页文档作为上下文,每次对话都消耗巨大Token,成本激增且可能导致模型响应变慢或截断。
  • 优化策略 :
    • 精准上传 :不要每次上传全部知识库。根据对话主题,动态选择相关的几个文件上传。
    • 利用向量数据库 :对于超大规模知识库,考虑使用RAG技术。先将文档切片、向量化存储,对话时只检索最相关的片段送入上下文,能极大节省Token。
    • 总结与缓存 :对于频繁被问到的通用问题,可以事先让AI生成标准答案并保存,下次直接引用,避免重复分析长文档。

问题3:过度依赖与“幻觉”

  • 核心认知 :AI Skill再强大,它也是辅助工具,不能替代人的判断和责任。
  • 最佳实践 :
    • 设立检查点 :对于关键输出(如合同条款、部署命令、财务数据),必须有人工复核环节。
    • 提供引用源 :要求AI在答案中注明信息来源,方便人工追溯和验证。
    • 保持批判性思维 :对AI给出的任何“确定无疑”的答案,尤其是涉及逻辑推理和复杂判断时,保持审慎态度。

构建一个真正好用、可靠的AI Skill,是一个持续迭代的过程。它始于一个清晰的场景定义,成长于精心的Prompt设计、稳健的MCP集成和高质量的知识喂养,最终成熟于团队在实战中形成的使用规范和信任。这个过程本身,就是团队将AI技术深度融入工作流,实现智能化升级的最佳路径。当你和你的团队能够熟练地为一个具体问题定制一个Skill时,AI就不再是那个偶尔灵光一现的“玩具”,而真正成为了你们手中得心应手的“专业伙伴”。

AI Skill、Prompt与MCP:从指令到技能,构建可复用AI能力的核心三要素 在人工智能应用开发领域,如何将大语言模型的能力高效、标准化地集成到实际产品中,是开发者面临的核心挑战。这涉及到从基础的提示词工程,到模块化的能力封装,再到统一的集成协议等多个层面。理解Prompt、AI Skill和MCP三者的区别与联系,是构建可复用、可扩展AI应用架构的关键。Prompt作为驱动大模型的元指令,是激发模型能力的直接手段;而AI Skill则是对特定任务逻辑的工程化封装,它将复杂的Prompt链、工具调用和数据访问打包成具有明确接口的功能单元,实现了AI能力的模块化和产品化,解决了代码复用 阅读详情

相关推荐

AI Agent技能调校实战:从MCP协议到核心技能栈构建

在AI智能体(Agent)技术中,技能(Skills)是实现具体功能的核心模块,它们通过标准化的MCP(Model Context Protocol)协议与智能体“大脑”进行通信。这种架构实现了功能解耦与生态扩展,允许开发者灵活集成文件操作、网页搜索、代码执行等多样化能力。其技术价值在于通过协议化接口,平衡了功能丰富性与系统可控性,为构建安全、高效的智能工作流奠定了基础。在实际应用场景中,面对海量技能,用户常陷入“技能过载”困境,需通过系统化的筛选与配置方法,构建高度定制化的核心技能栈。本文聚焦于Herme

weixin_33889245的博客 439

《构建之法》读后感

当我们碰见新的理论方法时,要用已有的经典理论,经过无数人检验过的,写进教科书的经典理论去检验他。尽信书不如无书,要养成批判性思维,在干任何事情之前都要心存敬畏,求真务实,碰到任何新的理论时,都要保持怀疑的态度,懂得批判自己,做每一步事情都要对结果进行检验,一步错步步错,只有每一步都走踏实,才能行稳致远,在科研学习中不断取得具有实际应用价值“真”的突破。可能与软件工程中少数几个人协作才能最大化协作的效率一样,在我们日常的学习中负责一个方向的团队数量也不能太多,而且必须有一个领导者,把控总的方向和进度。

yzyyyzz的博客 200

AI Agent技术栈解析:从Prompt到MCP的完整架构与实战指南

在人工智能应用开发领域,理解核心组件的协作原理是构建高效系统的关键。大型语言模型(LLM)作为基础,通过自然语言指令(Prompt)接收任务,其效果高度依赖于提示词工程的质量。基于此,AI Agent作为智能协调中枢,能够自主规划、决策并调度各类专用工具(Skill)来执行复杂任务。这种模块化架构的价值在于提升开发效率与系统灵活性,广泛应用于自动化办公、智能客服、数据分析等场景。其中,模型上下文协议(MCP)作为标准化通信框架,解决了工具间集成与上下文传递的难题,是实现高效协同的基石。本文通过生动的类比,深

weixin_34345753的博客 418

构建之法读后感

初步了解 对于本书进行了一遍粗略的阅读对于本书有了一个粗略的见解。 1.这本书并不像传统的教材一般,整本书通篇罗列着晦涩难懂的概念,而是运用生动幽默的语言去打动读者,作者将自己的感触和对于软件工程的理解,通过简明扼要的手法落于纸上,更加能够帮助读者理解这本书和软件工程。 2.没读这本书之前,并不太懂软件工程的概念,只是认为软件的核心的就是代码,那么软件工程的核心就是写代码的程序员如何写好...

denglina2514的博客 223

Jenkins离线安装保姆级教程:从下载.war包到SVN+Maven项目一键部署(附避坑脚本)

本文详细介绍了Jenkins离线安装的全流程,包括.war包下载、SVN+Maven项目配置及自动化部署。特别针对内网环境提供解决方案,涵盖插件管理、开发工具链配置、构建触发器和SSH部署等关键步骤,帮助企业在网络隔离环境下实现高效持续集成。

weixin_30096975的博客 380

QKD(量子密钥分发)

量子密钥分发(Quantum Key Distribution,QKD)是一种基于量子力学原理的安全通信协议,它允许两个用户通过不安全的通信信道创建并共享一个安全的密钥。这个密钥随后可以用于加密和解密信息,确保通信的机密性。QKD的核心原理是量子不可克隆定理和量子测量的不确定性。

qq_40844444的博客 2899

构建之法 读后感(总)

  整本书一开始写的是软件工程的发展史,从开始到应用,所经历的各种变化。接下来讲的是变成代码要懂得团体的力量,合作取得双赢,向我们讲述的单元测试,回归测试,效能分析工具。但是读第二章时,很多东西都读不懂,我都百度查了一下,感觉有些深奥不太理解。然后书的中间部分提到了成为软件工程师所要具备的条件:1.积累软件开发相关的知识,提升技术技能。2.积累问题领域的知识和经验。3.对通用的软件设计思...

angdi22251975的博客 191

【UE4】Hierarchical Instanced Static Mesh——一种速度优于Spawn的实例化物体组件

最近需要在场景中实例出很多个相同的模型,位置也很有规律,并且要对它的位置信息进行更新。 但是一个个拖进去实在太麻烦,就发现了Spawn Actor这个蓝图方法,可以实例一个蓝图类在场景中。 但是由于数量较大,实例化的速度太慢,这时发现了一个神奇的组件——Hierarchical Instanced Static Mesh。 新建一个蓝图类,添加该组件,在细节里添加你要实例化的模型对象。 ...

ColorGalaxy 1万+

Claude Code 进阶:Skill、MCP、Prompt 工程完全指南

在上一篇文章中,我们完成了 Claude Code 国内合规配置。本文深入讲解其四大核心能力:Skill 技能体系、MCP 工具调用、Prompt 工程与 skill-creator 自定义技能。掌握后,Claude Code 将不再是简单代码生成工具,而是具备项目级理解、自动化操作、批量重构与长期复用能力的专业 AI 编程助手。

2401_87595699的博客 1426

STM32:TTL串口调试

TTL只需要两个线就可以完成两个设备之间的双向通信,一个发送电平的I/O称之为TX,与另一个设备的接收I/O口RX相互连接。两设备之间还需要连接地线(GND),这样两设备就有相同的0V参考电势。

superSmart_Dong的博客 5643

MTK手机传感器驱动开发避坑指南:从SCP代码大小限制到Overlay加载流程详解

本文详细解析了MTK平台传感器驱动开发中的常见问题,包括SCP代码大小限制、Overlay加载流程及客制化传感器集成。通过实战案例和优化策略,帮助开发者高效解决MTK传感器驱动开发中的技术难题,提升开发效率。

weixin_42522374的博客 402

【粉丝福利社】MCP协议与AI Agent开发:标准、应用与实现

本文介绍《MCP协议与AI Agent开发:标准、应用与实现》一书,重点探讨大语言模型(LLM)上下文管理新范式——模型上下文协议(MCP)。全书分为基础理论、协议规范、开发工具链与应用构建四部分,系统讲解MCP的技术原理、协议机制与工程实现。通过Transformer架构解析、Context Object设计、多模态上下文注入等核心技术,结合DeepSeek平台实战案例(如AI剧本工坊、智能会议系统),展现MCP在复杂场景中的拓展性。本书兼顾理论深度与实践指导,提供可复用的代码模板和开发范式,适合大模型开

愚公智库 6万+

JMeter压力测试全攻略:从入门到精通

本文系统讲解JMeter压力测试的完整流程与结果评估方法。开篇介绍压力测试的核心概念及JMeter工具特性,随后从环境搭建入手,详细说明JDK配置、JMeter安装及中文界面设置。主体部分围绕测试流程展开,涵盖测试计划创建、线程组参数调优、HTTP请求配置、断言与监听器添加等实操步骤;结果评估环节深入解析聚合报告指标、结果树分析及性能瓶颈定位方法,并通过电商接口测试案例演示全流程应用。文末总结关键要点,为读者提供从基础操作到分布式压测、性能调优的进阶学习方向,助力掌握JMeter在系统性能评估中的核心应用。

邓邓子的博客 2417

一文搞懂Agent、MCP、Prompt与Function Calling:小白也能看懂的AI概念指南!

本文详解AI四大核心概念:User Prompt(用户指令)、System Prompt(塑造AI人格)、AI Agent(自主执行任务的智能程序)、Function Calling(标准化工具调用)和MCP(AI工具生态协议)。文章阐述了这些概念的演进关系、作用机制及协同工作方式,帮助读者理解AI技术发展脉络,把握技术趋势,为参与AI时代变革做好准备。

Trb701012的博客 1027

ESP8266开发之旅 基础篇① 走进ESP8266的世界

    欢迎大家来到ESP8266的世界,从现在开始,笔者将带领大家慢慢揭开ESP8266神秘的面纱。 1. 简介     从笔者的角度来说,ESP8266这个词可以理解为ESP8266EX芯片(当然,后面也有可能出现了其他芯片,这里首推ESP8266EX)以及依赖ESP8266EX芯片开发的系列模组的简称。     ESP8266EX是由乐鑫信息科技公司(Espressif)出品的一款应用于物联...

单片机菜鸟哥的博客 15万+

《QEMU/KVM源码分析与应用》读书笔记4 —— 第2章 QEMU基本组件(1)

《QEMU/KVM源码分析与应用》读书笔记4 —— 第2章 QEMU基本组件(1)

phmatthaus的专栏 1482

AI 领域必懂 5 大核心概念:AI、LLM、Prompt、MCP、AIGC 一次讲透

AI 领域必懂 5 大核心概念:AI、LLM、Prompt、MCP、AIGC 一次讲透

youmaob的博客 1434

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

一文搞懂:Prompt、AI Agent、Function Call与MCP

一文搞懂:Prompt、AI Agent、Function Call与MCP

ytt0523_com的博客 894

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

大模型科普专栏 ·【AI 科普】:一文看懂Prompt → AI Agent → Function Calling → MCP

本文系统梳理了大模型领域的四大关键技术:Prompt(提示词工程)、AIAgent(智能体)、FunctionCalling(函数调用)和MCP(模型上下文协议)。Prompt是与大模型交互的语言,AIAgent是具备感知-决策-执行能力的数字员工,FunctionCalling让模型能调用外部工具,而MCP则统一了工具调用的通信标准。文章通过关系图谱阐明四者的层级关联,并提供了5分钟搭建MCPServer的实战演示。随着技术发展,预计2025年将出现MCP生态爆发,实现AIAgent的模块化组装。

小钻风的博客 1504

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

AI系统五层架构解析:从Prompt到MCP的实战指南

在人工智能技术架构中,Prompt作为自然语言交互接口,Tools作为原子化功能模块,Workflow实现任务编排逻辑,Skill封装完整解决方案,MCP则承担系统级调度。这种分层架构设计遵循软件工程的模块化思想,通过解耦不同层级的关注点,既保证了单点功能的可靠性,又实现了复杂系统的灵活性。在实际工程应用中,电商推荐、智能客服、内容生成等场景都需要合理运用这五层架构,其中Prompt工程和Workflow编排是当前落地的关键难点。根据行业实践数据,采用标准化工具链和可视化工作流设计,可使AI系统任务成功率提

weixin_34221036的博客 348

《一文搞懂 AI、LLM、Prompt、MCP、AIGC 是什么,有什么区别?》

本文用通俗易懂的方式,带你一次性搞懂五个热门 AI 概念:AI、LLM、Prompt、MCP、AIGC。不仅解释它们分别是什么、能做什么,还通过类比、图示和实际例子,讲清楚它们之间的区别与协作关系。读完后你将理解: AI 是“智能”的总称,LLM 是会语言的“核心大脑” Prompt 是你给 AI 的“提问或指令” MCP 是帮助 AI 理解上下文的“接口协议” AIGC 是最终由 AI 生成的内容结果 文章适合对 AI 感兴趣的所有人阅读,0 基础也能轻松看懂。

2508_91877124的博客 2489

实战指南:用Nacos破解Dify集成MCP的痛点,Prompt迭代效率飙升!

摘要:Dify作为开源LLM开发平台,在与MCP服务集成时面临配置复杂、Prompt迭代效率低等挑战。本文提出通过Nacos服务发现与配置管理平台实现深度集成,提供了动态服务发现、Prompt托管和环境变量集中管理三大核心功能。详细介绍了从环境准备到服务注册、配置集成的完整实施步骤,并分享了安全加固、多环境部署等进阶实践。该方案可减少80%配置工作量,提升3倍Prompt迭代速度,显著提高开发效率。以天气邮件生成应用为例,展示了动态配置变更无需重启应用的实用价值。

分享平时的学习心得和笔记 1148

一文带你搞懂Prompt、Tools、Workflow、Skill、MCP等AI概念之间的区别

本文从AI助手Claude的视角解析了Prompt、Tools、Workflow、Skill和MCP五个核心概念: Prompt是用户指令,决定AI做什么; Tools赋予AI实际操作能力; Workflow将多步骤任务标准化; Skill封装专业领域知识; MCP提供连接外部服务的统一接口。 文章通过类比(如Prompt是任务指令、Tools是"手和腿")和实际开发案例(ArticleKeeper项目)展示了这些概念如何协同工作,使AI从简单应答升级为能完成复杂任务的智能助手。最后通过

2301_79892101的博客 3042

AI 应用开发指南:一文带你快速入门 Prompt、RAG、Function Calling、MCP

prompt(提示词)不是一种具体的技术,是我们和LLM沟通的控制语言。他的构成就是指令式的语言,这是整个Agent中的一个核心,我们所有功能的实现都是基于一个我们精心设计好的提示词。RAG(Retrieval-Augmented Generation,检索增强生成):是一种将信息检索和LLM结合的技术框架,让LLM在回答问题前,先从外部知识库(内部数据库、PDF)获取相关信息然后将查询到的信息注入到Prompt中,利用LLM的总结能力来回答问题。如图所示,RAG的调用流程共包含5个步骤用户提问。

TmEnbaby的博客 1186
上一篇: 链表操作:快慢指针删除倒数第N个节点
下一篇: LabelPaw 2.0.0智能标注实战:集成SAM与YOLO,提升CV数据标注效率
weixin_33947521
博客等级 码龄11年 4471粉丝 1241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  | 博主筛选后可见
 
 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
⌂ 换网址