周末整理收藏夹干了一件拖延已久的事把浏览器里那个已经乱成一锅粥的书签栏彻底翻了一遍。里面躺着大量关于AI编程、大模型、Skills、MCP相关的链接大部分都是当时顺手存下就再也没打开过的。我挨个打开、试用、删掉最后留下30多个真正有用的按分类重新整理了一份清单。这篇就是这份清单的完整记录。如果你正准备用AI工具改造自己的工作流但不知道该从哪个入口切入或者你听说过Skills和MCP也知道大模型能解决很多问题就是没搞明白它们怎么串起来——这篇会按一个相对清晰的顺序把这些东西摆平。不是广告盘点每个资源我都实测过优缺点一起说能免费用的渠道也一并交代了。1. 这次清理收藏夹的思路30多个资源是怎么筛出来的1.1 先按四层拆开而不是按工具平铺打开收藏夹那一刻我是懵的ai编程提示词、codex付费ai编程软件、大模型微调、skills推荐、mcp协议、本地部署、agent skills测试……大量概念混在一起如果按工具平铺这清单根本没法看。所以我换了个思路把所有这些资源先归到四层里入口层AI编程工具你每天实际操作AI写代码、改代码的那个界面。包括Codex这类终端助手、IDE插件、提示词模板。底座层大模型所有AI能力的来源。包括免费API、本地部署的模型文件、微调技术。扩展层Skills模型之上挂载的技能包相当于给AI写的岗位说明书让它学会处理某类任务。连接层MCP把模型和外部世界Figma、数据库、调试器、工业软件连起来的标准协议。这四层的关系可以这样理解大模型是发动机AI编程工具是方向盘和仪表盘Skills是驾驶员的操作手册MCP是把车连到各种路况的数据线。你缺了任何一层整条链路都跑不通。1.2 筛选标准和免费渠道的共性这次能留在清单里的资源我用了四个筛选条件我自己实际用过或者至少深度测试过一轮不是看了文档就写上去的存在明确的免费路径哪怕是免费额度、开源版本或者社区替代品更新还算活跃那种半年没动静的直接删不是只有概念PPT、没有可运行成品的未来项目。关于免费渠道这批资源汇总下来其实只有三种形态。第一种是官方给的免费额度像很多大模型厂商的开发者计划新用户都有一定量的免费调用第二种是开源模型自托管模型权重直接下载到本地跑在自己电脑或服务器上没有按次计费的说法第三种是社区生态里的开源工具和免费插件比如Skills市场里大量开发者免费分享的技能包。顺便提醒一句热词里出现很多某某大模型官网下载这类需求。找模型文件这种事我只有一个建议以官方GitHub仓库或正规模型仓库为准看准开源许可证再下载不要用来路不明的第三方打包。绘图模型比如造相-z-image-turbo这类通常都是开源权重配合ComfyUI这类工具就能在本地跑没必要去搜破解版或整合包。2. AI编程工具层从Codex到提示词先解决用什么写代码2.1 Codex这类终端编程助手值不值得付费很多人一上来就问codex付费ai编程软件到底值不值。我先说结论如果你日常只写脚本、做前端页面、改小需求不值得第一时间付费如果你经常面对老项目重构、跨文件修改、批量替换这类任务付费带来的效率提升非常明显。Codex这类终端编程助手的核心优势是它真的能在终端里干活而不是只回答。它会自己读项目结构定位相关文件并行修改多个地方然后跑测试验证。我实测最爽的一次是把一个老项目的日志框架整体迁移它自己读懂了旧的日志调用方式生成了新的替换规则把几百个文件里的调用全部改完还顺手补了迁移说明。这种跨文件重构的场景IDE的自动补全完全帮不上忙。不过要泼一盆冷水这类工具的免费额度通常很紧张跑几个正经任务就见了底而且它对懒人不友好——你越能说清楚需求、越会拆解任务它发挥越好如果自己都没想清楚要改什么它大概率也只是在瞎猜。我把选型建议整理成了一张表场景推荐方案理由日常脚本、简单页面IDE插件提示词模板免费、上手快、够用中大型项目重构终端AI编程助手能跨文件并行处理固定重复的代码任务自己写提示词模板复用率高、零成本学习新技术栈AI编程助手当陪练边写边问边改学习效果好2.2 提示词最被低估的免费杠杆这次整理收藏夹我清理掉最多的是ai编程提示词相关书签。不是提示词没用而是大多数人收藏完根本不会用。真正有用的提示词不是帮我写一个登录页面这种大白话而是带上上下文、约束、输出格式的结构化指令。下面几个模板我一直在用可以直接抄走。比如代码审查请以资深技术专家的身份审查以下代码。 重点检查1. 潜在bug和边界条件2. 并发安全问题 3. 错误处理是否完整4. 命名和代码风格。 请先列出问题清单再给出每个问题的修改建议。 不要直接重写整个文件除非问题确实需要。再比如生成测试用例为以下函数生成单元测试用例。 要求覆盖正常输入、边界值、异常输入。 测试代码的命名要能描述场景每个用例注明断言的目的。 函数代码xxx还有解释遗留代码这段代码是我从老项目里翻出来的没有任何注释。 请先解读它的功能和执行流程再指出可疑或可以简化的部分。 最后用一段话总结如果我要把它接入新系统需要注意什么。这种模板的价值在于它把你会问什么和AI会答什么都框定了输出质量比裸问稳定得多。收藏夹里存一百个模板不如自己写十个贴合实际场景的写多了你就明白提示词本质上是和AI对齐需求的过程。2.3 IDE与终端助手怎么搭配最省心整理资源时还看到很多前端开发skillsidea使用skills之类的关键词。这说明Skills这类概念已经渗透到IDE使用场景里了不再只是终端工具的专利。我的实测搭配方案是这样小需求和临时脚本直接在IDE里用自带AI补全加提示词不用额外开工具。IDE的上下文感知更准它能看到你当前文件、当前光标位置补全和问答都是就地解决。中大型任务我才会开终端型AI编程助手。节点是要么需要跨文件改要么涉及项目级结构调整。这时候在IDE里一个文件一个文件地问效率太低直接让终端助手一次处理一批文件。还有一个实用小技巧无论用哪种工具先让它输出一个实施方案而不是直接动手改。让AI先列计划确认方向没问题再让它执行。这一步能省掉大量返工因为AI最容易犯的错不是不会写代码而是理解错了你的意图然后自信地写出一堆没用的代码。3. 大模型层免费API、本地部署、微调三条路的实测取舍3.1 免费API渠道额度、延迟与限流的真实情况聊免费大模型api之前先明确一个现实厂商不是做慈善免费背后通常有额度上限、调用频率限制、模型版本轮换。但作为学习和原型验证免费额度完全够了。目前能稳定薅到的免费API大致分三类。第一类是各厂商开发者计划的免费试用额度注册新用户就能领适合快速验证想法第二类是部分开源模型厂商提供的免费推理入口给的是小尺寸模型速度快但智商上限有限第三类是绘图模型、语音模型这类垂直模型的免费体验入口比如造相-z-image-turbo这类轻量绘图模型的在线试玩版。实测下来免费API最大的坑不是限额是今天能用明天未必能用。免费额度的条款经常调整模型接口也可能突然换版本。所以我的建议是免费API用来做技术验证和学习别把正式业务或者毕业论文这种投产比高的事情押在免费额度的稳定性上。3.2 本地部署从模型下载到跑通一个可调用的接口对大模型部署大模型下载这类需求我的建议很直接先在自己电脑上跑通一次再谈企业私有化部署。本地部署的流程现在被工具链已经压得很简单了。以Ollama为例两条命令就能跑通一个对话模型ollama pull qwen2.5:7b ollama run qwen2.5:7b对视觉检测、绘图这类场景下载对应模型仓库里的权重文件再配合相应的推理框架加载就行细节每个模型不完全一样但大方向是模型文件放好用配套工具加载跑通示例脚本确认输入输出格式。本地部署的优点很多人已经讲过了数据不出内网、按需调用没有按token计费、离线也能用。但我要强调一下它的隐性成本。首先是硬件7B模型量化后大概要8GB内存更大的模型直接上GPU其次是运维模型版本更新、推理框架升级、监控告警都得自己处理还有就是模型能力的滞后性本地模型的知识截止时间和你下载模型的时间绑定不会像在线API那样随时更新。我把API和自部署的差异整理成了对照表维度在线API本地部署初期成本低免费额度起步高需要GPU服务器数据安全取决于厂商协议数据完全在内部运维成本零厂商负责完全自己扛模型更新厂商负责通常较快自己跟进滞后延迟/限流受额度与并发限制完全可控适合场景快速验证、原型开发数据敏感业务、长期稳定使用3.3 微调先判断该不该微调再谈技术大模型微调实战大模型微调技术是这轮搜索词里的高频项但我得说句得罪人的话大多数人不是真的需要微调。举个例子热词里有人问工业AI检测、服装检测这类AI用的是云联网还是单机的AI用的什么大模型足够。这是一个典型的场景误判——工业检测、服装瑕疵检测这类图像识别任务通常用的是视觉基础模型做迁移学习或者直接用成熟的视觉检测框架和大模型微调里的那个大模型根本不是一回事。如果你拿着一堆产品瑕疵图片想的是微调一个大语言模型来做检测方向从一开始就偏了。真正的LLM微调解决的是模型能力足够、但不懂你的领域”的问题。判断该不该微调我用三个问题能不能用提示词解决能就别微调能不能用检索增强RAG解决能就别微调是不是需要模型吸收大量领域格式和隐含规则是才考虑微调。如果真的到了微调这一步以LoRA为例的流程大致是准备几百到几千条高质量样本选一个合适的基座模型用LoRA做参数高效微调然后用和训练集不同来源的验证集评估效果最后合并权重部署。最常见的翻车点我提前说训练集和评估集来自同一批数据看起来指标很好一上真实场景就崩还有一种是把模型训到背答案而不是学会规则换种问法就答非所问。4. Skills给AI装操作手册的那个文件夹4.1 Skills的本质一份结构化的说明书Skillsclaude agent skillsagent skills测试这些词最近热度很高。用最朴素的话解释Skills是给AI代理准备的一套文件里面包含指令、示例、工作流程放在指定目录后AI在处理相关任务时就会自动参考这份说明书。打个比方你给一个新同事交代任务光说帮我写周报是没用的。你会告诉他周报格式是什么、要包含哪些模块、数据从哪里取、写完后发给谁确认。Skills就是把这套信息打包成AI能理解的结构化文件。它和普通提示词的核心区别在于提示词用完就散在对话里Skills是长期挂载的专业能力包而且是按需触发的——AI发现当前任务匹配某份Skills的描述时才会调用它。热门技术讨论里那篇claude agent skills: a first principles deep dive其实就是这个思路从第一性原理出发把Skills描述成提升Agent可靠性的最小结构化单元。不把Skills想得太玄乎它本质上就是把经验文档化、让AI按文档执行。4.2 官方市场和社区资源从哪里找、怎么鉴货现在的Skills生态已经比较热闹了。找Skills的渠道大概有三条官方Skills市场或内置仓库直接在客户端里搜索安装最省事社区合集项目比如superpower skills这类聚合仓库里面按照用途分类放着大量技能包关键词搜索skills推荐find skills能找到很多个人博主写的清单。但渠道多也意味着鱼龙混杂。我在安装实测中遇到过几个问题有的Skills写得很漂亮但根本跑不起来有的只适配特定版本的客户端换版本就失效还有的README写得天花乱坠实际内容只有几百字。给一个我的鉴货清单一是看上次更新时间超过半年没更新的基本不碰二是看目录结构是否完整至少包含SKILL.md说明文件和示例文件夹三是看有没有真实的使用示例没有示例的Skills调教成本极高四是看是否声明了适配的客户端版本。用这套标准过滤下来能装进清单的Skills少一半但剩下的基本都能立刻干活。4.3 值得先装的几个Skills实测我实测下来容易上手、回报快的Skills按场景列几个代码重构类自动分析项目代码结构、识别重复代码、生成重构建议配合AI编程助手用比自己逐文件问省事得多测试用例生成类读取函数签名和实现自动生成边界用例生成完还能跑一遍验证覆盖率这个对老项目尤其友好文档撰写类根据代码提交记录生成变更日志根据接口定义生成API文档属于最无聊但是最实用的那类论文写作辅助类对应codex写论文的skills这个需求实测下来适合做文献整理、格式规范化、rebuttal初稿生成但核心观点和实验设计必须自己把控前端开发类包含组件规范、样式约束、常见框架的最佳实践前端开发Skills能让生成代码更贴合你团队已有的风格。关于安全测试类Skills比如安卓脱壳Skills、逆向分析相关技能包社区里确实存在不少。我的看法是这类工具没问题问题在于使用边界。它们适用于你拥有合法权限的应用和样本比如CTF比赛、自己有授权的漏洞研究、公司合规审计。除此之外的场景不要碰。4.4 自己动手写一个Skills最小可行案例与其到处找Skills不如自己写一个过程没想象中复杂。Skills本质上是一个目录里面最重要的文件叫SKILL.md。一个最小可用的结构长这样my-skill/ SKILL.md examples/ input.txt output.txtSKILL.md里可以写清楚元信息和执行流程--- name: changelog-writer description: 根据git提交记录生成变更日志适用于版本发布前的整理 --- ## 使用场景 当用户要求生成变更日志时使用本技能。 ## 执行步骤 1. 运行 git log --oneline -20 获取最近提交 2. 将提交信息分类为功能新增、Bug修复、重构、文档 3. 按版本号分组输出Markdown格式的CHANGELOG ## 示例 输入请为最近一次发布生成changelog 输出见 examples/output.txt写完后放进Skills目录在当前对话里试试能不能触发跑一遍自带例子确认效果再改几轮执行细节。整个流程半小时内能跑通。这里我想强调一个认知Skills不是魔法是提示词工程的结构化升级。你写Skills的能力取决于你对自己业务场景的理解程度。如果本来就不清楚某件事应该分几步做那再多Skills也帮不了你。5. MCP把大模型接到真实世界的万能接口5.1 MCP是什么一个USB-C式的标准MCPmcp协议是最近被问得最多的概念。MCP全称Model Context Protocol翻译过来是模型上下文协议。它解决的核心问题是AI应用如何标准化地调用外部工具和数据源。想象一下USB-C接口统一了各种外设的连接方式显示器、硬盘、扩展坞都用一根线电脑厂商不用为每个外设做专属接口外设厂商也不用为每个电脑品牌做专属驱动。MCP对AI生态的价值就是这种统一MCP Server负责把某个工具Figma、数据库、浏览器、调试器的能力暴露出来MCP Client也就是AI编程助手、客户端应用按统一协议调用这些能力。在没有MCP之前要让AI操作某个外部工具通常需要给这个工具单独写一套适配代码有了MCP之后只要工具方实现了MCP Server所有支持MCP协议的应用都能直接连上。这也是为什么现在Figma、蓝湖、各种开发框架都在接入MCP——因为这是一套接入一次、到处能用的标准。5.2 实测过的一批MCP接入案例这一轮清点下来MCP生态里我实测过的接入场景大概有这么几类设计协作类Figma MCP和蓝湖MCP都试过核心价值是让AI直接读取设计稿的图层结构、配色、尺寸再转成代码。这里有个绕不开的问题Figma接入MCP需要授权令牌授权时务必只给当前项目需要的权限范围别勾全量权限具体踩坑在下一节细说。蓝湖的接入思路类似主要是把设计标注数据直接喂给AI做前端还原。游戏引擎类Unreal 5.8 MCP这类东西已经在社区里热起来了。实际用途是让AI理解蓝图节点、生成场景操作脚本、辅助排查蓝图逻辑问题。对独立开发者来说等于多了一个能看懂项目内部结构的结对编程搭档。工业自动化类TIA MCP这类交付包对应热词里那个tia mcp 260514交付包也进来了它把PLC工程文件的读写能力开放给大模型。自动化的工程师们可以试着用自然语言生成部分PLC程序结构、生成注释文档。这类垂直行业的MCP还处在很早期但方向感已经很明确。业务系统类像RuoYi-Vue-Pro这类国内常见后台开发框架新版已经合并了MCP功能意味着你对着AI说把用户列表导出成Excel它能直接操作框架里已有的数据接口完成任务不用每次重新写一遍工具调用代码。调试分析类x32dbg的MCP插件、Cheat Engine桥接MCP这类属于安全研究与程序调试场景。实际用途是让AI读取调试器的状态、初步分析反汇编输出、整理调用栈信息能省不少人工翻日志的时间。但这类工具的使用前提是合法授权仅限于自己有权限的程序和样本分析场景。每一类我都建议这样上手先跑通官方示例确认工具能连通再逐步放开权限别一上来就让AI直接操作生产环境。5.3 MCP接入踩坑清单MCP的接入过程远没有理想中丝滑我踩过的坑和从别人项目里观察到的常见问题集中在这里授权范围。以Figma MCP为例接入时要生成personal access token很容易图省事直接给全部权限。但AI编程助手拿到这个token后能力边界就等于你在Figma里的操作边界。建议每次接入前单独建一个专用token只授权当前项目需要的文件访问权限用完即删。流式输出与文件写入。在CherryStudio这类工具里用MCP把内容流式输出到文件时最容易踩的坑是写入模式默认覆盖还是追加很多配置项一开始看不出来等你连续跑了几次任务发现前面结果被覆盖了才反应过来。另外编码问题也常见特别是输出中文内容时统一用UTF-8基本能规避大部分乱码。进程管理。本地MCP Server跑起来之后经常不会自动退出端口被占用、后台残留进程这些问题会直接影响后续任务的启动。我现在习惯性给每个本地MCP Server配一个启动脚本和停止脚本避免任务结束后还要手工清理。协议版本匹配。MCP Client和MCP Server的协议版本不是天然兼容的版本不匹配时表现也很有迷惑性——不是直接报错版本不符而是连接超时、工具列表为空。遇到这种情况第一件事就是去检查两边的版本号。边界控制。MCP Server一旦有文件系统或Shell访问权限AI就拥有了动手能力这个能力必须在可控范围内。不要把所有MCP Server都交给一个客户端管理最好按项目、按数据敏感级别隔离。这里的核心原则是接入越方便权限越要收紧。这些坑总结下来一句话MCP让AI获得了手和眼睛但手和眼睛能做什么、能碰什么必须由你来定规则。整理完这30多个资源我最大的感受是工具好找链路难得。收藏夹里的东西再多不把它们串成一条能跑的流水线就只是收藏夹里的库存而已。按入口层→模型底座→Skills扩展→MCP连接的顺序逐步引入每一层跑通之后再叠加下一层会比一次性把所有工具堆上桌要稳妥得多。最后分享一个我自己的使用习惯每当圈子里又冒出一个新工具我不急着装上而是在本地用最小成本试一遍记录它解决的问题、引入的成本、踩过的坑然后决定要不要留在正式流程里。这次盘点的清单也是按这套逻辑删减出来的。AI工具迭代太快但判断工具的方法论不会过时希望这篇能帮你省下一些重复筛选的时间。