最近几天我会逐步公开自己策划的系统化 AI 编程入门课程大纲，欢迎各位提出宝贵建议。
这套课程暂定 4+1 节：4 节主课以 TRAE 为载体，带领大家零基础入门 AI 编程；外加 1 节扩展课，专门为非技术背景的学员补充软件工程基础知识。具体安排如下：
- 第一节：TRAE AI 编程入门——Vibe Coding 初识即上手
- 第二节：TRAE AI 编程入门——磨刀不误砍柴功
- 第三节：TRAE AI 编程入门——突破边界的 Rules/Memory/MCP/Skills
- 第四节：TRAE AI 编程入门——打破编程界限的智能体
今天我们先聚焦第三节的大纲内容。
第 1 页：开场——从“用好”到“定制”
回顾前两讲的成长路径：第一讲让你“能上手”，第二讲帮你“用得好”。但到了这一阶段，你可能会遇到一些棘手的挑战——AI 生成的代码风格不统一？想连接外部数据源却无从下手？某些重复性任务每次都要重新描述一遍？每次开启新对话，AI 就像失忆一样，之前交代过的全忘了？
第三讲的核心正是围绕这些痛点展开：Rules 和 Memory 让 AI 更懂你的偏好，MCP 让 AI 连接更多工具与服务，Skills 让 AI 学会特定技能，真正把 AI 从“能用”推向“定制化使用”。
第 2 页：四大高级能力一览
先简单认识一下这四种能力分别是什么：
- Rules（规则）：定义 AI 的硬性行为规范，比如代码风格、安全要求等，属于 AI 必须遵循的纪律。
- Memory（记忆）：保存你的软性偏好和项目背景，AI 跨会话也能自动记住。
- MCP（模型上下文协议）：让 AI 集成外部工具和服务，比如数据库、API、设计稿等。
- Skills（技能）：把特定任务的执行方法封装成“技能包”，AI 可以按需加载。
一句话串联起来：Rules 管“必须怎么做”，Memory 管“你喜欢什么”，MCP 管“能调用什么工具”，Skills 管“怎么做特定任务”。
第 3 页：Rules + Memory，让 AI 更懂你
Rules：硬性规范，AI 必须遵守
- 用户规则：个人偏好，所有项目生效。比如“一律使用 TypeScript”。
- 项目规则：项目级规范，仅当前项目生效。比如“缩进统一用 2 个空格”。
- 应用模式：支持始终应用、应用到特定文件、智能应用或手动引用四种模式。
Memory：软性偏好，AI 自动记住
- 全局记忆：个人习惯，所有项目生效。比如“变量命名用驼峰式”。
- 项目记忆：项目专属信息，比如“本项目主色是 #2D5BFF”。
- 支持自动捕捉和主动添加，最多各 20 条。
Rules vs Memory 的区别，值得重点说一下：
- Rules 是手动配置的结构化规则文件，对话开始时全量加载到上下文，可以纳入版本控制、团队成员共享。
- Memory 支持自动捕捉（AI 识别对话中的偏好并自动保存）或主动添加，按需加载，仅存储在本地。
- 简单来说，Rules 适合放项目级标准——代码风格、安全规范、命名约定这些需要团队统一的内容；Memory 则适合放个人偏好——缩进宽度、引号风格、技术栈偏好等因人而异的习惯。
第 4 页：Rules + Memory 实战演示
演示任务其实很直观：为项目创建规则和记忆，然后观察 AI 输出的变化。在实际操作中，可以创建一个项目规则，比如“所有函数必须有中文注释”，对比有规则和无规则时 AI 输出的差异；也可以在对话中告诉 AI 保存一条记忆，比如“本项目使用 Vue3 + Vite”，然后开启新对话验证 AI 是否真的记住了。修改规则和记忆后，AI 的输出如何随之变化，这才是关键看点。
第 5 页：MCP，让 AI 连接外部世界
MCP（Model Context Protocol）本质上是一种协议，让 AI 能够调用外部工具和服务。那么它能做什么？
- 连接数据库，直接查询和操作数据。
- 调用外部 API，比如地图、天气、翻译等。
- 读取 Figma 设计稿，转化为前端代码。
- 进行网页自动化测试。
添加方式也很直观：设置中心 > MCP > 从市场添加（选现成的）或手动添加（自定义配置）。
MCP 的核心价值在于：AI 不再只能写代码，还能直接与外部工具协作，能力边界被大幅扩展。这已经不是“写代码”的范畴，而是真正的“工具协同”。
第 6 页：MCP 实战演示
来一个具体的演示场景：从 MCP 市场中添加一个现成的 MCP Server，比如文件系统、数据库或搜索工具。然后在对话中让 AI 使用该 MCP 工具完成任务，比如“查询数据库中的数据并生成报表”。对比“没有 MCP”和“有 MCP”时 AI 的能力差异，你会发现完全是两个世界。
第 7 页：Skills，把经验封装成“技能包”
Skills 的含义是：把特定任务的执行方法——包括目标、步骤、约束、示例——封装成一个结构化文档，AI 可以按需加载。
两种类型：
- 全局技能：跨项目通用，比如代码审查流程、Git 提交规范。
- 项目技能：仅当前项目使用，比如本项目的特定数据分析流程、测试规范。
创建方式很简单：可以直接在对话中告诉 AI 创建，也可以手动编写 SKILL.md 文件。使用时，AI 会自动识别任务并加载对应技能，也可以手动指定“使用 xxx 技能”。
核心价值在于：把重复性工作流固化下来，一次封装、反复使用，AI 自动按标准流程执行。这就是将个人经验沉淀为可复用的“知识资产”。
这里想特别说一下 MCP 与 Skills 的关系：很多场景下 Skill 就能解决问题，不一定需要 MCP。Skill 定义的是“怎么做某件事”的完整流程，MCP 提供的是“能调用什么外部工具”。当任务需要连接外部服务（如数据库、第三方 API）时才需要 MCP；如果只是定义内部工作流程，Skill 就够了。
第 8 页：四者如何协同工作
把这四种能力串联起来看，画面会更清晰：
- Rules 设定基础规范（硬性要求）。
- Memory 积累个人偏好和项目背景（软性习惯）。
- MCP 提供外部工具能力（扩展边界）——但正如刚才所说，很多场景下 Skills 就能替代，不一定需要 MCP。
- Skills 定义如何高效使用这些工具完成特定任务（标准化流程）。
举一个具体的例子：用 Rules 规定代码风格，用 Memory 记住品牌色值，用 MCP 连接数据库，用 Skills 定义测试流程——AI 就能自动按标准完成从开发到测试的全流程。
第 9 页：本讲总结
- Rules 管“规范”——手动配置的项目级标准，团队可共享。
- Memory 管“偏好”——自动捕捉或主动添加的个人习惯，仅存本地。
- MCP 管“能力”——AI 能调用外部工具和服务。
- Skills 管“流程”——把特定任务的执行方法封装为可复用的技能包。
下一讲预告：第四讲将展示 TRAE 作为通用 AI 辅助工具的能力——不只是编程，它还能做哪些事？我们到时候再聊。
