
AI、Agent、MCP、Skill 到底啥关系?把 AI 当成一个人就懂了
用大脑、身体、感官、记忆和肌肉记忆的比喻,讲清模型、工具、MCP、知识库、Skill、Agent 与多 Agent 的分工。
个人理解与实践
把我对 AI、科研方法和真实项目的理解放进同一张地图。你可以从概念开始,也可以直接进入方法、判断或案例。
01 / UNDERSTAND
先把模型、工具、MCP、知识库、Skill 和 Agent 的关系放对,再谈选择与搭建。

用大脑、身体、感官、记忆和肌肉记忆的比喻,讲清模型、工具、MCP、知识库、Skill、Agent 与多 Agent 的分工。

把模型和 Agent 工作台拆开比较,从任务完成率、上手门槛、成本和工作环境解释工具选择。

按照输入、交付物和人工检查点,把科研 Skill 放回文献证据、研究设计、分析执行、表达审查和运行治理五类任务。

用权限和能力两个维度比较网页端、IDE、CLI 与高权限自动化工具,帮助初学者理解效率和风险如何一起变化。

从反复出现的真实工作入手,先拆清工作模式、寻找现成方案,再把稳定的输入、步骤、输出和检查固化下来。
02 / PRACTICE
把选题、文献、设计、分析和写作拆成能执行、能检查、能继续积累的流程。

每天开工先固定阶段入口、材料入口和验证入口,把庞大的科研全流程收缩成一段可执行、可检查的任务。

从选题、文献、理论、数据到投稿,逐环节判断 AI 可以主导、需要人工校验和必须由研究者把关的工作。

把文献检索与筛选拆开,通过本地文献库、Zotero、外部数据库和引文追踪形成可回查的核心文献清单。

用期刊 RSS、关键词初筛和本地笔记库持续积累候选文献,让一次性检索变成长期更新的研究基础设施。

先固定七个抽取维度,再让 AI 批量生成文献方法矩阵,并通过人工抽样复核控制理论、机制和变量角色误判。

科研 AI 新手先选择一个输入、输出和检查点都清楚的小任务,通过真实结果建立流程感、判断感和边界感。

把文献关系、核心文献筛选、方法矩阵和四类 Gap 分开处理,让综述中的每个判断都能回到具体材料。
03 / JUDGE
记录 AI 进入科研以后,研究者能力、生产方式和方法边界正在发生的变化。
04 / PROVE
用真实科研、产业分析和知识生产项目检验方法,保留结果,也保留限制。

一个真实科研 Agent 案例:从一句模糊想法出发,筛选 396 篇摘要、精读重点全文,最终形成可以回到文献核查的研究档案。
在收藏和写作之间加入分析加工层,让笔记从静态存放转向问题发现、选题形成和后续生产。

用科研、产业分析、政策监测、教学和文旅五个项目,展示 AI 工作流的提效结果、校准成本和人工判断边界。

从空域资源、产业链缺口和应用场景买单方三个问题,展示产业研究如何在招商热潮中建立现实判断。