Guide

常见的问题解答

MCP 和 Skill的主要区别

定位：

• MCP：连接外部世界 （外部系统交互）
• Skill：封装领域知识（"操作手册"，教会它如何专业地完成特定任务）

脚本能力：

• MCP：需通过MCP协议提供的工具来远程调用外部API或执行操作
• Skill：自带可执行脚本（Python、Bash等），AI可直接运行，执行结果不占用上下文，省Token且结果可靠。

调用：

• 面向外部用户：提供某个端口下的服务
• 通过复制SKILL.md等文件到特定目录即可安装

场景：

• 需要MCP的场景：你的AI需要获取实时、外部的数据。比如，查询云端数据库、调用CRM系统获取客户信息、访问第三方SaaS API（如Slack、Jira）等。MCP的价值在于提供一个安全、标准化的管道来连接这些外部系统。
• 需要Skill的场景：你需要AI以特定、专业的方式处理本地任务。比如，按照公司规范审查代码、用固定格式处理Excel报表、执行PDF解析等。这些工作用Skill封装，能让团队所有人都能复用到同一种"专业能力"。

langChain

说白了就是 SDK，不同于传统 SDK 封装的是确定性的 API，LangChain 封装的是非确定性的 LLM 和其周边生态，因此它更像一个“胶水层 SDK”

• 提供标准化接口：它抽象了不同大模型（OpenAI、Anthropic、Google 等）的 API 差异，让你用一套代码就能切换模型，这正是 SDK 的核心价值。
• 封装复杂逻辑：你不需要自己处理“如何把长文档切成小块嵌入向量库”或“如何实现对话记忆”这类复杂的工程细节，LangChain 已经提供好了现成的模块。
• 提供开发范式：它定义的 LCEL（LangChain 表达式语言）和 Chain 概念，就像 SDK 定义的编程模式，引导你如何用“链式”思维组装应用。

ref: https://www.ibm.com/think/topics/langchain

Token超过上下文的处理办法

• 上下文检索（RAG）：不让AI看全文，而是把它当“搜索引擎”。先把超长文档切成小段存进向量库，用户提问时，只检索出最相关的3-5个小段落送给AI。这是目前处理超长文本最主流、最经济的方法，消耗的Token极少。
• 信息压缩与摘要：让一个专门的AI先对原始内容做“脱水”处理，总结成摘要或提取关键点，再把精炼后的内容送给主AI。注意，这会损失细节，适合只需要了解大意的场景。
• 分块处理：像流水线作业一样，把大任务拆成多个小任务。例如，让AI每次只分析一个章节，最后再汇总所有章节的分析结论。

ReAct 和 Plan-and-Execute

Reasoning + Acting

ReAct 是 2022 年提出的一种 Prompt 策略，核心循环是：

思考（Thought）-> 行动（Action）-> 观察（Observation）-> 再思考（Thought）...

就像人解决问题一样：我先想想该怎么做（Thought），然后动手查资料（Action），看到结果后（Observation），再根据新情况决定下一步（再 Thought）。

Plan-and-Execute

先将任务分解为清晰的步骤计划，再按计划执行。

制定计划(Plan) → 执行步骤1 → 执行步骤2 → ... → 汇总结果

Reflection (反思)

生成初稿 → Critic（批评者角色）指出问题 → 根据反馈修改 → （可能重复）

就像 DeepSeek 刚推出的思考模式一样。