AI Skills与MCP协议如何重塑开发范式：从低代码到智能体的演进

Anthropic 推出 Claude Skills 已有一段时间，而随着 open skills 等项目将其能力扩展到 Aider、Cursor 等更多 AI 工具中，AI Agent（智能体）的形态正发生根本性转变，与普通应用的差距被迅速拉大。

1. AI的兴起源于使用门槛的降低

回顾前几年，关注AI的焦点往往集中在复杂的算法逻辑与底层模型架构上，使用AI需要相当深厚的技术背景。如今，任何人只需在手机上点击或说话，即可直接调用AI能力。这完全符合技术普及的核心要素——简单化。这背后固然有海量基础设施和资源堆砌的功劳，使得应用开发者仅需调用API就能集成大模型能力，但也再次印证了“简单才有出路”的真理。

AI使用门槛的降低，让更多人的注意力转移到了应用层。这使得从简单的AI玩具到复杂的工业级AI机器人，都成为了可能。同时，越来越多开源AI工具的出现，也在持续降低AI的开发门槛。AI辅助编程（AI Coding）的兴起，更是加速了这一进程。

2. 用AI赋能AI是发展的必经之路

MCP（Model Context Protocol）通过一套标准化规范，要求被调用方提供符合AI Agent标准的接口，这使得“AI连接万物”成为可能。它从标准层面，改变了AI能力被集成和调用的生产方式。

而 Skills 则是通过描述任务流程与注意事项，来实现AI工作的标准化。从纯技术角度看，一个Skill可能只是几个Markdown文档和脚本的组合，但其核心在于：大模型强大的自然语言理解能力，能够将这些文本描述直接转化为可执行的行为逻辑。这几乎可能改变2025年大模型平台的底层范式，迫使所有以流程构建为核心的平台重新思考自身价值。

说回本质，Skills出现的关键前提是AI大模型对文本的深度理解能力，这让AI能“读懂”规范，知道在何时、如何去调用外部工具。这实际上让AI初步具备了“自举”（Bootstrap）的关键要素——让AI训练自己、微调自己、评估自己，可能仅仅需要一份Markdown文档。这正呼应了第一章的结论：简单和低门槛将引发更大的变革。这或许是Skills为AI领域带来的最深远价值。当然，未来的AI范式未必一定是MCP或Skills，但它们无疑为AI的应用之路点亮了至关重要的火种。

3. AI改变的不仅是编码方式，而是“不再需要编码”

无论是所谓的“80分代码危机”，还是“AI擦腚师”这类调侃性工种的涌现，都表明AI辅助开发已成不可逆的趋势。我们当然需要思考如何让AI更好地为我们工作，而非总为它“善后”。至少，它可以是一个无广告、能精准给出答案的知识搜索引擎，也是一个比传统LSP（语言服务器协议）更全能、更能理解代码上下文的补全与提示工具。

展望更远的未来，应用层开发可能不再依赖于传统的编程语言，而是转向对AI进行约束和描述的标准化文本。考虑到AI进行语言翻译与转换的效率，业界可能会更加青睐表达能力更强、更接近底层的语言。因此，深入掌握如 Rust 这类能解决系统级问题的语言能力，将变得愈发重要。

4. 从智能驾驶得到的拓展思考

近年来，自动驾驶技术从传统的大模型参与决策，演进到端到端方式，在“世界模型”中构建VLA（Vision-Language-Action）模型。其思路不再仅仅基于大模型的输出进行综合验证，也不再过分追求智能过程的可解释性，而是聚焦于最终决策的正确性。通过让大模型基于“世界模型”（一个多维度的数据模型）的同步数据进行多轮推演，从而得出最终结论。

这一范式迁移对通用AI应用具有启发意义：当AI能够在一个足够丰富的“世界模型”中反复试错与推理时，其决策的可靠性和适应性将大幅提升。

本文探讨的技术趋势与更多深度讨论，欢迎在 云栈社区 交流。