Model Context Protocol(MCP)是 Anthropic 在 2024 年開源、如今由 Linux Foundation 治理的開放標準,官方比喻為「AI 應用的 USB-C 埠」。本文說明 MCP 的主機/用戶端/伺服器架構、Tools 與 Resources 等核心原語、與 Function Calling 和 Agent Skills 的層次差異,並整理 2026-07-28 無狀態新版規格重點與官方明列的資安風險。
Claude 最近能自動生成 PowerPoint、Excel 這些文件,背後靠的就是 Agent Skills 這套機制。這篇文章拆解 SKILL.md 資料夾格式怎麼運作、漸進式揭露三層架構省下多少 token,也整理 Claude Skills 從 Anthropic 自家功能開放成跨平台標準的過程,並釐清它跟提示詞、MCP 到底差在哪裡。
AI 助理要怎麼查資料庫、訂機票、控制系統,而不是只會嘴巴回答?這篇拆解 Function Calling(工具呼叫)的完整運作機制與五步驟流程,比較 OpenAI、Anthropic、Google Gemini 三家實際做法差異,並釐清它跟 Structured Outputs、MCP 到底差在哪裡。
AI API 帳單常常因為同一份系統提示、同一份長文件重複運算而爆量?Prompt Caching(提示詞快取)就是解方:把不變的內容存起來重複讀取,不必每次重算。這篇把 Anthropic、OpenAI、Google、AWS 四家的快取機制攤開來比,含觸發門檻、省多少錢的實際數字,還有最常被忽略的設計地雷。
開源模型琳瑯滿目,但「開源」兩個字不能當商用保證——Llama、Qwen、DeepSeek、Gemma 授權條款差很大,GGUF、GPTQ、AWQ 量化格式也各有適用場景。這篇一次講清楚模型家族定位、授權能不能商用、量化格式該選哪個,還附簡化版 VRAM 估算公式,少踩一次授權或硬體規劃的雷。
跟 AI 聊一聊就「失憶」?那是撞到了 Context Window(上下文視窗)的上限。這篇用白話拆解上下文視窗與 token 的關係:它是 AI 的短期記憶而非硬碟、對話與附檔全都占同一個額度、中文為何比較吃 token(附 GPT-4o 官方對照),以及為什麼塞好塞滿反而會「迷失在中間」。搞懂它,你才知道怎麼用得又準又省。
想在自己電腦跑 AI,卻被模型頁一堆 Q4、Q8、7B、70B 代號搞得霧煞煞?這篇從模型端把本地 LLM 的參數量與量化講清楚:Q4_K_M 的 K 和 M 是什麼、每 1B 參數大概吃多少 VRAM,教你一條估算記憶體的公式,並附 llama.cpp 官方檔案大小對照表與「幾 GB 顯示卡配什麼模型」決策表,不再點錯爆記憶體。