前两天，隔壁组的新人小王差点被开除。这小子为了赶进度，搞了个瞎折腾的操作：把公司一个十几万行的老旧核心项目，一股脑全扔进 Cursor 里，连哄带骗地让 AI 帮他重构。结果呢？跑出来的代码简直是“地雷阵”，平时好好的系统，一到晚高峰就崩，查日志啥也没有，整个团队陪着他熬了三个通宵。我把他拉过来一看，好家伙，他连个 .cursorrules 都没建，就指望 AI 能像神仙一样懂我们公司的屎山代码。
很多兄弟对现在的 AI 编程有个天大的误解，觉得只要把代码库丢进去，AI 就能自己顿悟。其实呢？你以为的高级 Agent、各种眼花缭乱的 AI 外围工具，撕开底裤一看，本质全他娘的是 “**Markdown 小作文**”。恭喜你，在这个被各种“赋能、底层逻辑”充斥的时代，你终于发现了 AI 的本质：写小作文和当复读机。
你可能会问，那一堆 .claude、.cursor 文件夹里的 JSON 和 YAML 是干啥用的？难道是给 AI 吃的？其实根本不是。我们可以把大模型当成一个极度聪明但没有任何背景知识的“实习生”。Markdown 文件就是你给实习生写的“员工手册”，里面全是大白话，比如“变量名必须用驼峰”、“遇到空指针该怎么防”。但是，实习生脑容量有限，你不能每次问他个小问题，都逼他把整本员工手册背一遍。这时候，JSON 和 YAML 就派上用场了。
这些结构化的配置文件，其实是给 Cursor 或者 Claude Code 这种客户端程序读的。它们就像是公司的“HR 路由规则”，里面写着：如果实习生今天修前端的 Bug，你就把前端的 Markdown 规则抽出来递给他；如果他在搞数据库，你就把 SQL 规范递给他。说白了，JSON 负责 “**按需挑着读**” 的调度逻辑，而真正给模型洗脑的，还是那些用自然语言写的 Markdown 小作文。没有强制的 Schema，没有死板的格式，就是你平时怎么教新人，就怎么给 AI 写这篇作文。
搞懂了小作文的定位，咱们再来聊聊最近火得一塌糊涂的 MCP（Model Context Protocol）。很多网上的文章一上来就给你拽英文，看得人云里雾里。咱们接点地气，把大模型比作一个被锁在小黑屋里的“最强大脑”。这货虽然上知天文下知地理，但它是个残疾，连个网都连不上，更别提帮你跑个脚本、查个数据库了。
那它怎么干活呢？全靠 MCP 给它装上“手脚”。以前，模型只能在屏幕上打字说：“你应该去查一下这个日志文件。”现在，有了 MCP 协议，模型会吐出一串特定格式的文本，意思大概是：“我要调用读文件的工具，路径是 /var/log/error.log”。注意了，模型自己是不发 HTTP 请求的，它只负责“做决策”。
真正跑腿干活的是谁？是你本地的 AI 客户端或者专门的 MCP Server。这就像是老板（大模型）在群里发了句“去楼下给我买杯咖啡”，秘书（客户端）看到后，立马跑去买，买完再把咖啡（执行结果）端给老板。在这个过程里，通信方式一般有两种：一种是 stdio（标准输入输出），就像是两个人面对面递纸条，速度极快，适合本地跑的脚本；另一种是 HTTP，就像是打电话，适合去调远端的接口，比如去“一言”拉一句骚话。
// 烂代码 vs 好代码的思维转变
// 老方案：人肉当搬运工
// 1. 人去查数据库 -> 2. 把结果复制给 AI -> 3. AI 分析 -> 4. 人再去改代码
// 新方案：MCP 自动化
// 1. AI 决定调 MySQL MCP -> 2. 客户端去查库 -> 3. 结果自动喂给 AI -> 4. AI 直接改代码
但是，老板怎么知道秘书能买咖啡呢？这就又绕回到了小作文。你写一个 MCP 服务，必须得配一段 Markdown 描述，告诉 AI：我这儿有个叫 get_hitokoto 的工具，入参是什么，出参长啥样，什么时候该用。AI 在上下文中看到这段描述，才会知道自己原来还有这项超能力。
有了小作文，有了手脚，AI 就能横着走了吗？差得远呢。这就好比你给了一个刚毕业的大学生全套的维修工具，还给了他一本汽车构造指南，结果他一上手还是把发动机给拆废了。为什么？因为缺乏“专家经验”。这时候，Skill（技能包）这货就登场了。
别被 Skill 这个词唬住了，咱们拆解一下，一个完整的 Skill 其实就是三件套：“**Markdown 说明书**” + “**MCP/工具调用方式**” + “**底层执行代码**”。说白了，它就是把你多年的填坑经验，固化成了一套 AI 能看懂的 SOP（标准作业程序）。
我拿个深夜排查的真实场景举个栗子。以前咱们逆向分析一个前端加密极度复杂的网站，那叫一个苦逼。你得手动抓包，手动下载混淆的 JS，扒着眼睛看代码，看到头晕眼花再把片段复制给 AI，AI 还不一定能联系上下文。这就是典型的“人肉流水线”。
现在有了 Skill 怎么搞？我直接写个 SKILL.md，里面用大白话写清楚我的逆向方法论：
很多兄弟搞 AI 编程，最容易踩的坑就是“温水煮青蛙”。项目刚开始，文件少，AI 反应贼快，代码写得飞起。等项目养肥了，你随便问个问题，AI 慢得像蜗牛，最后直接报个 Context Length Exceeded 趴窝了。为啥？因为你一股脑把几十个文件全传过去了，大模型直接吃撑了。
这时候就得聊聊现在圈子里特别流行的一个词：“**上下文工程**”（Context Engineering）。听着挺唬人，其实你可以把它想象成“出门收拾行李”。你去三亚旅游，总不能把家里的羽绒服、电风扇全塞进行李箱吧？你得看天气预报（当前代码上下文），挑需要的带。
AI 客户端在发请求前，其实在背后干了极其繁琐的“行李打包”工作。它绝不会无脑塞数据。首先，它会用 Globs 或者路径匹配，把你写好的几百条 Markdown 规则过滤一遍，只留下跟当前修改文件相关的。然后，对于庞大的代码库，它会用语义检索（Embeddings），这东西就像是图书馆的索引卡片，AI 会通过向量相似度，把跟你当前问题最贴合的几个代码片段揪出来。最后，再加上被截断或者生成摘要的历史对话记录，像串糖葫芦一样拼成一个超长的字符串，也就是 Token 序列，加上鉴权和模型参数，一并发给大模型。
所以，当你每次敲下回车，觉得 AI 秒回你很神奇的时候，其实是底层的客户端用各种匹配规则和检索算法，在帮你做着极限的“历史裁剪”。只有把最精准的垃圾过滤掉，喂给 AI 最纯净的小作文，它才能给你产出神一样的代码。
折腾了这么久，看了那么多花里胡哨的工具，我越发觉得，咱们这帮干了十几年的老兵，思维得跟着变变了。以前我们写软件，讲究的是 API 接口，那是给冷冰冰的程序调用的；讲究的是增删改查的 UI 界面，那是给小白用户鼠标点按的。但现在呢？
我们正在经历一场软件形态的重构。传统的 API 接口，正在被重新包装成 MCP 规范，因为这是给 Agent 智能体准备的“手脚”；传统的用户使用手册，正在被改写成 Skill.md，因为这是给大模型准备的“操作指南”。甚至以后团队协作，都会出现类似 Git 的版本控制工具，专门用来记录每个程序员产生的小作文和 AI 沟通历史。每一次项目复盘，AI 都会自己总结容易出错的坑，沉淀到 Markdown 里。随着时间推移，这个仓库不仅包含代码，还包含了一个越来越懂你们业务的虚拟架构师。
实测下来，把公司的老破小项目用这套“MCP + Skill 小作文”的模式改造后，新人接手的速度起码快了 3 倍。以前新人得花两周看文档，现在 AI 带着 Skill 直接手把手教他在沙箱里跑代码。
最后说点掏心窝子的话，技术圈永远不缺新名词，今天一个赋能，明天一个抓手，后天又蹦出个什么协议。但技术没有银弹，剥开这些华丽的外衣，底层逻辑往往简单得让人想笑——就是教你怎么把一堆有结构的文本，在合适的时间，喂给一个聪明的复读机。别再盲目崇拜那些黑魔法了，踏踏实实写好你的每一段提示词，打磨好你的每一篇 Markdown。适合自己团队的，才是最牛逼的架构。
想看更多这种不装逼、说人话的技术文，别忘了关注公众号 “**爱三味**”，咱们下期接着扒！
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。