自己测试 AI 工具

我对 AI 工具的理解

AI 工具是以大语言模型（LLM）为核心的应用：它把模型的推理与生成能力， 封装成一个可以对话、可以调用的产品。模型本身是“引擎”，工具是把它落到具体场景的“车身”。

按用途大致可以分成几类：

• 对话与问答 · 日常提问、查资料、头脑风暴
• 写作与内容 · 文案、翻译、总结、润色
• 编程辅助 · 代码补全、重构、答疑
• 图像与多模态 · 文生图、图像理解
• Agent / 自动化 · 自主规划步骤、调用工具

选用思路其实很简单——看场景：临时问答用对话类，写代码用编程类，搭固定工作流用 Agent。 真正影响效果的往往不是工具本身，而是把 AI 当作协作者：把需求讲清楚、把上下文给足、对结果迭代验证。

Skills：可复用的能力包

Skills 的思路是把“完成某类任务的方法”打包成一个可复用的技能包。 一个 Skill 通常包含：什么时候该用它、具体怎么做、需要遵守哪些约束。 比如在 Claude 里，Skill 就是一份带说明的指令集合，模型在合适的场景自动触发并按既定流程执行。

它解决的核心问题是“重复教学”：

• 把一次摸索出来的最佳实践固化下来，下次不用从头讲。
• 可以分享给他人，也可以多个 Skill 组合使用。
• 把“经验”从人脑迁到工具里，降低使用门槛。

一句话理解：Skill 是给 AI 预装好的“操作手册”，让它在特定任务上更稳定、更专业。

MCP：让模型连接外部世界

MCP（Model Context Protocol，模型上下文协议）是一个开放协议， 用来标准化 AI 模型与外部数据源、工具之间的连接方式。常被比喻为“AI 应用的 USB-C 接口”。

它要解决的问题很现实：如果每个工具都各自对接一次模型，成本会很高，而且难以维护。 MCP 提供统一接口，模型只要会说“协议”，就能通过 MCP Server 访问数据库、文件系统、各类 API。

典型的结构是三层：

对使用者来说，MCP 的意义在于：接入一个新工具不再需要改模型本身， 配置对应的 MCP Server 即可，AI 工具的“手”因此变得更长、更统一。

CLI：终端里的 AI 协作

CLI（Command Line Interface，命令行界面）是通过终端文本交互的方式。 AI CLI 工具（如 Claude Code）把 AI 能力直接带进终端，在真实的代码仓库里读写文件、运行命令、执行任务。

它和图形界面（GUI）是互补关系：

换句话说，CLI 让 AI 不只是“网页里聊天的对话框”，而是能真正动手干活的协作者—— 你描述目标，它在你本地的项目里操作、验证、交付。