截至2026年4月，MCP协议成AI Agent“USB接口”，主流大模型厂商全面支持_服务软件

1. 诞生才一周年，MCP凉了

2. 为什么 skills 优于 mcp ?

3. MCP、Skills、SubAgent 到底是啥？简单捋一下

4. 《MCP协议与AI Agent开发》011-MCP协议标准与规范体系（交互协议与状态码体系）

5. MCP已死，CLI当立！Perplexity首先放弃使用MCP，全网赞成

6. 【alphaXiv推出MCP协议：让AI研究助手直接检索数百万篇论文】快速阅读：alphaXiv为arXiv论文库推出MCP协议支持，让AI研究助手可以直接检索、嵌入搜索数百万篇论文。这不只是速度提升，而是改变了研究范式——从被动索引到主动理解上下文。 — alphaXiv刚刚为arXiv论文库推出了MCP协议支持。现在你的研究Agent可以用关键词搜索和embedding搜索，在数百万篇论文里做多轮检索。集成很简单，在Claude Code里运行一行命令就能接入。有人提了个有意思的问题：能不能让Agent自动找出我感兴趣的论文，然后用Telegram bot提醒我？理论上完全可以。有观点认为，这才是“研究Agent真正有用的地方”。当Agent能查询数百万篇论文并提取embedding时，你就从“先读完所有东西”变成了“带着上下文问问题”。生产力提升不只是速度快了，而是不用自己做查找这件事。这把通用搜索工具变成了真正理解自己在处理什么的领域专用Agent。 embedding搜索是改变研究循环的那一块拼图。关键词搜索返回的是已索引的内容，embedding搜索找到的是相关但尚未发表的——那些接近你假设的论文，而不仅仅是匹配你查询的那些。更多噪音意味着更难筛选。真正的优势在于知道该忽略什么。已经有人用这个MCP生成了强化学习论文的阅读依赖图。也有人提到每次运行Claude Code都得重新登录激活alphaXiv MCP，这确实有点麻烦。有开发者在做更完整的Agent研究流程，正考虑使用这个MCP，还问了个问题：除了搜索，会不会在embedding基础上提供聚类功能？那对文献绘图和主题发现会很有用。有网友直言：跳过API租金直接接入arXiv，这才是真正的开放协议玩法。 ref: x.com/askalphaxiv/status/2034003206217601375 #AI创造营##人工智能# http://t.cn/AXfGYHqY

7. 腾讯云大数据 TC Data Agent 智能体发布与应用实战

8. 【腾讯发布 Agent 产品全景图】腾讯云今日正式发布 Agent 产品全景图，构建从基础设施到应用场景的完整体系。围绕 Agent 基础设施层、模型服务层（TokenHub 大模型服务平台）、技能生态层（开放微信、元宝等生态资源）、AI 应用层及安全层五大板块展开。腾讯集团高级执行副总裁汤道生表示，AI 应用正从 Chatbot 向 AI Agent 跃迁，企业比拼重点将转向工程化能力，未来每个个体和企业都能借助标准化工具快速搭建智能体应用。在主流大模型能力差距逐渐缩小的背景下，腾讯此举意在通过“基础设施+生态资源”抢占 Agent 工程化落地的先机，将 AI 能力转化为可规模化复用的企业服务底座。#腾讯云##AI Agent##大模型#

9. 《MCP协议与AI Agent开发》009-MCP的基本原理（MCP与语义执行模型）

10. 【“MCP已死”是AI圈最大的技术谎言？】快速导读：最近，技术圈风向突变，鼓吹“MCP已死，CLI万岁”。但这场争论的本质，并非协议优劣或Token效率，而是一个更深层的问题：你是满足于自娱自乐的“感觉编程”，还是在构建严肃的“智能体工程”？本文揭示，对于任何想超越个人玩具规模的团队来说，这场争论的答案从一开始就是确定的。---技术圈的风向变得比天气还快。几个月前，模型上下文协议（MCP）还是人人都想上的船，转眼间，风评急转直下，鼓吹“MCP已死，CLI万岁”成了新的政治正确。很多人被表象迷惑了。他们说，MCP臃肿、消耗大量上下文，远不如简单直接的命令行（CLI）来得高效。经验丰富的老炮们甚至不屑一顾：“这玩意儿看起来就像垃圾，那它就是垃圾。”这种论调听起来很酷，但可能完全搞错了重点。是的，如果AI智能体要用的工具是`git`或`curl`这种早已刻在模型“肌肉记忆”里的命令，那用CLI当然省事。但如果你用的是一个自定义工具呢？智能体照样需要一份说明书（`--help`或者`SKILL.md`）来学习，所谓的Token优势瞬间荡然无存。整个OpenAPI schema塞进上下文的场景，并不少见。这场争论的真正分野，不在于技术，而在于开发的组织形态。它区分了两种开发者：单打独斗的“感觉编程”（vibe-coding）信徒，和面向组织的“智能体工程”（agentic engineering）实践者。对于前者，MCP确实显得多余。但对于一个10人以上的团队，问题就变了：如何保证不同技术栈的工程师用不同智能体得到一致的结果？如何管理密钥、做权限控制？如何追踪哪个工具有效、哪个在拖后腿？这才是MCP真正发力的地方——不是本地`stdio`模式的小打小闹，而是作为中心化服务器通过HTTP提供的服务。它把认证（Auth）、安全（Security）、遥测（Telemetry）这些麻烦事一揽子解决了。工程师离职？吊销他的OAuth令牌即可，他从未接触过核心密钥。这对于任何依赖GitHub Actions这类临时运行环境的团队来说，更是刚需。更有趣的是，连Anthropic和Cloudflare都发现，让LLM直接调用MCP，不如让LLM“写代码去调用MCP”来得更稳、更省。Anthropic的“程序化工具调用”甚至能节省高达98.7%的Token。这说明，MCP的价值在于提供了一个稳定的、可被机器理解的“契约”，而不是一个手感舒适的“玩具”。所以，当人们在激烈争论MCP和CLI的优劣时，他们实际上在无意中暴露了自己的立场：他们究竟是在构建一个随时可丢弃的个人项目，还是在为一个需要长期维护、多人协作的系统打地基？这根本是两条路线的斗争。---简评：这已经不是技术选型问题，而是工程成熟度问题。当你的智能体应用开始考虑“人”的因素——团队协作、权限、审计、迭代——你会发现，你需要的不是一个更“聪明”的工具，而是一个更“笨”、更稳固、有明确边界的协议。那些嘲笑MCP的人，可能还没遇到需要为AI代码擦屁股的烦心事。---ref: chrlschn.dev/blog/2026/03/mcp-is-dead-long-live-mcp/#AI创造营##人工智能#

11. 日前，市场调研机构Gartner 发布了 2025 年 IaaS 公有云服务市场份额报告，阿里云的份额上升至32.8%，独占国内市场近1/3的份额，华为云与腾讯云则有不同程度下滑，其中，华为云份额为13.6%，腾讯云份额为9.1%。其他厂商份额合计为44.5%。

12. 继昨天Google Agents 白皮书（网页链接），我们今天把mcp的白皮书也总结一下。 Agent Tools & Interoperability with Model Context Protocol (MCP)这应该是目前 MCP 体系最系统的白皮书（之一）了吧，通篇结构清晰，既讲了工具在智能体系统中的定义和设计原则，又深入分析了 MCP 在技术架构、安全与治理方面的优势与风险。1. 工具是智能体的“手与眼”。大模型本质上只是一个模式预测引擎，不能主动感知世界或执行动作。工具让模型拥有了外部交互能力，也因此成为智能体系统的核心组件。文中对工具类型有很清晰的划分：Function Tools（函数调用型）、Built-in Tools（内置工具）和 Agent Tools（智能体级调用）。特别有意思的是，Agent 本身也可以被封装成一个 Tool，这意味着多智能体系统可以通过“工具接口”彼此互操作。2. 工具设计的关键是可解释与细粒度。文档强调“Describe actions, not implementations”，也就是工具描述应聚焦行为语义，而非实现细节。并提出几个值得长期遵守的设计准则：文档清晰、输入输出有 schema 验证、输出简洁、错误信息具引导性。这些看似“文档规范”的建议，其实是让 LLM 能在推理过程中正确选择与调用工具的前提。3. MCP 出现的根本原因，是为了解决“N×M 集成问题”。过去模型和外部系统之间的连接高度碎片化，每个工具都要单独适配。MCP 通过标准化接口和通信协议把模型、工具和数据源解耦，形成“Host–Client–Server”的三层结构，从而实现了可复用、可组合、可动态发现的工具生态。4. MCP 的优势在于生态与扩展性。它让工具注册、发现与调用变得统一，支持动态工具加载，这使得智能体系统不再需要在部署前定义好所有能力。文中提到 MCP Registry 的构想（类似 npm 或 PyPI），也许会形成 AI 工具层的“包管理体系”。这将极大加速企业级智能体生态的互通。5. 但 MCP 也带来了新的安全威胁。白皮书后半部分几乎一半篇幅都在讨论风险，包括： 1）Dynamic Capability Injection：服务器可动态更改工具集，导致智能体意外获得高危能力； 2）Tool Shadowing：恶意工具通过相似描述“抢占”合法工具调用； 3）Confused Deputy 问题：智能体误用自身权限代替用户执行越权操作； 4）数据泄露与 prompt 注入：通过工具输入输出通道泄露敏感信息。文中提出的防御策略（如工具白名单、版本固定、mTLS、HIL 审批、输出净化、最小权限原则等）都是非常实用的企业级落地建议。6. MCP 的发展路径很可能会复现云计算早期的模式——底层协议开放，但企业实际使用都建立在“托管与治理层”之上。未来我们也许会看到“安全版 MCP 平台”，它提供身份管理、审计追踪、工具签名验证、访问控制等功能，就像当年的 API Gateway 成为了 REST 的守门人。7. 另一点值得注意的是“上下文膨胀”问题。文中指出，当 MCP 工具数量增多时，所有工具定义都要塞入模型上下文，会导致 tokens 暴涨、推理性能下降。文中提出用“RAG 化的工具检索”替代预加载——先检索，再动态注入。有个名词叫“ToolRAG”。MCP 已经成为智能体生态走向工业级互操作的关键里程碑，但它还远没到“可直接上生产”的成熟阶段。未来的重点不在于“协议标准”，而在于“安全与治理层”的建设。只有当工具、智能体与企业系统之间的边界被有效约束，Agent 才能在真正意义上成为可信的“行动者”。#ai创造营# #程序员#

13. Agent Skill 和 mcp 和 prompt区别是什么？

14. 我常用的一个MCP宝藏库，有点东西

15. 《MCP协议与AI Agent开发》007-MCP的基本原理（MCP上下文结构与层级划分）

16. AI 代理开发经常需要从零开始解释上下文，每次对话都重新描述项目背景、偏好和之前决策，浪费时间且容易重复错误。Stash 提供持久记忆层，让你的 AI 代理记住一切。每个会话无缝接续，再也不用从头解释。不仅支持命名空间组织记忆、知识图谱构建，还包含后台整合管道、目标追踪、失败模式学习，甚至代理自我建模。GitHub：github.com/alash3al/stash主要功能：- 命名空间记忆组织，像文件夹一样分隔用户、项目、代理自我知识；- 后台整合管道，将原始事件合成事实、关系、因果链和模式；- MCP 原生集成，28 个工具支持 remember、recall、goals、failures 等；- 支持 PostgreSQL + pgvector，兼容任何 OpenAI 接口模型（云端/本地）；- 自动目标推断、失败模式检测、假设验证，代理不断自我优化；- Docker 一键部署，支持 Claude Desktop、Cursor 等 MCP 代理。支持 Web、本地多模型使用，通过 Docker Compose 3 命令即可运行，适合 AI 开发者与代理构建者。#AI代理# #持久记忆# #MCP工具#

17. B站基于Neo4j知识图谱与MCP协议：构建万级任务数仓的智能化底座

18. Skills vs MCP，谁才是「大模型的 HTTP 时刻」？

19. 《MCP协议与AI Agent开发》010-MCP协议标准与规范体系（协议消息结构设计）

20. 如何系统性的学习RAG、Agent、MCP?

21. 小册子：MCP Workbook下载： www.byhand.ai/p/mcp-workbookMCP (Model Context Protocol) 的概念、架构、核心组件以及工作流程。文中详细阐述了 MCP 的核心架构（Host、Client、Server）以及服务器提供的三大基础能力：Tools（执行动作的工具）、Resources（只读数据资源）和 Prompts（预设提示词模板）。此外，文章还通过具体的医疗查询案例，展示了从服务发现、LLM 推理、安全审批到并行任务执行的完整工作流程，强调了 MCP 在标准化 AI 互联与安全控制中的关键作用。#科技先锋官#

22. 《MCP协议与AI Agent开发》008-MCP的基本原理（MCP的状态管理与中间态控制）

23. 一文读懂Skills、Prompts、Projects、Subagents、MCP区别与落地实战 http://t.cn/AX2gcs78 “在MCP推出一周年之际，Anthropic 发了篇博客，大意是MCP工具很好，但是会让大模型把大量token浪费在定义MCP工具上。尤其遇到有大量中间工具的情况，这个情况会更明显：比如，把一个会议记录下载然后转存到另一个软件中，那么整个会议记录会被计算两次，token消耗会直接爆炸。为了解决这个问题，Anthropic 推出了个新工具—— Claude Skills 。简单来说， Claude Skills 是一个Markdown 文件，里面有预先编写好的脚本、指令文档、资源，作用是告诉模型什么情况下调用，以及怎么执行某项任务。如此一来，模型在决定如何调用工具之前，会先读取所有工具 Markdown 文件的YAML（只有几十token），然后决定是否对其进行调取。那么问题来了， Skills 会取代 MCP吗？很显然，答案是否定的。接下来，本文将对skills在内claude生态工具做一个详细解读，并附带Milvus体系内skills+MCP实操。” #科技先锋官##微博兴趣创作计划#

24. 《What if you don't need MCP at all?》随着MCP服务器话题持续火热，作者从实用角度出发，提出了一个关键观点：在很多场景下，我们其实根本不需要复杂笨重的MCP服务器。相比之下，简单的Bash脚本+代码组合，不仅高效且灵活，完全能满足需求。以浏览器DevTools为例，常见MCP服务器为了覆盖所有功能，往往包含20+工具，消耗大量上下文资源（上万token），导致代理混乱且难以扩展。相比之下，作者只用了一套精简的Node.js脚本工具，包括启动浏览器、导航页面、执行JavaScript、截图四大核心功能。每个工具都用Bash调用，简单明了，README文档仅225个token，极大节省了上下文空间。这种方式还有天然的可组合性：工具输出可以直接保存文件，供后续处理，无需每次都在上下文中传递庞大数据。新增功能也非常方便，比如作者自制的“元素选择器”工具，可以通过页面点击快速定位DOM元素，极大提升爬取效率和灵活度。又如“Cookies”工具，解决了页面执行环境无法访问HTTP-only cookies的问题。作者进一步分享了如何将这些工具模块化管理，通过目录和环境变量整合到代理，保持了环境整洁又便于调用。相比MCP的封闭和臃肿，这种“代码即工具”的思路更贴合实际开发习惯，也更容易维护和升级。总结来看，这篇文章鼓励开发者跳出MCP的框架限制，拥抱简洁的Bash与代码组合。它不仅能提高代理运行效率，减少token消耗，还赋予开发者最大自由度去定制和扩展工具链。对任何需要代码执行环境的代理应用，这都是一条值得尝试的实用路径。阅读原文了解更多细节和代码示例： mariozechner.at/posts/2025-11-02-what-if-you-dont-need-mcp/

25. Agent Skill 为何没有像 MCP 那样火爆？

26. 最近花了些时间扩展了一下wegent里的skill机制，先说一个。传统的skill和mcp是平行的关系，在claude code新推出的插件机制里这俩也是并列的存在。但是我总觉得，没必要把skill和mcp做成两种机制。 skill本质上就三个能力：代码拆分：skill可以独立于agent开发和分发，也就意味着skill开发者不需要有agent开发能力。动态加载：默认情况下只给模型摘要信息，加载后再“展开”skill提示词。附加文件：skill可以携带附加的文档和脚本，供大模型调用。这三个能力很好，但是有个问题：如果一个能力需要用到某种远程资源，目前的skill不能描述这个信息，需要通过plugin来描述。而plugin里的mcp的生命周期和skill又是不同的，就造成了skill可以按需加载，但mcp只能静态加载的问题。在一些极端场景中，为了某个不怎么常用的偏门技能，可能需要加载一堆静态mcp资源，性价比很低。因此wegent给skill的metadata做了个扩展，支持直接在metadata里面配置mcpserver，并且对上下文做了些改进，让skill相关的mcp工具随着skill的激活而激活，而不是每次都发给模型。目前这个机制还在测试，从初步测试的效果来看，对于无需加载skill的任务会有一些帮助，毕竟少了很多无关的干扰项。但是我始终没想明白为什么官方skill和mcp是两套机制，是不是我的理解肤浅了……[流汗]

27. Skills比MCP更重要？更省钱的多！Python大佬这观点老金测了一周终于懂了

28. 【程序员的MCP实战清单：三个月筛选后只剩这些】快速阅读：一位开发者用了三个月，把15个MCP服务器精简到6个。核心结论是：每多一个MCP，就是让代理在更多工具里选择，反而会拖慢它。真正活下来的，都是每天都在用的。---装了15个MCP服务器，三个月后还在配置文件里的只剩6个。这个淘汰率说明了一些事情。活下来的是：filesystem + git（内置的，没什么好说的）、GitHub MCP、AgentMail、Postgres直连、Playwright、还有一个记忆/知识图谱。被卸载的是Slack MCP、Notion MCP和日历MCP，原因都一样：以为会用，但没用。帖子引起了广泛讨论。评论区最高赞的观点直接指出：GitHub MCP是浪费token，Claude Code内置支持`gh` CLI，根本不需要单独挂一个MCP。同样的逻辑也适用于Playwright，有CLI能用的地方，就别上MCP。有观点认为，MCP最大的隐性成本是context污染。每个MCP服务器的工具列表都会写进system prompt，装了15个服务器，还没开始干活就烧掉了一大块上下文窗口。一个更极端的解法是，把所有工具包在一个本地web server后面，让代理用curl调用，没有MCP开销，工具数量也不受限制。AgentMail是这个帖子里意外的亮点。让代理拥有自己的邮件收件箱，用来订阅竞品通讯并每周总结、接收部署失败告警并在你醒来前完成分类，这个“代理在你睡觉时处理完事情”的模式，让很多人打算照搬。context7也被反复提到，专门解决Claude用训练数据里的旧文档回答问题、导致API调用写错的问题。有网友提出了记忆分层的思路：session记忆用一个MCP，项目架构文档、编码规范这类静态知识用另一套，两者分开管理，因为你不希望架构决策像聊天记录一样被压缩和遗忘。原帖作者在评论里承认，他准备换掉GitHub MCP改用CLI，原因只有一个：省token。每天被限流的人，开始认真计算每个工具的实际成本了。工具越少，代理越专注。这大概是这条线程里最反直觉，也最实用的结论。ref: www.reddit.com/r/ClaudeAI/comments/1s0u2ms/mcp_servers_i_use_every_single_day_whats_in_your#AI创造营##人工智能#

29. 配50个Claude项目手改mcp.json？这招让你永远只改1次

30. 脚本常常会被 agent读取全文[doge]//@宝玉xp:回复@汉堡汉堡憨包:token消耗和上下文占用，MCP占用上下文窗口很厉害//@汉堡汉堡憨包:感谢宝玉老师分享，有一点想请教，脚本优先于mcp是出于什么考量呢？//@宝玉xp:回复@Tmp_情绪疯子:中间结果也保存下来，比如写作过程中产生的分析报告、提纲、初稿等等//@Tmp_情绪疯子:老师，多存中间文件，具体指的是什么。

31. AgentScope x RocketMQ：打造企业级高可靠 A2A 智能体通信基座

32. //@jolestar:回复@拉丝钛氪:有一定的替代关系，比如我那个 gh 命令行和 github mcp 的例子。现在看来 stdio 的 mcp 确实没必要了，远程的 http mcp 作为接口的标准化方案还是有意义的//@拉丝钛氪:mcp 和 skill 是两种维度的东西，大家喜欢对比仅仅是因为在 agents 领域先后出现的两种热潮。mcp 是接口协议，skill是prompt的工程化，不是谁替代谁。你看看，大家的脑子很喜欢带有时间的 story（先出现 mcp 后出现 skill，产生一种朝代替代的直觉）。

33. Nacos 安全护栏：MCP、Agent、配置全维防护，重塑 AI Registry 安全边界

34. Anthropic 发了一份 33 页的官方指南，专门讲怎么给 Claude 构建 Skill。这份文档信息量很大，我来帮你梳理一下核心要点。先说 Skill 是什么。本质上就是一个文件夹，核心是一个叫 SKILL.md 的文件，用 Markdown 写，带个 YAML 头部。它解决的问题是：你不用每次对话都重复解释自己的偏好、流程和专业知识，教一次就够了，以后自动生效。可以把它理解成 Claude 的标准操作手册。以前你得反复 prompt，现在打包好让它自己按流程走。文件夹结构很简单。主文件 SKILL.md 是必须的，另外可以选配脚本目录、参考文档目录和资源目录。这套系统有个精妙的设计叫三层渐进式加载。第一层是 YAML 头部的 name 和 description，这个始终在系统提示词里，用来判断要不要激活这个 Skill。第二层是 SKILL.md 正文的完整指令，只有 Claude 判断当前任务相关时才加载。第三层是 references 目录下的文档，按需读取。这意味着你启用几十个 Skill 也没事，Claude 不会把所有内容都塞进上下文。第一层的 description 就像个触发器，写得好才能在正确时机激活。 Skill 和 MCP 是什么关系？指南用了个比喻特别到位：MCP 是专业厨房，提供工具、食材、设备；Skill 是菜谱，告诉你怎么用这些东西做出一道菜。MCP 解决的是能做什么，Skill 解决的是该怎么做。没有 Skill 的 MCP，用户拿到工具却不知道怎么用；有了 Skill，等于给工具配上说明书和经验沉淀。指南把使用场景分成三类。第一类是文档和素材创作，不依赖外部工具，纯靠 Claude 内置能力，比如生成前端设计、PPT、文档。第二类是工作流自动化，多步骤流程的标准化执行，比如用 skill-creator 引导用户一步步创建新 Skill。第三类是 MCP 增强，给已有的 MCP 连接提供工作流指导，比如 Sentry 那个代码审查 Skill，能自动拉错误数据、分析 PR、给修复建议。技术细节上有些硬性规则要注意。文件名必须精确是 SKILL.md，大小写敏感。文件夹名必须用 kebab-case，比如 my-cool-skill，空格下划线大写都不行。Skill 文件夹里不能放 README.md。禁止用 XML 尖括号，防止提示词注入。名称不能包含 claude 或 anthropic。 description 字段写法直接决定 Skill 能不能被正确触发。好的写法要同时包含三个要素：做什么、什么时候触发、核心能力是什么。指南总结了五种实战模式。顺序工作流编排适合严格按步骤执行的场景，比如客户入驻流程。多 MCP 协调适合跨服务的联合工作流，比如设计到开发交接。迭代精炼适合需要多轮改进的场景，比如报告生成。上下文感知的工具选择适合同一目标根据条件选不同工具的场景，比如智能文件存储。领域专业智能适合需要嵌入专业知识的场景，比如支付合规检查。测试上建议覆盖三个维度。触发测试看 Skill 是否在正确时机激活，直接请求能触发、换种说法也能触发、无关请求不误触发。功能测试看执行结果对不对。性能对比看有无 Skill 的差异，对话轮次、API 失败次数、token 消耗这些指标。一个实用建议：先在单个困难任务上反复迭代直到成功，再把经验提取成 Skill，别一开始就追求广覆盖。分发方面，个人用户可以下载压缩后上传到 Claude.ai 设置，或者放到 Claude Code 的 skills 目录。组织层面管理员可以全工作区部署。API 用户通过 /v1/skills 端点管理。Anthropic 把 Agent Skills 定位成开放标准，希望它能跨平台使用。常见问题排查。Skill 不触发通常是 description 太模糊，要加具体的触发短语。Skill 过度触发是范围太宽，要加负向条件缩小范围。指令不被遵循往往是太长太含糊或关键内容被埋没，要精简并把重要的放最前面。上下文变慢是 SKILL.md 太大或启用太多 Skill，主文件控制在 5000 词以内，详细文档移到 references 目录。最后一个高级技巧值得记住：关键验证步骤用脚本替代自然语言指令。代码是确定性的，语言理解不是。指南下载地址：resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf?hsLang=en #HOW I AI##科技先锋官#

35. 攻克记忆瓶颈：腾讯云Data Platform如何为智能体打造记忆湖架构

36. #腾讯首次公布Agent养虾产品全景图#，构建从基础设施到应用场景的完整体系腾讯云今日正式发布 Agent 产品全景图，围绕基础设施、模型服务、技能生态、AI 应用及安全五大层面，构建了从个人到企业的完整产品体系。汤道生指出，AI 落地正从 Chatbot 向 Agent 跃迁，未来比拼重点将是工程化应用能力。@IT之家

37. 【腾讯控股：受益于企业AI需求的上升 #腾讯云实现规模化盈利#】腾讯控股公告，腾讯云实现规模化盈利，受益于企业AI需求的上升，领先市场的PaaS及SaaS产品贡献的增长，以及供应链的优化。#腾讯混元新模型即将发布##腾讯发布2025年财报#

38. 【#腾讯免费安装OpenClaw##腾讯回应免费安装OpenClaw#】据腾讯云公众号，腾讯宣布免费安装Openclaw。发文称：“今天，鹅厂门口现场免费安装OpenClaw。来自腾讯云Lighthouse的工程师，为用户提供一站式的OpenClaw从“装”到“玩”服务：安装部署、模型配置、IM渠道打通，还能解锁热门的skills技能。短短几个小时，几百只OpenClaw 被装进腾讯云服务器。”新浪科技注意到，该文下方有网友评论：今天免费安装，明天，后天还免费安装么？我现在还在云南，还没有出发呢！腾讯云回复：今日号已放完，后续有活动我们将第一时间通知。据了解，OpenClaw（曾用名：Clawdbot、Moltbot），一款可以部署在个人电脑上的AI代理，采用“龙虾”图标设计。OpenClaw爆火后，腾讯云、阿里云、京东云、火山引擎、百度智能云等相继宣布上线OpenClaw云端极简部署及全套云服务，用户可一键完成安装。

39. #谷歌高管称腾讯游戏AI领跑行业#GDC2026上，腾讯游戏AI获国际权威认可！谷歌高管公开点赞，腾讯已将AI落地40余款游戏，21场AI分享领跑全场。从研发到运营全链路赋能，技术落地与体验升级双在线，中国游戏AI实力走向世界中心。#微软专家称赞腾讯游戏ai太酷了#

40. #零态洞察百态##腾讯海外游戏收入破百亿美元# 近日，腾讯发布了2025年度财报。财报显示，全年营业收入为7517.66亿元，同比增长14%；全年净利润为2248亿元，同比增长16%。这是一份不错的成绩单，收入和利润都实现了健康增长。腾讯游戏2025年的表现，用＂碾压＂所有的同行来形容也不夸张。年报显示全年游戏业务营收同比增长22%，马化腾称赞“同比22%的增长大幅跑赢了全球游戏行业7%的平均增速”，而据天眼查公开数据，及中国音数协与游戏工委发布的产业报告指出，同期国内游戏大盘增速仅为7.68%，可见腾讯同时跑赢了国内外游戏行业近三倍的增速。事实上，游戏正是AI落地的第一块阵地。GDC 2026上，谷歌云高管Jack Buser公开表示腾讯已有超过40款游戏部署了AI应用。这些AI应用正在重构腾讯游戏的底层生产逻辑，覆盖研发、玩法、运营的全产业链路，腾讯通过在游戏中部署AI，加速了内容制作，改善了用户体验并提升了营销效益#腾讯游戏成AI落地第一阵地# AI来了，腾讯游戏帝国继续起飞｜财报眼

41. 腾讯云、阿里云、百度智能云排队涨价

42. Kali Linux通过MCP集成Claude AI实现渗透测试自动化

43. AI落地难，90%企业栽在这些坑破解十大核心挑战才是关键

44. 腾讯按下AI加速键，人才、组织、开源动作密集

45. 腾讯AI，悄然加速

46. 不卖「工具」卖「生产力」，百融云创如何用「硅基员工」打破AI落地僵局？

47. 腾讯Q3净利润同比增长19%，国际游戏业务收入大增43%，AI云推动企业服务收入双位数增长 | 财报见闻

48. MCP 协议

49. MCP协议深度拆解

50. Agent开发-MCP是什么

51. MCP 协议爆火背后

52. MCP协议

53. MCP协议

54. AI名词解释 S2E03｜MCP 上下文协议是什么？

55. 一文读懂MCP

56. 【必藏】Model Context Protocol (MCP)

57. 了解MCP吗？

58. MCP 已成行业标准

59. MCP vs API vs CLI，到底该用哪个？

60. 解密MCP协议

61. 一句话让 AI Agent 接入全网！MCP + browser-use 实测

62. MCP 深入理解

63. OWASP发布MCP十大安全风险

64. MCP 与 Agent Skills

65. 大模型面试10

66. 深度拆解 MCP 协议:为什么说它是 AI Agent 时代的"操作系统接口"

67. 当 MCP 服务器数量超过所有插件总和

68. 从 Agent Card 看 A2A 与 MCP 的核心差异

69. 从 Agent Card 看 A2A 与 MCP 的核心差异

70. AI Agent发展两大核心标准

71. 让大模型“心灵手巧”的MCP协议

72. MCP（一）模型上下文协议入门教程

73. 【Agent时代·第 4 讲】MCP协议与工具调用——让Agent真正"动手"干活

74. MCP协议

75. MCP协议入门

76. MCP解读（转载）

77. 2小时从零到一掌握MCP

78. AI的辅助利器MCP

79. MCP 协议爆发式增长

80. GitHub 上 star 破万的 5 个 MCP 项目，我装了一周告诉你哪 3 个值得留（266k star）

81. 一篇文章讲清楚MCP到底是啥，附实战案例

82. MCP协议生态大爆发

83. MCP协议生态爆发

84. MCP协议生态爆发

85. MCP协议

86. 当AI开始"组队干活"

87. MCP协议生态大爆发

88. MCP协议生态爆发

89. OpenAI Codex终于接入MCP插件

90. MCP协议大爆发

91. MCP协议深度指南

92. 拆解Harness“万能接口”

93. 图解大模型，第十一章

94. 我用MCP为公司搭了一个智能销售分析助手

95. 2万Skills一键可用！WorkBuddy支持MCP、接入SkillHub

96. Agent、LLM、RAG、MCP、Skills一文搞懂！

97. 听说很多人分不清mcp和skills应该什么时候用？ #skills #AI智能体 #工作流 #coze #claudecode

98. 智能体AI元年

99. 【AI编程】智能体AI工具集

100. 给 AI 装上万能插座

101. 一文搞懂MCP和SKILL

102. 飞书的 CLI & MCP，到底选哪个？

103. 我为什么要学MCP？

104. MCP 要凉了？我差点也信了……直到遇到 FastMCP！

105. 全球科技巨头共建AI Agent“通用接口”！产业链龙头迎爆发机遇

106. 搞懂 MCP：AI 工具协议是怎么一回事

107. 2026年第16周GitHub趋势周报：AI Agent生态爆发，MCP协议与Claude工具链成焦点

108. 制定AI Agent“互联标准”，谷歌、OpenAI和Anthropic牵头

109. AI 智能体互操作性协议全面解析：从MCP到ANP的演进之路

110. AI 工具生态大变天：这 5 个趋势正在重塑开发

111. 01-笨狗的AI入门学习随笔-MCP协议

112. MCP 协议即将攻克生产环境难关：独立开发者现在入场还来得及吗？

113. 乐鑫 MCP 服务器上线，官方文档接入 AI 工作流！

114. CS146S The Modern Software Developer——MCP 学习笔记

115. 一文吃透 Spring AI Alibaba + MCP：服务端搭建 + 客户端调用全流程

116. 在 Claude 里「读文档」这件事，我测了 5 个 MCP 工具

117. MCP(1)-大模型如何通过MCP 协议调用你的后端 API？一文搞懂 MCP 调用链路

118. 读懂 Google MCP 白皮书

119. AI Agent落地“卡壳”？腾讯云用100毫秒沙箱打通“最后一公里”

120. 西瓜老师-2025年大模型 MCP 技术实战课 - 哔哩哔哩

121. 程序员都在学的MCP，到底解决了什么问题？

122. 保姆级教程：用MCP协议把LangChain接入OpenClaw，三步搞定企业级Agent

123. 从 Claude Code 源码泄露说起：手把手教你用 MinerU MCP Server 搭建全自动文档解析 Agent

124. 【Spring AI MCP】MCP 客户端详解

125. MCP 是什么，现状和未来

126. Skills vs MCP：一句话讲透区别，再教你按角色选最小安装集

127. 【2026 AI硬件开发学习必看系列】智能硬件接MCP服务开发上手看这篇就够了

128. 使用 MCP 服务器，把乐鑫文档接入 AI 工作流

129. MCP协议的阿喀琉斯之踵：Server冒充与资源劫持

130. 【MCP安全困境】AI难题：为什么MCP安全无法通过修补解决

131. 火山引擎MCP 简介，火山引擎深圳代理商

132. Google《Agent Tools&MCP》重磅白皮书：MCP协议与Agent工具的未来、挑战与安全防线

133. MCP 标准架构解析：从协议到工具

134. 【喂饭教程】保姆级AI大模型MCP教程：从0到1部署开发实战教程！通俗易懂少走99%弯路！

135. MCP协议迭代一周年：AI Agent从实验室走向生产环境的关键转折

136. 深度丨2026年AI Agent爆发前夜：MCP协议与大厂博弈

137. 把钉钉文档变成 AI 可调用的上下文：DingTalk Docs MCP Server 实战

138. 智能体的“TCP\u002FIP时刻”已至？Google与Linux基金会联手，A2A协议正式终结智能体孤岛！

139. 为什么MCP应用“雷声大、雨点小”？两大核心瓶颈的深度拆解

140. MCP 在微服务架构中的应用：某大厂用它解决了跨团队接口联调痛点

141. MCP 程序原来可以这样写，很简单

142. MCP服务概述

143. A2A 协议深度解析：AI Agent 协作的新纪元

144. Claude Code：这2款 MCP 就够了

145. 小白学大模型：MCP协议和FastMCP

146. git_mcp服务部署

147. 【2025版】这绝对是B站唯一将Agent 开发新范式+MCP 从入门到多场景全链路讲明白的教程，存下吧，比啃书好太多了！拿走不谢，允许白嫖！

148. 一夜之间风向突变：折腾半天 MCP，不如直接 CLI

149. MCP：构建下一代智能体的连接协议 | AI Engineer

150. 解锁 AI 与数据库的智能对话：从 MCP 协议到 Cloudberry MCP Server 的深度应用

151. AI Agent 两大 “神辅助” 对决：MCP vs Skills 谁更能打？

152. 【2026 AI硬件开发学习必看系列】：智能硬件接入私有MCP服务变身私厨助手

153. 【MCP开发经验】《使用MCP进行代码执行：构建更高效的智能体》

154. 规模化 MCP 采用

155. 开发者为什么吐槽 MCP 协议？

156. 当AI学会使用工具：Agentic AI与MCP生态的七大安全风险

157. 7大Model Context Protocol服务器，彻底颠覆你的AI辅助开发体验

158. 利用 MCP 构建 AI Agent 专属天气工具

159. 【Agent入门到精通】04-MCP协议深度解析：连接AI与数据源的标准化桥梁

160. Claude Code 程序员终极 MCP 安装指南，全官方零踩坑，复制即用

161. 【AI 开发者效率手册 #001】如何用 MCP 在 5 分钟内部署 AI 工具

截至2026年4月，MCP协议成AI Agent“USB接口”，主流大模型厂商全面支持

精选参考来源