韩国峨山医疗中心8周AI（人工智能）培训：非IT医护也能上手MCP（模型上下文协议）与AI智能体
一项发表于《JMIR医学教育》的摘要级研究，描述了在韩国峨山医疗中心开展的8周、56小时生成式AI（人工智能）集中培训：课程以模型上下文协议（MCP）与AI智能体（AI agent，可自主调用工具完成任务的软件）为核心，37%的现场教学时间用于MCP，71%用于动手实践，并配合资助的AI工具订阅、院内云平台和每周3至6小时的团队辅导。
前后问卷显示，课程投入最多的技术对应最大的自我效能提升，非IT人员进步普遍大于IT专业人员； 但岗位胜任力仍低于量表中点，知识—实践差距明显。 研究为摘要级证据，尚未显示同行评审全文细节。
该研究名为《Teaching Model Context Protocol, Retrieval-Augmented Generation, and AI Agents to a Multidisciplinary Hospital Workforce: Single-Group Pre-Post Survey Study》，发表于《JMIR Medical Education》，DOI为10.2196/97822。
培训在韩国首尔峨山医疗中心（Asan Medical Center）现场进行，并同步在线直播至两家区域附属医院。 课程共31小时现场教学，其中11.5小时（37%）用于模型上下文协议（MCP），22小时（71%）用于动手实践； 课程覆盖检索增强生成（RAG）、MCP、LangGraph编排和AI（人工智能）智能体设计。 参与者按团队获得每周3至6小时辅导。
前后问卷样本为培训前83人、培训后64人，采用柯氏一级至三级评估，并对开放式反思做主题分析。 结果显示MCP相关的自我效能差异最大（d=1.57，总体效应r=0.574）； 非IT专业人员、临床医生、健康信息管理人员、研究人员和行政人员的提升普遍大于IT专家； 部分参与者首次通过“氛围编程”（vibe coding）写代码。
课程节奏评分最低，总体满意度为4.03/5。 12个团队中11个展示了可用原型，其中1个已在临床科室进入试点使用。
这项摘要级证据的直接价值在于：它把MCP（模型上下文协议）和AI（人工智能）智能体从工程团队的议题，搬到了医院这类高风险、多角色机构的培训场景。 其可核验的观察是课程时间分配与自我效能提升的对应关系，以及非IT背景参与者的相对收益。 但它属于单组前后测设计，没有对照组，无法排除时间、工具订阅或团队氛围等混杂因素；
自我效能提升不等于临床工作质量提升，岗位胜任力仍低于量表中点也说明二者存在落差。 对Agent（智能体）与工作流赛道而言，值得记取的是：Agent能力的落地瓶颈可能不在模型本身，而在组织内非技术人员的上手路径与培训后的持续支持。
后续观察信号
- 检索该研究团队是否发布后续全文或更大样本的对照研究
- 查证峨山医疗中心是否有院内AI（人工智能）智能体平台的公开部署说明
- 关注其他医疗机构是否出现类似MCP（模型上下文协议）与Agent培训项目