AI编码基础知识入门

承认自己知识上的不足并主动寻求系统性的学习，成为有清晰成长意识的资深工程师。
下面是一份从零开始、循序渐进、带亲手实操的AI基础知识学习教程，涵盖Skill、MCP、RAG三个核心概念。

第一部分：先搞清楚这几个概念到底是什么

在学任何概念之前，先弄明白"它是因为什么问题被发明出来的"，远比背定义重要。

这张关系图，是你理解一整篇文章的"地基"：

        ┌─────────────────────────────────────────────────────────────┐
        │                      大语言模型（LLM）                        │
        │  问题：训练数据有截止日期，无法访问私有/实时数据，容易幻觉            │
        └─────────────────────────┬───────────────────────────────────┘
                                  │                                      
                    ┌─────────────┴─────────────┐                      
                    │                           │                      
                    ▼                           ▼                      
            【RAG 解决了什么】            【MCP 解决了什么】             
         让LLM能访问外部知识库          让LLM能连接外部工具/服务          
          ┌─────────────────┐          ┌─────────────────┐            
          │ 知识不够怎么办？   │          │ 能力不够怎么办？   │            
          │ RAG：去知识库查   │          │ MCP：接上工具     │            
          └────────┬────────┘          └────────┬────────┘            
                   │                            │                      
                   └─────────────┬──────────────┘                      
                                 ▼                                     
                      【Skill 站在更上层，解决的是】                     
                "有了知识和工具后，具体怎么做任务的专业流程"               
                ┌─────────────────────────────────────────┐            
                │  比如：代码审查 → 不应该每次都重写流程        │            
                │  所以：把流程打包成可复用的 Skill            │            
                └─────────────────────────────────────────┘            

一句话串联：

• RAG：解决"模型知识有限"的问题 → 让它能查私有/实时数据
• MCP：解决"模型能力有限"的问题 → 让它能调用外部工具/API
• Skill：解决"每次重复解释流程"的问题 → 把工作流打包成可复用的"技能包"

一个iOS开发的场景让你更好理解：

你接到一个需求：查一下这个用户昨天的Crash日志，然后写个分析报告。

• 无AI：你手动查日志 → 手写报告 → 花了2小时
• 只用LLM：你手动从日志平台搜出来 → 粘贴给LLM分析 → 花了1小时，但日志平台的搜步骤和粘贴都不消失
• 有了MCP：你可以让AI连接日志平台的API → AI帮你直接查Crash数据（解决了"AI能查到外部数据吗"的问题）
• 再有了Skill：你把"Crs日志获取 + 代码上下文读取 + 本地项目信息结合 + 按固定格式输出报告"整个流程，打包成一个"Crash分析Skill" → 以后只需要说"帮我分析一下这个用户的Crash"，AI自动按你定义的标准流程执行（解决了"AI知道具体怎么一步步做这个任务吗"的问题）

MCP是“给Agent提供手和眼”，Skill是“给Agent提供特定领域的经验和工作流程说明书”。两者是互补关系，不是替代关系。RAG则是另一个层面，解决的是模型的知识获取问题。

第二部分：核心概念逐一拆解

一、Skill（技能）—— AI的专业角色

1、到底是什么？

Skill是一个包含指令说明、脚本文件和参考资料的文件夹，大模型在需要时自动加载并根据里面的"说明书"执行特定任务。

2、和普通对话有什么区别？

没有Skill时，你每一次让AI做一件专业的事，都需要手打一遍详细的指令，还要反复纠正AI的偏离。有了Skill，你把规则、步骤、模板打包成一个Skill，下次你只需要说"帮我做XXXX"，AI自动识别并执行。

3、标准的Skill目录结构如下：

skill-name/
├── SKILL.md           # 核心文件：含元数据（名称/描述/触发词）、执行流程、输出格式
├── scripts/           # 可选：辅助脚本（Python/Shell等）
├── templates/         # 可选：文档模板
└── resources/         # 可选：参考文件（如API文档、最佳实践等）

4、Skill的核心设计机制：渐进式披露

如果你有50个Skill，AI启动时全部加载会消耗大量Token。渐进式披露的设计是：读取阶段只加载几十Token的YAML元数据，真正调用时才加载全文。这意味着单个Skill在启动时仅消耗约30-50个Token，实现了极高的上下文效率。

5、Skill与MCP的本质区别：

• MCP（工具箱） ：侧重于连接外部数据和工具，像给Agent提供"手和眼"，让它能操作GitHub、数据库、Slack等外部服务。
• Skill（流程说明） ：侧重于专业知识和流程，教Agent如何使用这些工具完成特定任务，像给Agent提供"领域专家的大脑皮层"。

两者的典型搭配是：用MCP连接工具（如数据库、API），用Skill封装使用这些工具的专业流程。

二、MCP（模型上下文协议）—— AI连接世界的"USB接口"

1、是什么？

MCP是Anthropic推出的开放标准，核心作用是让AI能够以统一的接口连接外部工具、数据源和API。它可以类比为AI领域的USB接口——键盘、鼠标、U盘，只要遵守USB协议就能即插即用，不需要为每个品牌单独开发驱动；MCP也一样，GitHub、数据库、文档查询等服务，只要遵守MCP协议，AI就能直接接入，不需要为每个工具单独写集成代码。

2、三个核心原语

MCP定义了三个基础构件：

• Tools（工具） ：AI可以主动调用的函数/操作。比如执行特定计算、调用API完成特定动作。
• Resources（资源） ：AI可以读取的数据源，如文档、数据库表结构。
• Prompts（提示模板） ：可复用的提示词模板，支持参数填充。

3、MCP解决了什么问题？

没有MCP时，每个AI工具都要为主流AI平台单独开发集成，维护成本极高。MCP让所有AI工具围绕一套通用协议，一次编写就能被主流的MCP客户端（如Claude Code）识别调用。

三、RAG（检索增强生成）—— 让AI"查资料再回答"

1、定义

RAG是一种将信息检索与文本生成结合的技术架构。其核心原理是通过检索模块实时查询外部知识库（如数据库或文档集），将检索结果作为上下文输入大模型，使模型基于最新/私有数据生成回答。

2、为什么需要RAG？

大语言模型有两大天然短板：一是知识时效性，模型训练完成后，无法知晓训练截止后发生的新事件；二是私有数据隔离，企业的内部文档、业务数据不上互联网，外界无法进入模型训练。RAG让模型结合检索到的外部资料回答，有效降低幻觉，同时增强可追溯性和可实现性。

3、RAG与普通搜索引擎的区别：

RAG从引擎返回链接列表，进化为直接给出可读、完整、个性化的答案。关键在于后面的生成（Generation） 环节——接收检索结果后，能理解、筛选、融合，然后生成直接满足用户诉求的答案。

4、RAG的技术流程：

1. 数据准备阶段：对知识库中的原始文档做分段清洗，使用Embedding模型转换为保留语义信息的向量表示，存入向量数据库。
2. 检索阶段：用户提问后，系统同样将用户问题进行向量化，在向量数据库中进行相似度搜索，找出最相关的Top-K内容。
3. 生成阶段：将检索到的相关内容与用户原问题组装成提示词（Prompt），送入大模型生成最终回答。

第三部分：亲手写一个Skill —— iOS代码审查Skill实战

纸上得来终觉浅。下面我们亲手创建一个最简单的代码审查Skill，用于检查iOS代码中常见的潜在问题。

前置条件

• 能访问Claude API或使用支持Skill的AI平台
• 会基础的文件操作和读写

第一步：创建Skill的目录结构

在你的任意工作目录下创建以下文件夹结构：

ios-code-review-skill/
├── SKILL.md
├── scripts/
│   └── check_weak_self.py（Python可选，也可直接用纯Markdown指令让AI完成）
└── resources/
    └── ios_best_practices.md（可选：存放更详细的iOS编码规范供参考）

第二步：编写SKILL.md —— 核心说明文件

在SKILL.md中写入以下内容：

---
name: iOS代码审查专家
description: 当需要审查iOS/Objective-C/Swift代码时，自动加载此技能，按内置规则完成安全与规范审查。
---

# iOS SDK 代码审查技能

## 触发场景
- 用户说"帮我审查这段iOS代码"
- 用户说"帮我检查一下这段Objective-C/Swift代码"
- 用户说"帮我review一下这个block相关的代码"

## 角色定义
你是一名资深的iOS代码审查员，重点关注以下问题：
- 内存管理隐患（循环引用、强引用delegate、block中的weak self使用）
- 线程安全问题（主线程更新UI、多线程访问可变状态）
- 潜在崩溃风险（数组越界、强制解包）
- 性能问题（重复计算、过度malloc、主线程阻塞）

## 核心检查规则

### 规则1：检查block中的循环引用
- 如果发现block内部使用了self，且self没有被声明为weak/strong组合，则报告警告
- 报告格式：`【内存风险】文件:行号 - block内发现直接使用self，建议使用weakself`

### 规则2：检查delegate声明是否是weak
- 如果`@property`声明的delegate缺少weak关键字，则是高风险

### 规则3：检查主线程操作
- 如果在未使用`dispatch_async(dispatch_get_main_queue())`或`@MainActor`的环境下直接更新UI，则是风险

## 输出格式模板

**审查结果概要**：
- 总行数：xx行
- 发现风险：x处

**风险明细**：

| 严重程度 | 文件 | 行号 | 问题描述 | 修复建议 |
|---------|------|------|---------|---------|
| 高 | ... | ... | ... | ... |

## 特别说明
- 不确定的情况要标注【需要人工确认】，不强行给出错误结论
- 仅关注当前提供的代码段，不做越界扩散
- 以上规则优先于通用模型默认判断

第三步：在resources目录中补充更多规则（可选）

在resources/ios_best_practices.md中可以补充更多资料：

# iOS 开发额外最佳实践，供审查时参考

## 1. 循环引用的多种场景
- NSTimer对target的强引用
- Block内捕获self
- 通知观察者未正确移除

## 2. 线程安全
- 尽量使用GCD串行队列保护可变状态
- Swift中利用`@MainActor`标注UI代码

## 3. 可选值处理
- 优先使用guard let或if let，减少强制解包
- 对于可引发异常的取值，如数组下标访问使用安全访问方法

第四步：让AI加载并执行你的Skill

现在，向支持Skill的AI输入你创建好代码审查Skill的文件夹路径，然后直接说：

"请帮我审查这段Objective-C代码："

把一段代码粘贴出来。如果你还没有合适的测试代码，可以用下面这段：

- (void)loadData {
    [self.api fetchUserData:^(NSDictionary *data) {
        self.userName = data[@"name"];
        [self.tableView reloadData];
    }];
}

在没有Skill的默认模式下，AI可能只给出表面建议。加载你的自定义Skill后，AI会严格执行你定义的SKILL.md规则，按照标准表格格式输出规范化的审查结果。

Skill与实际执行的映射关系对应如下：

第五步：迭代优化你的SKILL.md

• 把SKILL.md想象成你给一个实习生写的操作手册，写得越清楚，他执行得越好。
• 你发现AI经常漏掉"线程"方面的问题，就在规则里加"规则3：检查主线程操作"。
• 你发现输出格式时不时跑偏，就用Markdown把想要的表格结构写死。
• 注意不要试图在一个Skill里塞太多不同的事；好的Skill应该只围绕一件事把它做透。

第四部分：深入理解RAG与搜索引擎的核心区别

RAG的"增强点"到底是什么？

RAG的增强体现在哪里呢？**检索（Retrieval）作为进入口，生成（Generation）作为转化口。 体现在以下三方面：

第一步：原始数据准备——各类原始文档，先分段切块，每个小块经Embedding模型转换成保留语义信息的向量，存入向量数据库。
第二步：问题的实时检索——用户提问后，同样将问题向量化，在向量数据库中做相似度检索，找出与用户意图在语义层面最相关的Top-K个资料片段。
第三步：生成最终答案——将检索到的相关内容与用户问题组装成一个完整的Prompt，输送给大模型，生成精确且包含实体依据的最终回答。

第五部分：概念之间的逻辑关系 —— 帮助你轻松内化所有概念

RAG、MCP、Skill如何融入AI能力的成长树？

三者构建出一个完整的AI应用能力体系：

• RAG在知识维度扩充模型的能力
• MCP在操作维度扩充模型的能力
• Skill在流程维度封装复杂多步骤任务的执行

第六部分：进一步学习路线图

短期（2-4周）

• 动手完成上面的iOS代码审查Skill并投入使用，解决至少一个工作中的高频重复任务
• 阅读Anthropic《Claude Skill构建指南》完整PDF（搜索公开链接或开发者社区资源即可找到）

中期（2-3个月）

• 尝试开发一个带MCP服务器的小项目，例如连接本地SQLite数据库或GitHub API的自定义MCP Server
• 学习LangChain里RAG模块的官方Demo，亲手搭一个最小可用的RAG应用

长期（半年以上）

• 了解Advanced RAG技术，如自我反思与自我RAG（Self-RAG）、查询重写与HyDE
• 探索MCP Server的线上部署方式和连接更多外部工具
• 参与Skill或MCP相关开源社区，复盘和共享自己生产的Skill组件

掌握了Skill、MCP、RAG这三项核心能力，你不仅能在关于"AI编码"相关的话题做出专业阐述，更能真正在日常工作中运用这些能力提升个人效率，解决实际业务问题。