前段时间我在看了关于上下文工程的资料以后，我就一直在思考一个问题，就是我们把提示词升级到上下文工程以后，再结合MCP协议生态，能不能更好的去替代我们现在用AI智能体+Workflow做的这么一个事情。

所以说基于这个疑问，我刚好昨天也用Google的DeepResearch做了一次深度研究，我的问题很简单，就是上下文工程加上MCP能不能替代AI智能体，整个深度研究报告输出来以后，他也给我做了详细的一个梳理和分析，最终的结论还是至少在当前这个阶段没有办法做到完全的一个替代。

在深度研究报告中对两种模式进行了详细的分析和对比，并提出AI智能体在任务的规划分解，在反思、在记忆、在精确规则的处理上面仍然有巨大的一些优势。

对于我们常说的MCP协议，上下文工程底层的大模型，它更多的是底层能力和技术组件的提供，但是这些组件怎么用，怎么样去编排，怎么样通过精确的控制规则来满足你业务需求。在相当前诸多复杂的场景下面，我们仍然是需要通过AI Agent加Workflow去把这个事情做完。

 这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

但是我提出这个想法，我不是一时心血来潮，所以为了我验证我这个想法，我也做了一个简单的测试和验证。

大家都知道我们有一个最常见的结合AI的自动化场景。

就是每天提取当天的热点新闻，提取完了以后再形成一个文档，或者是形成一个邮件发送给大家，这个是一个很典型的多步骤处理，往往我们用AI智能体编排来实现的这么一个工程。

那么这个简单场景能否通过大模型+上下文工程+MCP公开你赶紧来做一个完整的实现呢？在这里我刚好就借助Trae+MCP工具来对这个场景做一个简单的验证和测试。

即我在不用AI Agent的情况下，对我需要做的事情做了相关的流程化的分解，每一步处理流程我又做了详细的规则的约束。

第一步我是你要去用相关的获取网页的MCP的工具，到某个特定的网站去获取相关的热点新闻信息，你还需要进到第二页里面获取到详细内容，并把它总结为摘要。

第二步我需要你将过去的信息形成一个本地的markdown文件。

第三步在形成了文件以后，我还需要你把这个文件转成一个PDF文档，我去把相关的步骤去做了详细的分解。

我们首先来看下我定义的完整提示语md文件。

自动抓取和总结新闻Agent
任务目标：⦁获取热点新闻网站新闻内容并生成本地markdown格式新闻文件
使用工具：⦁我需要你使用 newsnews_scraper.py 程序对网页信息进行获取⦁我需要你使用Sequencial Thinking MCP 工具分步骤对内容进行执行
具体流程步骤流程1-爬取网站热点技术新闻信息和总结⦁step1: 访问 https://rebang.today/tech 获取科技热点信息，并获取新闻标题和新闻详细页面链接⦁step2: 打开每个热点新闻获取新闻的具体内容网页，获取文字内容，并将文字内容总结为150字内的总结⦁rule1: 只访问最多前10条热点科技新闻
流程2-将新闻内容写入到markdown文件中⦁step1: 将process1获取到的新闻标题和内容概要写入到当前目录下一个新创建的markdown文件中⦁rule1: 新创建的markdown文件名为 YYYY年MM月DD日热点新闻，具体字母用当日具体的日期值替换⦁rule2:  标题为  YYYY年MM月DD日热点新闻，具体字母用当日具体的日期值替换，采用一级标题⦁rule3：新闻标题采用二级标题，热点新闻内容为正文内容。
流程3-将markdown文件内容生成一个独立的pdf文件⦁step1: 运行当前目录下的 md2pdf.py 程序，将上一个流程生成的markdown文件转化为一个独立的pdf文件⦁rule1: 新生成的pdf文件直接存储在当前目录下⦁rule2：如果已经存在同名pdf文件，需要你先删除历史文件

然后我结合Trae提供的Sequencial MCP工具，这个工具本来就是一个按顺序分步骤思考和执行的一个MCP工具，所以说他拿到了这个详细的提示语以后，他一样的他就会按我的步骤详细去做这个事情，包括去爬取网页的信息，去总结摘要，去形成markdown格式文档。

包括将markdown格式文档再去转成PDF的过程中，他还自己去写了一段Python程序，去执行这个动作，最后完完整整的输出了一个PDF文档给我。最终在执行完成后给出的总结如下：

基于执行完成的输出的PDF文档效果如下：

所以通过这个简单的验证，我仍然是坚持我的观点，就是随着MCP协议生态的成熟，我们的上下文工程加MCP工具，再加上本地生成的精确处理问题的Python的代码，这三者加起来是一定可以代替大部分当前的AI智能体加Work flow的。

我始终坚信这么一个观点，大家可以思考一下我为什么这样讲？我们讲的一些深度思考推理能力，我们可以用刚才我说到的Sequencial MCP工具来完成。

我需要去爬取网页，有爬取网页的MCP的工具，我需要去精确的处理一些文件内容，我可以形成本地化的Python代码，我需要把处理完的内容存到我的数据库，还有连接本地数据库的MCP的工具，所有的东西其实都可以在本地更加高效，通过上下文工程提示语来把它完成掉。

通过这个小场景测试，也基本验证了我前面提出的关键思路，即：

其一：不涉及到精确算法，精确规则，精确步骤处理的场景，都不需要用Agent去实现。直接用大模型+MCP+上下文工程的思路大部分问题都能够解决。而且要注意自己提示词的结构化处理，方便后续管理和维护。

其二：就是涉及到精确处理的场景，不是去做大量的信息孤岛的Agent，而是应该在当前已有的IT应用整体架构，技术架构上纳入大模型技术底座的能力，将大模型的能力作为API开放给上层IT系统使用。那么你不应该去开发一个个独立的Agent，而是对当前已有的IT系统功能进行新增或优化变更，你新增的功能是自然融入到当前整体IT应用架构的，而不是游离在外面的要给孤岛。

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

 这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】