Agent Skill、MCP与Prompt的区别详解

一、开门见山：三个概念到底是什么

在构建大模型智能体时，Prompt、MCP、Agent Skill经常被同时提及，但它们并不在同一个抽象层次上，回答的也不是同一个问题。

Prompt（提示词）：运行时输入给大模型的指令与上下文集合，包括系统提示、用户消息、少样本示例、检索到的参考资料等。它决定模型“怎么想、怎么答”，是作用于表达层的文本输入。

MCP（Model Context Protocol，模型上下文协议）：一种开放标准协议，用于统一智能体与外部工具、数据源之间的发现、连接和调用方式。它解决“连什么、怎么连”的问题，是作用于连接层的协议规范，2024年底由某头部大模型厂商发布后逐步被主流智能体框架采纳。

Agent Skill（智能体技能）：一种把完成某类任务的完整方法论打包成可分发、可按需加载的能力包的开放标准。一个Skill通常表现为一个文件夹，包含元数据文件、标准作业流程（SOP）文档，以及可选的脚本和参考资源。它解决“复杂任务怎么做得又对又稳”的问题，是作用于方法论层的经验封装，2025年由某面向编程场景的智能体CLI工具率先提出。

一句话概括三者的分工：Prompt管“想法怎么表达”，MCP管“能力怎么接入”，Skill管“经验怎么复用”。

二、从演进历史理解：为什么会出现这三层

概念太多理不清时，从历史角度看会发现技术演进有迹可循，每一层能力的出现都有其时代背景：

• 2022年10月（学术突破）：有研究者在论文中系统提出ReAct范式（Reasoning + Acting），让模型“想一步、做一步、看反馈、再想下一步”，弥补了纯思维链缺乏外部反馈、传统决策模型缺乏高层规划的缺陷。
• 2022年11月（技术突破）：新一代对话式大模型问世，验证了模型理解复杂指令、进行逻辑推理的基础能力，为一切上层能力提供了底座。
• 2023年初（学术突破）：工具自学习方向的研究证明，模型可以通过自监督方式学会“什么时候该调用什么外部接口”来增强自身。
• 2023年3月（产品落地）：某对话式AI产品推出插件机制，首次大规模尝试让模型访问实时信息、运行计算并使用第三方服务。
• 2023年6月（标准化）：主流大模型开放接口推出Function Calling（函数调用），模型能按JSON Schema输出结构化调用请求，工具接入从“模糊提示”走向“结构化协议”。
• 2023下半年至2024年（爆发期）：各类智能体框架与自治智能体项目蓬勃发展，但工具定义各自为政，生态呈烟囱式碎片化。
• 2024年11月（标准化）：MCP开放标准发布，统一了工具的发现与调用方式，把工具和数据从特定智能体框架中解耦，将“M×N”的集成难题化为“M+N”。
• 2025年（标准化）：业界针对编程场景的智能体CLI工具提出Agent Skills开放标准，以渐进式加载解决Token效率与任务成功率问题，让ReAct等思维框架能更有效地执行SOP。

规律很清晰：模型能力先行，调用接口标准化，再到连接协议标准化，最后是经验流程的标准化。Prompt、MCP、Skill分别诞生于这条演进链的不同阶段，彼此是叠加互补关系，而非替代关系。

三、核心组成与工作原理

1. Prompt：条件输入，引导生成

Prompt的本质是为模型生成提供条件。系统提示定义角色与边界，用户消息给出具体任务，示例和检索内容补充上下文。它零门槛、灵活、即时生效，但也脆弱：指令越长越容易被稀释注意力，常驻的超长说明会持续占用Token，且复用性差、难以版本化管理。

2. MCP：客户端—服务器架构

MCP采用客户端—服务器模式：

• MCP Server负责暴露能力：可执行的工具、可读取的数据资源、可复用的提示模板等；
• MCP Client（宿主智能体）负责发现能力并发起调用；
• 通信上同时支持本地进程方式与远程HTTP方式，分别适配本地工具与云端服务两类场景。

其核心价值在于解耦：工具开发者面向协议写一次服务，任何支持该协议的智能体都能直接使用，无需为每个框架重复适配。

agent-skill-">3. Agent Skill：渐进式披露的能力包

• 元数据文件：声明技能名称与描述，智能体启动时仅加载这一小段信息，Token占用极低；
• 操作手册（SOP）：描述该类任务的完整执行流程，只有当任务命中该技能时才整体载入上下文；
• 脚本与资源：确定性步骤（如格式校验、数据转换）交给脚本执行，减少模型推理的不确定性；大体量参考资料按需读取。

这种“渐进式披露”机制，正是它与“把所有说明一股脑塞进系统提示”的本质区别：用时才载入，用多少载多少。

三者的协作可以用示意代码表达：

# 1. Prompt：始终存在，定义角色与基本规则
system_prompt = "你是数据分析助手，所有输出需符合公司数据规范。"
# 2. MCP：统一发现并连接外部工具
tools = mcp_client.list_tools()   # 如：query_database、write_file、send_notification
# 3. Agent Skill：任务命中时才加载完整SOP与脚本
if user_task == "生成周度经营报表":
    skill = skill_registry.load("weekly-report-sop")
    skill.instructions.load()          # 此刻才注入完整流程文档
    result = skill.run(data_tools=tools)

四、三者区别：结构化对比

维度	Prompt	MCP	Agent Skill
本质	文本输入	通信协议标准	能力与知识封装包
解决的问题	表达意图、约束行为	连接外部工具与数据	沉淀可复用的作业流程
抽象层次	表达层	连接层	方法论层
生命周期	随每次请求存在	常驻服务进程	安装后按需加载
Token开销	随内容增长，常驻会挤占窗口	工具描述占用上下文	渐进披露，峰值占用低
变更成本	改文本即时生效	服务端独立升级	技能包版本化更新
复用性	低，多为场景定制	中，同一服务可跨应用复用	高，可跨智能体分发安装

澄清三个常见误区：

1. Skill不是MCP的替代品。MCP解决“连接”，Skill解决“方法”，二者定位互补：Skill可以在流程中规定智能体在什么时机、以什么顺序调用MCP提供的哪些工具。
2. Skill也不是“超级Prompt”。普通Prompt是即席指令，Skill是结构化、可版本管理、可携带可执行脚本的方法论资产。
3. MCP不只是“工具的JSON接口”。它还统一了资源读取、能力发现等语义，是面向上下文供给的完整协议。

五、易混概念辨析：Function Calling、Tool Calling与Agent

• Function Calling：模型侧的原生结构化能力。通过训练，模型能理解JSON Schema并在指令下生成规范的工具调用请求，它发生在“模型内部”。
• Tool Calling：应用侧的执行链路。智能体框架拿到模型输出的调用请求后，真正执行工具、获取结果、回填上下文，它发生在“模型外部”。
• Agent：具备规划（Planning）、记忆（Memory）、工具使用（Tool Use）三大能力，能根据模糊目标自主拆解任务、决策调用、依据反馈迭代的系统。

这些概念可以串成一条完整链路：Agent以ReAct等范式做规划，靠Prompt表达约束，通过Function Calling产生结构化调用意图，经由MCP连接外部工具，Tool Calling负责真正执行并回填反馈；当任务命中已沉淀的Skill时，则按既定SOP高效执行。

六、典型使用场景

• 重点打磨Prompt的场景：风格与格式控制、意图分类、知识问答等以“生成”为核心的任务，改几句话就能见效。
• 引入MCP的场景：需要连接数据库、对象存储、消息队列、搜索引擎、企业内部系统等外部能力，且希望工具跨应用复用、集中治理权限与审计。
• 沉淀Agent Skill的场景：任务有成熟SOP且要求输出稳定可复现，例如代码评审规范、部署检查清单、周报与数据分析流程、文档撰写规范。重复执行时，Skill把“每次靠模型临场发挥”变成“按既定方法执行”。

无论是基于百度智能云的大模型服务与智能体开发平台搭建应用，还是自建Agent框架，都建议按“先Prompt、再MCP、后Skill”的顺序演进：先把目标与约束写清楚，再接入必要的外部能力，最后把跑通的成功流程固化成技能包。

七、使用注意事项

1. 上下文预算管理：工具描述、技能说明都会占用窗口，应利用渐进披露与按需加载，避免把系统提示塞满。
2. 安全与权限：MCP Server遵循最小权限原则，敏感操作增加人工审批；Skill中的脚本应有沙箱隔离与执行确认；同时警惕通过工具返回内容或文档实施的提示注入攻击。
3. 版本与兼容：关注协议版本演进与技能包的版本管理，避免升级导致调用行为不兼容。
4. 可观测性：记录每次工具调用与技能执行的入参、出参与耗时，便于快速定位失败环节。
5. 避免过度设计：一次性任务用Prompt即可；流程尚未稳定之前，不必急于封装成Skill。

八、总结

回到定义本身：Prompt是“指令”，MCP是“接口标准”，Skill是“作业指导书”，三者分别作用于智能体的表达层、连接层与方法论层。从Function Calling到MCP再到Skills的标准化历程表明，智能体执行能力的工程化是自然演进的必然结果。理解每个概念“处在哪一层、解决什么问题”，才能在技术选型时不迷惑，在工程落地时不走样。