在上一篇文章中，我们聊到了 AI Agent 如何验证渲染 Bug、如何分辨进程退出原因，以及为什么“不确定时问人”比“假装什么都知道”更重要。那些讨论聚焦在 Agent 的能力边界上——它能看见什么、不能看见什么、什么时候该停下来。
今天我们把视角拉远一点，回答两个更底层的问题：
- MCP 是什么？它如何给 Agent 装上“眼睛”和“手脚”？
- 如果要开发一个 AI 大模型，需要经历哪些步骤、学什么语言、花多少钱？
这两个问题看似独立，实则一体两面：MCP 让 Agent 能调用外部世界，而大模型是 Agent 的“大脑”。理解它们，才能理解 AI Agent 从“能说会道”走向“能看能做”的完整图景。
一、MCP：AI Agent 的“USB-C 接口”
1.1 什么是 MCP？
MCP 全称Model Context Protocol（模型上下文协议），由 Anthropic 在 2024 年底推出并开源。它的核心思想很简单：为 AI 模型与外部工具、数据源之间建立一个统一的接口标准。
在 MCP 出现之前，每让 AI 连接一个新工具（比如数据库、浏览器、GitHub），开发者都需要为不同的 AI 应用编写特定的集成代码。这就像在 USB-C 出现之前，每个设备都有自己的充电口——繁琐、重复、难以复用。
MCP 的作用就是提供一套标准协议，让 AI Agent 能够“即插即用”地调用外部能力。它不关心底层是 Python 还是 Go，不关心工具是本地还是云端，只关心接口是否统一。
1.2 MCP 的使用是免费的吗？
需要分开看：
- 协议本身是免费的：MCP 是一个开放、开源的标准，任何人都可以免费使用和实现。
- MCP 服务器（工具）大多免费：绝大多数社区和官方提供的 MCP 服务器都是开源免费的。例如，微软官方的 Playwright MCP 就是 Apache-2.0 许可，完全免费。
- 潜在付费场景：
- 模型调用费：这是最主要的成本。当 Agent 使用 MCP 工具时，工具返回的结果（如网页截图、数据库数据）会作为上下文发送给大模型，这会消耗 Token。例如，用 Playwright MCP 完成一个典型任务，在 Claude Sonnet 模型上大约消耗 11.4 万 Token，成本约 0.34 美元。
- 第三方 API 费用：部分 MCP 服务器可能封装了付费的第三方服务（如高级搜索 API），使用这些服务时会产生额外费用。
- 云托管服务：如果你选择使用云平台提供的 MCP 托管服务，可能会产生部署或调用时长费用。例如，阿里云百炼的某些 MCP 服务提供 2000 次免费调用，超出后按 29 元/千次计费。
1.3 有哪些常见的 MCP？
MCP 生态发展迅速，覆盖了从编码、设计到办公的各类场景。以下是一些代表性服务器：
| 类别 | MCP 服务器 | 主要功能 |
|---|---|---|
| 代码与开发 | GitHub MCP | 管理 Issues、PRs，操作代码仓库 |
| Playwright MCP | 浏览器自动化，控制网页、进行测试和抓取 | |
| Chrome DevTools MCP | 集成 Chrome 开发者工具，用于调试和性能分析 | |
| Context7 MCP | 实时获取最新的库文档和代码示例 | |
| Serena MCP | 提供语义级的代码检索与编辑能力 | |
| 设计与协作 | Figma MCP | 让 Agent 直接读取 Figma 设计稿的布局和样式信息 |
| Notion MCP | 创建、编辑、搜索 Notion 页面 | |
| 飞书 Lark MCP | 操作飞书消息、日历、文档等 | |
| 网页与数据 | Firecrawl MCP | 网页抓取，并将内容提取为 Markdown |
| Jina AI MCP | 提供语义搜索、图像搜索等跨模态搜索能力 | |
| 工作流 | n8n MCP | 连接 n8n 自动化平台，实现复杂工作流 |
你可以通过awesome-mcp-servers等社区列表发现更多 MCP 服务器。
1.4 给 Agent 加视觉功能的 MCP 是什么？
给 Agent 加视觉功能的 MCP，核心作用是让 Agent 能够“看见”渲染后的画面，从而验证 UI 是否正确。它们通常提供以下一种或多种关键能力：
- 截图（Screenshot）：捕获浏览器页面或桌面窗口的 PNG 图像。
- 视觉差异对比（Screenshot Diff）：比较两张截图的差异，并高亮显示变化的像素。
- 页面交互与状态获取：除了“看”，还能点击、输入、执行 JavaScript，并获取页面状态。
这类 MCP 的代表包括：
- Playwright MCP（Vision Mode）：微软官方出品。它的“视觉模式”增加了基于坐标的工具，可以通过截图与 Canvas、WebGL 等传统方式难以访问的元素进行交互。
- OpenCode 视觉 MCP：专为编码代理设计，支持截图、录制 GIF、页面交互、状态对比和 JavaScript 执行，形成一个完整的“观察-行动-验证”闭环。
- Aperture MCP：定位是为 AI 编码代理提供“眼睛”。它可以截取本地开发服务器的画面，控制 Token 成本，检测变化并计算视觉差异。
- Agent Vision MCP：通过 Chrome DevTools Protocol 直接访问实时浏览器标签页，按需捕获真实的 PNG 截图。
这些工具让 Agent 能够自主地“打开程序、截图、分析、修改、再验证”，从而闭环地解决渲染 Bug 的验证问题。但需要记住：它们只能让 Agent 判断“元素有没有渲染出来”，不能替人判断“渲染得好不好看”。
二、开发 AI 大模型：从数据到部署的完整路径
如果说 MCP 是 Agent 的“感官”，那么大模型就是它的“大脑”。开发一个 AI 大模型是一个系统性的工程，核心路径可以概括为数据准备、模型训练、模型微调、模型部署四大阶段。
2.1 四个核心阶段
- 数据准备：数据是模型性能的生命线。这个阶段涉及从海量来源（如网页、书籍、代码）采集数据，并进行复杂的清洗、去重和格式化处理。当数据规模达到 PB 级别时，需要借助分布式计算框架来完成。
- 模型训练：这是最耗费资源的阶段，通常称为预训练（Pre-training）。模型会在数万亿计的、无标注的通用文本上进行学习，通过自监督任务，从文本结构中学到语法、事实、常识和逻辑推理能力，最终得到一个“通才”模型。这个过程可能需要成千上万张 GPU 组成的集群，耗时数周甚至数月。
- 模型微调：预训练后的“通才”模型可能行为不稳定。微调是让它成为特定领域“专才”的关键步骤。主流方法包括全量微调（效果最好但成本极高）和参数高效微调（PEFT）。其中，LoRA和QLoRA因其资源消耗小、效果接近全量微调而成为主流选择，使得在消费级显卡上微调大模型成为可能。
- 模型部署：训练好的模型需要通过**推理（Inference）**来真正解决具体问题。这涉及将模型集成到应用程序中，并可能需要进一步的推理优化（如量化、蒸馏）来提升响应速度和降低成本。
2.2 需要学习哪些编程语言？
- Python：绝对的核心。它是 AI 和深度学习领域的主导语言，拥有最丰富的生态，如 PyTorch、TensorFlow 等框架和 Hugging Face 等模型库，几乎所有的开发和训练工作都围绕 Python 展开。
- CUDA / C++：性能优化的关键。如果你希望深入底层，优化模型在 GPU 上的训练和推理速度，那么学习 CUDA（NVIDIA 的并行计算平台）和 C++ 是必经之路。这能让你进行高性能计算和自定义算子开发。
- 其他语言：虽然 Python 是主流，但在某些特定场景下，Rust、Go 等语言也可能用于构建高性能的推理服务或数据处理管道。
2.3 如何训练云端大模型？
对于个人或团队而言，云端训练是更现实、更高效的选择，无需自建昂贵的硬件集群。主流云平台都提供了一站式的大模型训练服务。
- 主流云平台：阿里云（百炼平台、PAI）、腾讯云（TI-ONE）、金山云（星流平台）、魔搭社区（Twinkle）等。
- 典型流程：通常包括资源组创建（选择 GPU 机型）、存储配置（挂载数据集和模型文件）、创建训练任务（指定镜像、启动命令、环境变量）等步骤。你可以使用平台预置的镜像（如包含 PyTorch、CUDA 的镜像）快速开始。
- 框架支持：这些平台通常集成或支持主流的开源训练框架，如LLaMA-Factory（用于微调）、Megatron-LM（用于大规模预训练）、veRL（用于强化学习）等，大大降低了开发门槛。
2.4 开发大模型需要多贵的电脑？
这是最关键的问题之一。硬件成本取决于你的目标：是进行前沿研究、训练千亿级模型，还是微调一个 7B/13B 模型用于特定任务。
个人/团队微调（7B-70B 模型）：这是大多数开发者的起点。得益于QLoRA等量化技术，你可以在单张消费级显卡上微调大模型。
- 入门选择：RTX 4090 (24GB)或RTX 3090 (24GB)。配合 QLoRA，可以微调 7B 甚至 13B 的模型。一张 RTX 4090 的价格约为1.5 万-2 万元人民币。
- 云端租用：在 io.net 等平台，租用一张A100 40GB（约$1.20/小时）可以完成 7B 模型的完整微调或 70B 模型的 QLoRA 微调。一次 LoRA 微调的成本可以控制在10 美元以下。
百亿参数模型训练（100 亿-1000 亿参数）：这时需要多卡集群。
- 硬件配置：需要H100或A100 80GB级别的 GPU，通过高速互联（如 NVLink）组成集群。
- 成本估算：一套这样的集群成本在100 万到 500 万元人民币之间。
千亿参数以上大模型训练（如 GPT-4 级别）：这是真正的“军备竞赛”。
- 硬件配置：需要H300、MI350X等旗舰卡组成的超级集群，配备 InfiniBand 网络。
- 成本估算：硬件成本高达500 万到 2000 万元人民币。
三、结语：感官与大脑，缺一不可
MCP 让 AI Agent 有了“眼睛”和“手脚”，能打开程序、截图、查数据库、调 API；大模型则是它的“大脑”，决定了它理解世界、推理决策、生成代码的能力。
两者结合，才是完整的 AI Agent：
- 没有 MCP，大脑再聪明也无法感知外部世界，只能空谈。
- 没有大模型，工具再多也无法理解任务、规划步骤、修正错误。
对个人开发者而言，最务实的路径是：从 Python 和 PyTorch 入手，利用云端平台和 LoRA/QLoRA 等高效微调技术，从微调一个 7B 或 13B 的开源模型开始，而非直接尝试从零预训练一个千亿级模型。同时，善用 MCP 生态，让 Agent 能调用浏览器、数据库、设计稿等外部能力，快速构建出能看、能做、能验证的智能应用。
云端训练让你能以极低的成本起步，消费级显卡也能满足特定任务的微调需求，而MCP则让 Agent 的能力边界从“聊天”扩展到“操作世界”。
这就是从 MCP 到云端大模型的完整图景：感官与大脑，缺一不可。
