上周有个朋友问我：
“你天天用 Claude Code，能不能给我讲讲 Command、Skill、Agent、MCP 这几个东西到底啥区别？”
我张嘴就想说，然后发现自己卡住了。
用了两个月，每天都在用，但真让我解释清楚，还真说不明白。
于是我花了一整个周末，把官方文档翻了个底朝天，又把自己实际用的场景梳理了一遍。
今天把这些想明白的东西写下来。
这四个东西，其实分两类：
告诉 Claude 怎么做事——Command、Skill、Agent
让 Claude 能做更多事——MCP
前三个是"菜谱"，教 Claude 怎么做菜。MCP 是"厨具"，让它能用锅、用刀。
Command 是怎么来的
我每天早上打开项目，第一件事就是让 Claude 审查昨天写的代码。
一开始我每次都要打这么一段：
“帮我看看这段代码，检查有没有 SQL 注入、XSS 漏洞，看看性能有没有问题，命名规不规范，有没有可以优化的地方，用中文回复。”
打了二十多遍之后，我实在受不了了。
然后我发现可以把这段话存成文件。在项目目录下创建.claude/commands/review.md：
请审查我的代码，检查：1. 安全漏洞（SQL 注入、XSS、敏感信息暴露）2. 性能问题（N+1 查询、不必要的循环）3. 代码规范（命名、函数长度、注释）发现问题给出具体行号和修改建议，用中文回复。现在我只需要输入/review，Claude 就会按照这个来做。
我现在用的几个 Command
/review—— 审查代码
/commit—— 生成提交信息，我的commit.md长这样：
根据我的改动生成 git commit message。格式要求：- 使用 conventional commits（feat/fix/refactor/docs）- 第一行不超过 50 字符- 说明为什么改，不只是改了什么- 中文示例：feat(auth): 添加微信登录接入微信 OAuth，支持扫码和公众号登录两种方式/explain—— 解释代码，适合看不懂别人写的东西时用
/weekly—— 周五下午用，让它根据这周的 git log 帮我写周报
Skill 和 Command 的区别
Command 要手动输入/review才会触发。
Skill 是 Claude 自己判断。你随便说"帮我看看这段代码"、“这个有没有 bug”、“review 一下”，它都会自动识别。
Skill 的配置稍微麻烦一点，要建一个文件夹。比如.claude/skills/code-reviewer/SKILL.md：
---name: code-reviewerdescription: 当用户说"审查代码"、"review"、"帮我看看代码"、"检查 bug"、"这段代码有问题吗"时使用---你是代码审查专家。重点检查安全、性能、可读性。发现问题给出行号和修改建议。关键是description那行，Claude 根据这个判断什么时候用这个 Skill。
Command 还是 Skill？
我的选择：高频任务用 Command，低频任务用 Skill。
代码审查我每天用十几次，输入/review比说一句话还快。
翻译我偶尔用，懒得记命令叫什么，就建了个 Skill，随便说"帮我翻成中文"就行。
大部分人用 Command 就够了，配置简单。
Agent 是另一回事
Command 和 Skill 本质一样，都是在当前对话里执行。
Agent 不一样。
有一次我在和 Claude 讨论一个支付系统的设计，聊了快一个小时，状态机怎么设计、失败怎么重试、超时怎么处理，细节都敲定了。
然后我想让它帮我调研一下"业界主流的支付系统都怎么做的"。
Claude 开始搜索、整理、对比，输出了一大堆内容。
等它调研完，我想继续刚才的设计讨论，发现它记不清之前聊的东西了。
因为对话太长，早期的内容被"挤掉"了。
Agent 就是派出去干活的人
如果我用 Agent 来调研，Claude 会派一个"分身"出去，在独立的空间里工作。
调研完，只带着最终报告回来。
我的主对话不受影响，之前讨论的支付设计细节完好无损。
Agent 的配置放在.claude/agents/researcher.md：
---name: researcherdescription: 深度调研model: sonnettools: WebSearch, WebFetch, Read---你是调研专家。收到任务后：1. 搜索至少 5 个不同来源2. 交叉验证关键信息3. 输出结构化报告，列出信息来源model可以指定用什么模型，复杂任务用 opus，简单的用 haiku 省钱。
tools指定它能用什么工具——搜索、抓网页、读文件。
什么时候用 Agent
调研类任务：调研技术方案、分析竞品、搜索某个报错的解决办法。过程会产生大量内容，会冲掉你的上下文。
大规模改动：把项目里所有 callback 改成 async/await、批量重命名、生成大量文档。
并行任务：同时派几个 Agent 去干不同的事，比如一个调研 A 方案，一个调研 B 方案。
简单任务不用 Agent：审查一小段代码、生成一个 commit message、翻译一段话，直接用 Command 就行。
MCP 是给 Claude 装插头
前面三个都是告诉 Claude 怎么做事。
MCP 是让它能做更多事。
你让 Claude"帮我在 Notion 里创建一个页面"，但它连不上你的 Notion，做不到。
装了 Notion 的 MCP，就能做了。
配置放在~/.claude/settings.json：
{ "mcpServers": { "notion": { "command": "npx", "args": ["-y", "@notionhq/notion-mcp-server"], "env": { "NOTION_API_KEY": "secret_xxx" } }, "github": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-github"], "env": { "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_xxx" } } }}装了之后：
- “帮我在 Notion 里创建一个页面” —— 能做
- “看一下这个 PR 有什么问题” —— 能做
- “查一下昨天的订单数据” —— 装了数据库 MCP 就能做
MCP 可以和前三个组合
比如你建一个"会议记录整理"的 Skill，让 Claude 整理会议记录，然后通过 Notion MCP 保存到 Notion。
或者建一个"竞品调研"的 Agent，让它去搜索调研，用到搜索和抓取的能力，最后把报告存到你的知识库。
总结
Command—— 存好的提示词，/xxx触发。适合高频任务：代码审查、生成 commit、写周报。
Skill—— 自动识别意图。适合低频任务，懒得记命令：翻译、格式转换。
Agent—— 独立空间里工作的分身。适合大活儿：调研、大规模重构。核心价值是不污染当前对话。
MCP—— 连接外部服务的插头。让 Claude 能操作 Notion、GitHub、数据库。
这四个概念确实有点乱。Command 和 Skill 功能重叠，Agent 的价值要遇到问题才能体会，MCP 和前三个压根不是一回事。
这是产品设计的问题，不是你的问题。
我的建议：从 Command 开始，存几个常用的，用几周。等你发现"对话被冲掉了"，试试 Agent；想操作外部服务，配一下 MCP。
按需学习，别一次学太多。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
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
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
