AI热点争论：RAG已死？Skills取代MCP了吗？

GitHub Podcast 最新一期节目抛出了几个当下 AI 工程圈热议的尖锐问题：AI 生成的代码到底还要不要逐行阅读？RAG（检索增强生成）是否已经过时？Anthropic 推出的 Skills 是否会终结 MCP（Model Context Protocol）？这些话题看似碎片，实则触及了当前大模型应用落地的几个核心痛点。

说明：本文基于 GitHub 官方博客发布的播客预告信息整理。由于原始素材仅提供了话题引子，以下内容结合行业背景对这几个问题进行延展解读，供读者判断参考。

AI 生成代码，到底该不该逐行读？

随着 Copilot、Claude Code 等工具让「代码由 AI 写、人来审核」成为常态，一个现实问题浮出水面：当 AI 一次生成成百上千行代码时，开发者是否还有必要像过去那样逐行审阅？

支持「必须读代码」的一方认为，代码最终由人负责，理解逻辑才能定位缺陷、承担维护责任，盲目信任生成结果会累积技术债。另一派则主张，随着测试覆盖、类型检查和运行时验证的完善，人类的注意力应该转向更高层的架构与行为验证，而非纠缠每一行实现细节。

这场争论的本质，是软件工程的信任边界正在从「代码正确性」向「行为可验证性」迁移。合理的折中或许是：核心业务逻辑与安全相关代码仍需精读，而样板代码、脚手架和测试可以更多依赖自动化把关。

RAG 真的死了吗？

「RAG 已死」是近期社区里颇具争议的判断。持此观点者的理由主要有两条：一是模型上下文窗口不断扩大，动辄数十万甚至百万 token，似乎可以「把所有资料直接塞进去」；二是 Agent 与工具调用的兴起，让模型可以主动检索而非依赖预先构建的向量库。

但把 RAG 判「死刑」显然过于草率。上下文窗口再大，也面临成本、延迟和「大海捞针」式的注意力衰减问题；把海量文档全量塞入不仅昂贵，效果也未必优于精准检索。RAG 的价值在于用相对低廉的成本，为模型提供及时、可溯源、可更新的外部知识。

更准确的说法是，RAG 并未消亡，而是在演化——从简单的「向量召回 + 拼接」走向混合检索、重排序、以及与 Agent 检索能力融合的复合架构。它正在从一个独立技术，变成智能体系统中的一个能力模块。

RAG（Retrieval-Augmented Generation，检索增强生成）的基本原理是：在向模型发送提示之前，先从外部知识库中检索与当前问题相关的文档片段，将其作为上下文一并输入，从而让模型能够回答超出其训练数据范围的问题。传统实现通常分为两个阶段：离线阶段将文档切片、向量化并存入向量数据库；在线阶段将用户查询同样向量化，通过近似最近邻搜索召回相关片段，再拼接进提示词。这种设计使知识库可以独立于模型进行更新，且每次检索都能提供可追溯的来源引用，这是纯粹依赖模型内部参数知识所无法做到的。当前的演进方向包括：将稠密向量检索与关键词检索结合的混合检索（Hybrid Search）、用交叉编码器对召回结果重新排序（Reranking），以及让 Agent 在推理过程中动态决定何时检索、检索什么的自适应 RAG 架构。

Skills 会杀死 MCP 吗？

第三个问题最具技术张力。MCP（Model Context Protocol）作为连接模型与外部工具、数据源的开放协议，一度被视为 AI 应用互操作的标准。而 Skills 概念的兴起——即让模型通过预定义的技能包扩展能力——让人担心两者是否是替代关系。

实际上，二者解决的问题层次不同。MCP 更像是一套通信与集成协议，规范模型如何访问外部资源；Skills 更偏向能力封装的组织形式，把特定任务的知识和操作打包供模型调用。理论上，Skills 完全可以构建在 MCP 之上，而非取而代之。

所谓「Skills 杀死 MCP」，更多反映的是社区对生态标准归属的焦虑——在快速迭代的 AI 工具链里，谁会成为事实标准仍未定论。与其说是谁取代谁，不如说是不同抽象层正在寻找各自的位置。

MCP（Model Context Protocol）是由 Anthropic 于 2024 年底提出的开放协议，旨在标准化 AI 模型与外部工具、数据源之间的交互方式。其设计类似于 USB-C 接口的理念——无论底层工具是文件系统、数据库还是 Web API，只要实现了 MCP 服务端，模型就可以通过统一的协议发现并调用这些能力，无需为每个工具单独开发适配层。协议定义了资源（Resources）、工具（Tools）和提示（Prompts）三类原语，并通过标准化的 JSON-RPC 消息格式进行通信。Skills 的概念则更贴近「高层封装」：将完成某一类任务所需的知识、操作步骤和工具调用组合打包，形成可被模型按需激活的能力单元。两者处于不同的抽象层次，MCP 负责解决「如何连接」，Skills 负责解决「连接之后能做什么」，因此技术上并不互斥。

这些争论说明了什么

把这三个问题放在一起看，会发现它们指向同一个趋势：AI 工程正处在方法论快速重构的阶段。工具、协议、最佳实践都在剧烈变动，昨天的共识今天就可能被挑战。

对开发者而言，与其追逐每一个「XX 已死」的标题党结论，不如理解每种技术解决的根本问题——代码审查关乎信任与责任，RAG 关乎知识供给的成本与时效，MCP 与 Skills 关乎系统的可扩展与互操作。理解了底层需求，就不容易被表面的口号带偏节奏。

小结

GitHub Podcast 抛出的这几个问题，本身没有标准答案，但它们精准捕捉了当前 AI 开发者最真实的困惑。技术演进从不是简单的替代，而是不同方案在不同场景下的动态平衡。保持对趋势的敏感，同时不盲从热点判断，才是在这个快速变化的领域里最稳妥的姿态。