2026年3月 AI Agent 生态观察：从 MCP 爆发到本地推理集群的趋势

三月份我观察到的几件事

每个月末我会整理一下这个月在AI Agent领域里让我印象深刻的动态。这不是新闻汇编，是SFD实验室日常跑Agent过程中产生的一些真实观察和想法。2026年3月，有几件事值得单独写一写。

Model Context Protocol（MCP）这两个月的采用速度超出我的预期。半年前它还是"感觉很有前途但大家都在观望"的状态，现在大量工具已经在推自己的MCP server。

在SFD实验室，我们把MCP用于本地文件系统访问、数据库查询、以及内部服务调用。最实际的变化是：以前Agent要读服务器上的日志，需要先SSH、cat文件、把内容粘贴进对话；现在直接挂一个filesystem MCP server，Agent直接读，整个流程缩短了80%。

但MCP也带来了新的安全考量。一个被攻击的MCP server可以作为跳板，获取Agent的全部上下文权限。安全边界怎么划、权限粒度怎么设计，这些问题行业还没有成熟答案。我们的做法是：每个MCP server只开放必要的最小权限，不共享credentials。

SFD实验室最近在上新硬件：两台M5 Ultra 256GB、一台M3 Ultra 96GB。全部到位之后总unified memory 680GB，目标是跑DeepSeek R1 671B Q8全精度推理。

这在一年前是疯狂的事——671B参数的模型，居然有望在桌面级硬件上跑起来。关键变化有两个：一是Apple Silicon的unified memory架构让大内存成本断崖式下降；二是llama.cpp的RPC分布式推理成熟了，多台机器可以协作跑一个超大模型。

但目前实测下来还有问题：多机RPC推理的token生成速度比单机慢，网络延迟是瓶颈。雷电5直连可以把带宽推到100Gbps以上，比普通万兆以太网好很多，但延迟特性和PCIe还是没法比。

对于日常代码任务，我们现在的分工是：复杂推理走Claude API（成本高但质量稳），批量内容任务走本地Qwen——成本接近于零，速度够用。这个分层架构今年下半年应该会成为中型AI实验室的标配。

如果你在用OpenClaw，ClawHub（clawhub.com）的技能生态这几个月增长挺快。我观察到的几个趋势：

垂直领域技能在增加。 不再只是通用工具，开始出现针对特定行业的技能，比如港股AI板块分析（hk-ai-stock-expert）、12306订票辅助（12306-train-assistant）。这些技能的价值不在于通用，而在于它们打包了领域专业知识和特定API调用链。

技能质量参差不齐。 这是开放生态的必然问题。有的技能写得很扎实，有详细的使用说明和错误处理；有的技能就是一个SKILL.md加几行提示词，根本没做过测试。建议在装新技能之前先读SKILL.md，判断一下质量再用。

自我进化技能开始出现。 skill-self-evolution-enhancer 这类技能能让其他技能在使用过程中积累learnings、更新自身逻辑。这个方向很有意思——技能不再是静态的指令集，而是可以通过反馈迭代的活代码。SFD实验室的几个核心技能已经接入了这个机制。

这是这个月最大的感受。在SFD实验室的多Agent工作流里，单个Agent的能力已经够用了——写代码、分析数据、生成内容，这些任务Claude做得很好。

真正的瓶颈是Agent之间的信息传递。一个Agent完成任务后，怎么让下一个Agent准确理解上下文？怎么确保任务状态不丢失？怎么处理一个Agent超时或失败的情况？

我们的做法是：所有Agent交接都写文件，不依赖"内存"传递。完成一个步骤就更新task-tracker.md，下一个Agent上来先读文件了解现状。这种"shared state via files"的架构很原始，但非常可靠。

更优雅的方案是结构化的消息队列，但对于小团队来说过于复杂。文件系统就是最好的简单消息总线。

一是多模态Agent的实用化。现在大家说的多模态主要是"能看图"，真正有价值的是"能操作图形界面"——Agent直接操作浏览器、桌面应用，不需要API。这个能力今年会快速成熟。

二是本地推理的成本曲线。随着苹果和AMD在大内存消费级硬件上持续发力，私有化部署的门槛还会继续降。哪类任务用云API、哪类跑本地，这个决策框架会越来越重要。

三是Agent安全。MCP、工具调用、Agent协作——每扩展一层能力，攻击面就大一圈。提示词注入、权限提升、数据外泄，这些问题在生产级Agent系统里已经不是理论威胁。这块我会持续写。

就这些，下个月见。