这几天看 AI 编程，前脚大家还在聊 MCP，后脚又开始聊 Skill。这两个词放在一起，最容易让人误会成又多了一个协议，或者又多了一种高级提示词。
真正的区别其实更朴素：MCP 解决的是 agent 怎么接上外部工具和数据，Skill 解决的是接上以后按什么顺序把活干稳。一个偏连接，一个偏流程。
所以 Skill 最有价值的场景，不是模型完全不会做，而是模型每次做法不稳。它像一份工种手册，把触发条件、步骤、边界、参考资料和必要脚本放在一起，让 agent 少靠临场发挥。
最近把一些边角活往 MiniMax 和本地模型上迁，感受反而比一开始更清楚：很多任务不是非要最强模型才能做，而是不能把所有模型都放到同一个工位上比。
以前我容易问“这个模型强不强”。现在更愿意先问两件事：这件活错了以后代价有多大，重复跑一百次以后成本有多高。答案一变，低成本模型、本地模型和旗舰模型的位置也就变了。
复杂编码、长链路推理、模糊需求拆解，还是该给更强的模型；数据清洗、文档改写、资料初筛、固定格式转换，反而更适合交给便宜模型和本地模型。它们不一定聪明到能总包项目，但很适合把那些不值得人反复动手的活接住。
最近回头翻了下博客里这两年和 AI 相关的文章，发现内容已经不是最开始那种“某个模型好不好用”的简单体验了，而是逐步形成了一条比较清晰的主线：AI 如何真正进入我的开发工作流，以及它带来了什么效率、代价和新的约束。
整个三月份，我都在不同的大模型 API 中转站之间来回试。
便宜，确实是便宜。一个月花不了多少钱，就能把 ChatGPT、Claude、Gemini 之类的国外模型都摸一遍，表面上看，像是找到了一个性价比极高的解法。但真正用下来以后，我越来越觉得，这条路从一开始就绕不开一个不可能三角：质量、稳定、划算，三者很难同时成立。
到了上周末，这件事基本也算彻底明牌了。2026-03-28 到 2026-03-29 这两天，ChatGPT 相关通道的风控体感明显收紧，Claude 这边也一样，很多原来还能凑合用的低价中转，突然就变得不稳定，甚至直接失效。对我来说，这基本宣告了低价 API 中转模式的阶段性终局。
最近在看圈子里的讨论，大家对“增长”的定义似乎发生了一次根本性的偏转。
以前我们聊互联网，聊的是“四两拨千斤”——写几行代码，租几个云服务器，靠着优秀的交互和运营就能撬动数亿用户。但到了 2026 年的今天，这种“轻资产”的幻觉正在被大模型彻底撕碎。
近期在项目中，重度使用 AI 编程，应该是最近三年，AI 在工作中融合度最高的一个项目。记录的笔记不成体系，想到什么说什么。
有一种 C++ 问题特别容易把人带偏：unordered_map::find 明明命中了，it->first 也对，可你再看 it->second 里面的字段，像是变成了另一个 key 的数据。
第一反应通常是怀疑 map 坏了，或者 hash 冲突把数据弄乱了。可 unordered_map 没那么玄。查找命中以后，key 和 value 对不上，更常见的原因不是容器失灵，而是你在更新 value 的时候已经写错了地方。
这篇记录的坑，就是函数内部的 static lambda 捕获了局部引用。第一轮看不出来，后面再调用时，lambda 还握着第一次调用留下的引用，问题就开始变得像“缓存串号”。
在 AI Agent 领域，如何让大语言模型（LLM）更安全、更高效地与外部世界交互，一直是开发者关注的核心课题。近期，Anthropic 推出的 MCP (Model Context Protocol) 和 Gemini CLI 中的 Skill 机制成为了讨论的热点。
这两者虽然都旨在扩展模型的能力边界，但在设计哲学、信任边界以及约束机制上有着截然不同的路径。