AI

提示

理解层次结构比追工具更重要。模型决定工具的能力上限，工具解决模型直接使用的痛点，方法论回答“怎么把能力融入日常工作流”。新工具出来时，只需判断它在哪个层次、解决了什么问题。

模型层：能力天花板

所有 AI 工具的底层都是大语言模型。Claude Code 写代码、ChatGPT 回答问题、ComfyUI 画图——能力上限都由底层模型决定。

模型能理解多长的上下文、推理能力有多强、会不会产生幻觉，直接决定上层工具的能力边界。大语言模型 覆盖 Transformer 架构、训练流程、关键技术——理解这些不是为了自己训练模型，而是为了使用工具时做出正确判断。

编程实践层：从模型到日常工作

模型很强，但直接用聊天窗口写代码效率很低。手动复制粘贴、手动解释项目结构、手动处理文件——这些重复劳动本该被消除。

氛围编程 的核心是把"做什么"和"怎么做"分离：你告诉 AI 需求和架构，AI 负责实现细节。不只是换工具，而是换工作方式。

工具互通

AI 模型想读文件、查数据库、调 API，每个都要单独适配。10 个模型 × 10 个工具 = 100 个适配器。MCP协议 把这个变成 M+N：工具实现一次 MCP 接口，所有支持 MCP 的模型都能直接调用。

能力扩展

Claude Code 提供基础能力，技能 通过插件机制解决特定场景——文档处理、工程纪律、成本优化，每个场景对应一个技能包。

分层记忆

记忆架构 将记忆按 L0-L3 分层：摘要入 agentmemory、经验入 neural-memory、关系入 knowledge-graph-memory。跨会话记住偏好与项目上下文，是 AI 持续工作的地基。

视觉创作层：AI 画图

编程之外，AI 在视觉创作领域同样深入。写代码是文字进、代码出，画图是文字或图片进、图像出——形式不同，底层逻辑相通。

ComfyUI 用节点工作流解决这个问题。每个节点做一件事（加载模型、编码提示词、采样、解码），节点间连线表示数据流向。节点式交互的优势是可视化、可复现——能看清楚图怎么生成的，好的结果保存为工作流复用。

阅读路径

按依赖顺序阅读：大语言模型 建立模型认知 → MCP协议 理解工具互通 → 记忆架构 建立分层记忆 → Claude Code 搭建实践平台 → 技能 扩展场景能力 → 氛围编程 形成方法论。ComfyUI 相对独立，可随时切入。

工具链落地依赖 效率工具 域的 Node.js 环境与 Git 提交纪律；审查 AI 生成的代码，仍需 编程语言 域的语言功底兜底。

技术趋势

层次	趋势	影响
模型层	开源模型（Llama、DeepSeek）追赶闭源，MoE 架构降低推理成本	工具使用门槛越来越低
协议层	MCP 成为事实标准，主流 AI 工具都在接入	工具互通性持续提升
应用层	AI 编程助手从"代码补全"进化到"Agent 模式"	更强模型 + 标准化协议共同推动
方法论层	氛围编程 从个人实践发展为团队协作模式	工具成熟后，工作方式变革自然发生