2026年大模型Agent开发已然成为AI应用落地的核心赛道从轻量化智能助手到企业级复杂业务智能系统高性能、可落地、易维护的Agent架构是每位程序员、AI开发者的必备技能。作为大模型Agent领域的标杆技术体系Anthropic推出的MCP、PTC、Skills、Subagents四大工程机制构建了一套完整、标准化的智能体开发解决方案。本文将全方位拆解这套核心架构MCP实现外部资源标准化联通PTC优化工具调用执行效率Skills赋能Agent模块化专业能力Subagents依托分治思想搞定复杂任务。四大机制从资源连接、执行效率、认知能力、任务架构四大维度互补协同帮新手快速入门Agent开发助力开发者搭建高质量、可迭代的大模型智能系统。1、MCP PTC会”连招“的Agent工具箱时至今日MCP 已经可以说是 Agent 开发领域最重要的开放协议之一甚至可能是“最”重要的那个。它由 Anthropic 在 2024 年底提出目前已经完成了两次规范的版本迭代可见其在生态中的地位。【MCP再回顾】在 MCP 出现之前如果你希望让 AI 访问你的本地文件、企业数据库或者第三方API你需要为每个外部资源写“胶水代码”。这就像以前手机充电器接口各异极难通用。而 MCP 就是 AI 时代的 “USB-C”它标准化了 AI 与外部世界的连接方式。开发者可以把数据库、业务系统、API等访问等封装成一个 MCP Server一次暴露多处复用。任意一个具备 MCP 客户端能力的 Agent都可以直接接入并使用这些能力无需再次开发。MCP的核心架构与能力用下图总结【PTC程序化工具调用】有了MCP你可以给Agent“插上”大量工具但是新的问题来了在一次复杂的任务中流程很容易变成这样LLM推理-工具调用-结果塞入上下文-LLM再推理-下一个工具调用…这种反复来回的“乒乓球效应”带来的缺陷主要是高延迟大量的网络往返与LLM推理可能让响应从几秒变成几分钟高成本大量中间结果被塞入上下文占Token还影响推理质量Anthropic 对此的解法是一种新的工具调用方式 — 程序化工具调用PTC, Programmatic Tool Calling用来优化上述场景中的问题。其核心理念是让LLM编写一段完整的Python代码并在安全的沙箱环境中运行代码中直接包含了对多次MCP 工具的调用、逻辑循环、条件判断以及数学计算等。即Agent通过编写程序来调用工具而不是通过对话逐步推理出来。举个简单例子“使用工具A从数据库查询所有订单再用工具B生成分析图表”如果通过传统方式LLM 需要先拿到工具 A 的结果大量订单记录塞进上下文再思考要不要调用 B — 又慢又贵。而在PTC模式下orders await toolA.query_orders() chart await toolB.generate_chart(orders) return chart沙箱一次性执行完由于少了中间结果的反复响应与Tokens成本大大降低。【MCPPTC工具调用的“连招”】如果说MCP工具是招式那么PTC就是一口气打出多个“连招”MCP提供了“原子化”的工具能力查询、读写文件、API调用PTC提供了基于代码的“粘合剂”工具调用、循环、条件判断、过滤但PTC 本质上是“自动写代码”适合执行确定性强、流程相对固定的任务但不是所有的任务都适合PTC。特别是当工具调用结果需要依赖LLM来进行推理、理解以判断下一步行为时PTC可能就不适合。比如“帮我分析这份商务合同如果有严重风险生成一份免责说明否则给出修改建议。”由于这里需要LLM作语义判断以推理风险等级这是一个典型的“LLM决策点”无法用PTC代码来直接写死因此更适合经典的Agent循环模式。2、Skills给Agent的“知识胶囊”在理想世界里我们希望Agent什么都会。但现实是特别是在专业领域Agent往往缺乏足够的”知识“来知道”怎么做“比如操作流程、应该使用的Python模块、采用的模板等。而且你无法把所有的经验与指南都塞入上下文 — 毕竟空间有限。【Skills模块化的”知识胶囊“】Skills是一种用来以模块化方式给 LLM 注入专业技能的机制。它在物理上是一个“文件夹”里面包含一个核心说明文件 SKILL.md相关的脚本/代码其他资源文件文档、模板、示例等这些内容告诉LLM“遇到这类任务时该怎么做”。这是一个官方处理PDF文件的技能目录当用户输入任务“请把我上传的PDF文件提取成文本”时LLM 会自动匹配到这个Skill阅读其中的指南然后根据其中的说明编写代码或调用工具、运行并获得结果。在整个过程中操作细节不是靠LLM自行“猜”而是由Skill中的文档给出指示。【Skills核心机制“渐进式披露”】那么LLM是如何知道用哪个Skill的难道要把所有Skill资料一股脑塞进上下文显然不是。这涉及到Skills的核心理念渐进式披露(Progressive Disclosure)即LLM对Skills的了解是一种“渐进式”的方式。这种方式的出发点仍然来自于“上下文危机”在复杂Agent运行时由于不断注入大量的专业知识、工具信息、调用结果、对话历史等。你可能会面临上下文爆炸有用信息被挤出Tokens成本飙升且存在浪费信息被稀释LLM推理出错概率增大性能下降Agent响应延迟想象下如果你需要把上百个MCP Server中的工具说明、流程指引等加载进上下文Agent将会“记忆过载”。当前应对上下文危机的主要方法是借助上下文工程的长期Memory方案。Skills采用的策略是让Agent可以访问大量技能但不会一次性“灌输式”教学而是“按需加载”。这种渐进式披露的运作机制如下第一层技能发现会话开始时从SKILL.md文件的元数据区域加载名称与描述用于发现技能。具体来说就是把name和description注入系统Prompt。第二层技能理解当LLM识别需要使用某个Skill时会加载该技能的完整SKILL.md以了解真正的技能指南。第三层资源按需加载在使用技能时如果发现有额外的动态资源需要读取文档、模板、脚本等则按需加载对应资源。以下是官方的PDF技能在每个阶段被注入到上下文的内容注意到对于需要编程处理的任务开发者可以在Skill目录放置 Python 脚本。当Agent使用该Skill时可以加载这些代码在安全沙盒中执行这样比让LLM生成代码更高效、更可控。3、Subagents”分而治之“的Agent架构当面对一个复杂的任务 — 比如“对整份文档做全面审核并给出修复建议”时单一的Agent即使配备 MCPSkills会遇到麻烦角色混乱 一个 System Prompt 同时包含“专业的创作者”和“严苛的审核员”两种截然不同的人设容易造成混乱。上下文污染各种任务指令、文档内容、工具说明、调用结果等挤在同一个上下文里LLM可能会忘记最初目标。【Subagents“分而治之”】Claude开发平台的Subagents就是旨在通过“分而治之”的策略来解决上述问题把复杂任务拆成几个可控的子任务由不同的 Agent 专家分别处理各司其职互不干扰。Subagents本质是多智能体系统的一种实现并非Claude独有。其好处是上下文隔离每个 Subagent 都在独立环境中运行。主Agent将子任务指派给 SubagentSubagent 可能会开展大量的中间处理。但最终只会向主Agent返回一个“精炼”结果主Agent上下文不会被“污染”。子Agent之间也不会相互干扰 — AI“测试员”的几千条错误日志不会塞满AI“架构师”的思考空间。专业化配置每个 Subagent 可以拥有自己独立的 System Prompt、模型选择、可用工具Skills等。独立权限控制你可以创建给不同的Subagent只赋予其某些工具权限从而最大限度降低误操作风险 。下面是定义两个Subagents的例子...... subagents_config { # 子智能体 1安全审计专家 security-auditor: AgentDefinition( descriptionExpert in identifying security vulnerabilities (OWASP Top 10). Use this agent for code review., promptYou are a rigorous security auditor. Focus ONLY on SQL injection, XSS, and auth bypass. Be extremely critical., tools[read_file, grep], # 限制工具只读不可修改代码 modelclaude-3-5-sonnet-20240620# 使用最强模型进行深度分析 ), # 子智能体 2测试运行员 test-runner: AgentDefinition( descriptionExecutes test suites and reports results. Use this agent after code changes., promptYou are a QA engineer. Your job is to run tests, analyze failure logs, and report pass/fail rates., tools[bash, read_file], # 允许运行 bash 命令 modelclaude-3-haiku-20240307# 使用快速模型处理简单执行任务 ) }最新LangChain的DeepAgents框架中也有用来完成子任务的Subagent机制。4、联系、区别与协同现在我们来总结这三种不同的Agent机制。【MCPPTC连接层机制】它们更多的是一种基础设施。它给Agent提供了更简洁与丰富的访问外部资源的能力并通过 PTC 提高执行效率。后续的Skills 和 Subagents 都可以依赖 MCP/PTC/工具调用之上来实现。当需要让LLM访问某个外部数据/API应优先想到MCP。比如我要让AI查询公司的CRM数据库。【Skills认知层机制】Skills用来告诉LLM在面对某类问题“怎么做”其定位在于提供标准、可复用的“知识胶囊”。很适合特定领域内的单一、明确、通用、可复用的小任务比如转换文档、生成模板报告、规范化代码等这类任务。当希望为Agent注入特定任务的知识时可以编写Skill。比如我要让AI了解如何创建规范的React项目结构。【Subagents组织层机制】该机制让Agent从独立工作的个人过渡到带领团队工作。适合复杂、多步骤、多子任务子流程、大 context 或需要角色分工 (比如“代码审查专家”、“数据分析专家”、“研究专家”) 的任务。当发现Agent承担了太多的职责而难以管理时考虑Subagents。比如我要构建一个开发智能体既能做架构、又能写代码、还能做测试。表格总结如下【Subagent Skill MCP/PTC 的协同】最后我们用三者间的一个协同场景来结束本文主 Agent 接到一个复杂任务 ( “给这个项目生成完整报告 做代码审查 更新文档 汇总结果”)。主 Agent 将“代码审查”子任务交给 Review Subagent — 它用独立 Context 专属工具去分析代码库不污染主 Context也能并行处理多个文件。子任务里若需要格式化 /转换 /模板生成 (例如把分析结果生成 Markdown 报告)Subagent 内部可以使用一个 Skill来完成。若子任务还需访问公司数据库 / APIs 获取数据 (例如Bug跟踪, 提交历史)Subagent (或 Skill) 通过 MCP 工具/PTC 来获得这些数据。子代理处理完把最终结果以简洁总结形式返回给主 Agent。主 Agent 收集多个 Subagent 的结果整合 / 合成最终输出给用户。这种组合方式将 分工 (Subagent) 、 领域技能 (Skill) 和 工具 (MCP PTC) 三层有机结合既保证效率、可维护性也保证系统灵活与扩展性。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。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、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。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7、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】
【2026收藏版】彻底吃透Anthropic四大Agent核心机制，零基础玩转大模型智能体开发
2026年大模型Agent开发已然成为AI应用落地的核心赛道从轻量化智能助手到企业级复杂业务智能系统高性能、可落地、易维护的Agent架构是每位程序员、AI开发者的必备技能。作为大模型Agent领域的标杆技术体系Anthropic推出的MCP、PTC、Skills、Subagents四大工程机制构建了一套完整、标准化的智能体开发解决方案。本文将全方位拆解这套核心架构MCP实现外部资源标准化联通PTC优化工具调用执行效率Skills赋能Agent模块化专业能力Subagents依托分治思想搞定复杂任务。四大机制从资源连接、执行效率、认知能力、任务架构四大维度互补协同帮新手快速入门Agent开发助力开发者搭建高质量、可迭代的大模型智能系统。1、MCP PTC会”连招“的Agent工具箱时至今日MCP 已经可以说是 Agent 开发领域最重要的开放协议之一甚至可能是“最”重要的那个。它由 Anthropic 在 2024 年底提出目前已经完成了两次规范的版本迭代可见其在生态中的地位。【MCP再回顾】在 MCP 出现之前如果你希望让 AI 访问你的本地文件、企业数据库或者第三方API你需要为每个外部资源写“胶水代码”。这就像以前手机充电器接口各异极难通用。而 MCP 就是 AI 时代的 “USB-C”它标准化了 AI 与外部世界的连接方式。开发者可以把数据库、业务系统、API等访问等封装成一个 MCP Server一次暴露多处复用。任意一个具备 MCP 客户端能力的 Agent都可以直接接入并使用这些能力无需再次开发。MCP的核心架构与能力用下图总结【PTC程序化工具调用】有了MCP你可以给Agent“插上”大量工具但是新的问题来了在一次复杂的任务中流程很容易变成这样LLM推理-工具调用-结果塞入上下文-LLM再推理-下一个工具调用…这种反复来回的“乒乓球效应”带来的缺陷主要是高延迟大量的网络往返与LLM推理可能让响应从几秒变成几分钟高成本大量中间结果被塞入上下文占Token还影响推理质量Anthropic 对此的解法是一种新的工具调用方式 — 程序化工具调用PTC, Programmatic Tool Calling用来优化上述场景中的问题。其核心理念是让LLM编写一段完整的Python代码并在安全的沙箱环境中运行代码中直接包含了对多次MCP 工具的调用、逻辑循环、条件判断以及数学计算等。即Agent通过编写程序来调用工具而不是通过对话逐步推理出来。举个简单例子“使用工具A从数据库查询所有订单再用工具B生成分析图表”如果通过传统方式LLM 需要先拿到工具 A 的结果大量订单记录塞进上下文再思考要不要调用 B — 又慢又贵。而在PTC模式下orders await toolA.query_orders() chart await toolB.generate_chart(orders) return chart沙箱一次性执行完由于少了中间结果的反复响应与Tokens成本大大降低。【MCPPTC工具调用的“连招”】如果说MCP工具是招式那么PTC就是一口气打出多个“连招”MCP提供了“原子化”的工具能力查询、读写文件、API调用PTC提供了基于代码的“粘合剂”工具调用、循环、条件判断、过滤但PTC 本质上是“自动写代码”适合执行确定性强、流程相对固定的任务但不是所有的任务都适合PTC。特别是当工具调用结果需要依赖LLM来进行推理、理解以判断下一步行为时PTC可能就不适合。比如“帮我分析这份商务合同如果有严重风险生成一份免责说明否则给出修改建议。”由于这里需要LLM作语义判断以推理风险等级这是一个典型的“LLM决策点”无法用PTC代码来直接写死因此更适合经典的Agent循环模式。2、Skills给Agent的“知识胶囊”在理想世界里我们希望Agent什么都会。但现实是特别是在专业领域Agent往往缺乏足够的”知识“来知道”怎么做“比如操作流程、应该使用的Python模块、采用的模板等。而且你无法把所有的经验与指南都塞入上下文 — 毕竟空间有限。【Skills模块化的”知识胶囊“】Skills是一种用来以模块化方式给 LLM 注入专业技能的机制。它在物理上是一个“文件夹”里面包含一个核心说明文件 SKILL.md相关的脚本/代码其他资源文件文档、模板、示例等这些内容告诉LLM“遇到这类任务时该怎么做”。这是一个官方处理PDF文件的技能目录当用户输入任务“请把我上传的PDF文件提取成文本”时LLM 会自动匹配到这个Skill阅读其中的指南然后根据其中的说明编写代码或调用工具、运行并获得结果。在整个过程中操作细节不是靠LLM自行“猜”而是由Skill中的文档给出指示。【Skills核心机制“渐进式披露”】那么LLM是如何知道用哪个Skill的难道要把所有Skill资料一股脑塞进上下文显然不是。这涉及到Skills的核心理念渐进式披露(Progressive Disclosure)即LLM对Skills的了解是一种“渐进式”的方式。这种方式的出发点仍然来自于“上下文危机”在复杂Agent运行时由于不断注入大量的专业知识、工具信息、调用结果、对话历史等。你可能会面临上下文爆炸有用信息被挤出Tokens成本飙升且存在浪费信息被稀释LLM推理出错概率增大性能下降Agent响应延迟想象下如果你需要把上百个MCP Server中的工具说明、流程指引等加载进上下文Agent将会“记忆过载”。当前应对上下文危机的主要方法是借助上下文工程的长期Memory方案。Skills采用的策略是让Agent可以访问大量技能但不会一次性“灌输式”教学而是“按需加载”。这种渐进式披露的运作机制如下第一层技能发现会话开始时从SKILL.md文件的元数据区域加载名称与描述用于发现技能。具体来说就是把name和description注入系统Prompt。第二层技能理解当LLM识别需要使用某个Skill时会加载该技能的完整SKILL.md以了解真正的技能指南。第三层资源按需加载在使用技能时如果发现有额外的动态资源需要读取文档、模板、脚本等则按需加载对应资源。以下是官方的PDF技能在每个阶段被注入到上下文的内容注意到对于需要编程处理的任务开发者可以在Skill目录放置 Python 脚本。当Agent使用该Skill时可以加载这些代码在安全沙盒中执行这样比让LLM生成代码更高效、更可控。3、Subagents”分而治之“的Agent架构当面对一个复杂的任务 — 比如“对整份文档做全面审核并给出修复建议”时单一的Agent即使配备 MCPSkills会遇到麻烦角色混乱 一个 System Prompt 同时包含“专业的创作者”和“严苛的审核员”两种截然不同的人设容易造成混乱。上下文污染各种任务指令、文档内容、工具说明、调用结果等挤在同一个上下文里LLM可能会忘记最初目标。【Subagents“分而治之”】Claude开发平台的Subagents就是旨在通过“分而治之”的策略来解决上述问题把复杂任务拆成几个可控的子任务由不同的 Agent 专家分别处理各司其职互不干扰。Subagents本质是多智能体系统的一种实现并非Claude独有。其好处是上下文隔离每个 Subagent 都在独立环境中运行。主Agent将子任务指派给 SubagentSubagent 可能会开展大量的中间处理。但最终只会向主Agent返回一个“精炼”结果主Agent上下文不会被“污染”。子Agent之间也不会相互干扰 — AI“测试员”的几千条错误日志不会塞满AI“架构师”的思考空间。专业化配置每个 Subagent 可以拥有自己独立的 System Prompt、模型选择、可用工具Skills等。独立权限控制你可以创建给不同的Subagent只赋予其某些工具权限从而最大限度降低误操作风险 。下面是定义两个Subagents的例子...... subagents_config { # 子智能体 1安全审计专家 security-auditor: AgentDefinition( descriptionExpert in identifying security vulnerabilities (OWASP Top 10). Use this agent for code review., promptYou are a rigorous security auditor. Focus ONLY on SQL injection, XSS, and auth bypass. Be extremely critical., tools[read_file, grep], # 限制工具只读不可修改代码 modelclaude-3-5-sonnet-20240620# 使用最强模型进行深度分析 ), # 子智能体 2测试运行员 test-runner: AgentDefinition( descriptionExecutes test suites and reports results. Use this agent after code changes., promptYou are a QA engineer. Your job is to run tests, analyze failure logs, and report pass/fail rates., tools[bash, read_file], # 允许运行 bash 命令 modelclaude-3-haiku-20240307# 使用快速模型处理简单执行任务 ) }最新LangChain的DeepAgents框架中也有用来完成子任务的Subagent机制。4、联系、区别与协同现在我们来总结这三种不同的Agent机制。【MCPPTC连接层机制】它们更多的是一种基础设施。它给Agent提供了更简洁与丰富的访问外部资源的能力并通过 PTC 提高执行效率。后续的Skills 和 Subagents 都可以依赖 MCP/PTC/工具调用之上来实现。当需要让LLM访问某个外部数据/API应优先想到MCP。比如我要让AI查询公司的CRM数据库。【Skills认知层机制】Skills用来告诉LLM在面对某类问题“怎么做”其定位在于提供标准、可复用的“知识胶囊”。很适合特定领域内的单一、明确、通用、可复用的小任务比如转换文档、生成模板报告、规范化代码等这类任务。当希望为Agent注入特定任务的知识时可以编写Skill。比如我要让AI了解如何创建规范的React项目结构。【Subagents组织层机制】该机制让Agent从独立工作的个人过渡到带领团队工作。适合复杂、多步骤、多子任务子流程、大 context 或需要角色分工 (比如“代码审查专家”、“数据分析专家”、“研究专家”) 的任务。当发现Agent承担了太多的职责而难以管理时考虑Subagents。比如我要构建一个开发智能体既能做架构、又能写代码、还能做测试。表格总结如下【Subagent Skill MCP/PTC 的协同】最后我们用三者间的一个协同场景来结束本文主 Agent 接到一个复杂任务 ( “给这个项目生成完整报告 做代码审查 更新文档 汇总结果”)。主 Agent 将“代码审查”子任务交给 Review Subagent — 它用独立 Context 专属工具去分析代码库不污染主 Context也能并行处理多个文件。子任务里若需要格式化 /转换 /模板生成 (例如把分析结果生成 Markdown 报告)Subagent 内部可以使用一个 Skill来完成。若子任务还需访问公司数据库 / APIs 获取数据 (例如Bug跟踪, 提交历史)Subagent (或 Skill) 通过 MCP 工具/PTC 来获得这些数据。子代理处理完把最终结果以简洁总结形式返回给主 Agent。主 Agent 收集多个 Subagent 的结果整合 / 合成最终输出给用户。这种组合方式将 分工 (Subagent) 、 领域技能 (Skill) 和 工具 (MCP PTC) 三层有机结合既保证效率、可维护性也保证系统灵活与扩展性。最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。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、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。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7、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】
