「RAG已死」「Skills杀死了MCP」「你不需要阅读AI生成的代码」——这些关于AI辅助开发的热门观点，究竟是行业真相还是社交媒体上的流量收割？GitHub官方博客近日发布的深度讨论，为我们提供了来自一线的冷静分析。
RAG未死，只是不再是焦点
「RAG已死」是近年来最具煽动性的论断之一。但GitHub播客最新一期节目中的讨论表明，这一判断过于武断。
检索增强生成（Retrieval-Augmented Generation）的核心价值在于为AI系统提供训练数据之外的相关信息——这包括技术文档、支持记录、产品细节、内部知识或代码库上下文。GitHub的观点是：RAG并非过时，而是已经足够成熟，成熟到不再是需要刻意宣传的新鲜事物。
真正的变化在于应用场景的分化。当企业需要将私有代码库知识注入AI响应时，当客服系统需要实时检索产品文档时，当法律助手需要连接最新判例数据库时——RAG仍是不可替代的基础架构。只是在社交媒体上，人们更愿意讨论大模型参数量的刷新，而非这些看不见的技术管线。
Skills与MCP：解决不同层次的问题
关于「Skills杀死了MCP」的论断，GitHub明确表示否定。两者解决的是不同层次的问题。
Model Context Protocol（MCP）的核心价值是标准化。它为AI Agent提供了连接工具和数据的标准方式——当你想让不同厂商的AI系统协同工作时，统一的协议接口至关重要。没有标准，每一次集成都需要定制开发，系统之间的互操作性无从谈起。
Skills则更接近于「封装好的专业知识」。一个Skill可以解释团队的工作流程、项目该如何修改、某个工具应该如何使用、哪些约定俗成需要遵守。由于Skill通常以Markdown格式编写，人类也可以直接阅读——这种可读性本身就是价值的一部分。
MCP提供访问能力，Skills解释如何使用这种能力。两者的结合远比非此即彼的竞争关系更有意义。
GitHub Copilot的Rust迁移：80万行代码的AI重写实验
最能说明AI辅助开发规模效应的案例，可能来自GitHub自身。
GitHub近日披露，他们使用GitHub Copilot辅助，将Copilot Agent运行时从TypeScript/Node.js完全重写为超过80万行生产级Rust代码。整个迁移跨越128个Pull Request，由AI编写了大部分代码，历时数月完成。按照传统开发模式估算，这样的工作量需要一个团队耗费一到两年。
值得注意的是，迁移过程采用增量式推进——代码分批合并，而不是等到最终节点一次性切换。这种策略使回归问题得以快速发现和修复，运行时性能也获得了数量级的提升。
Copilot Agent运行时不仅支撑GitHub Copilot CLI和移动应用，还被嵌入VS Code、Visual Studio、Copilot Code Review、Cowork、Studio以及Microsoft 365办公套件等产品中。共享运行时的架构选择意味着一次性能优化可以惠及所有接入产品。
人工审核仍不可替代
尽管AI生成代码的效率大幅提升，GitHub的立场是：你仍然需要阅读代码，并对其负责。
差异在于审查的侧重点。对于维护了十年的代码库，开发者的直觉与判断力远超过初次接触该项目的AI。对于新建项目，AI生成的代码可能需要更多关注错误处理、权限控制、数据访问和性能表现。
一个实用的原则是：审查代码直到能够解释并承担其后果。有时候，这意味着在使用AI之前就完成理解——阅读现有实现、梳理依赖关系、识别边界情况。当AI生成代码时，审查的重点转移到它可能出错的地方。
AI改变的是工作量分布，而非工作量本身。真正的技能在于知道风险藏在哪里。
招聘市场对AI工具的真实态度
关于「不用AI就找不到工作」的说法，GitHub播客中的讨论认为这过于简化。
现实是更多团队开始询问候选人如何使用的AI。这有其合理性——AI工具正在成为软件开发的一部分。但没有人认为所有开发者需要相同的工作流程或相同程度的热情。
更强的信号是判断力：你能否说清楚何时该用AI、何时该手动处理？能否描述如何审查AI生成的代码？能否坦诚讨论速度、质量、安全性和可维护性？能否随着工具演进调整自己的流程？
对AI工具的熟练使用正在成为技术能力的一部分，但完全依赖和完全排斥都是极端答案。
AI 会员开通推荐
免 KYC 虚拟卡，可开通各类 AI 会员：立即注册