简介：本文系统辨析智能体技术体系中Skill、MCP与Prompt三个易混淆概念的定义、职责边界与协作关系。读者将掌握三者在能力封装、工具接入与指令表达上的本质差异，理解何时应沉淀可复用Skill、何时需引入MCP标准化工具调用，并能据此做出合理的架构选型与工程化拆分决策。
在构建基于大模型的智能体（Agent）系统时，开发者经常会同时接触到 Skill、MCP 与 Prompt 这三个概念。它们都作用于“让智能体表现得更好”这一目标，但所处的抽象层次、承担的职责以及工程化方式截然不同。混淆三者，往往会导致系统设计出现耦合过重、复用性差、维护成本高等问题。本文从定义出发，系统梳理三者的本质区别与协作关系。
Prompt（提示词） 是送入模型的自然语言指令与上下文内容，是模型推理的直接输入。它描述“要做什么、按什么要求做”，本质上是一种运行时表达，随对话或任务即时构造，通常不具备独立的产品化形态。
Skill（技能） 是对某一类专业能力的结构化封装，包含指令、流程知识、约束条件乃至配套资源。它回答的是“这类任务应该怎么做才专业”，是把领域知识从某一次具体对话中剥离出来、沉淀为可被多个智能体或多个会话复用的能力单元。
MCP（Model Context Protocol，模型上下文协议） 是一套标准化协议，用于规范智能体与外部工具、数据源之间的连接方式。它解决的是“智能体如何以统一接口访问外部能力”的问题，属于集成层的基础设施，而非能力内容本身。
可以用一句话概括三者的分工：Prompt 表达意图，Skill 封装方法，MCP 打通连接。
三者的出现分别对应三类不同的工程痛点。
Prompt 解决的是意图传达问题。模型能力再强，也需要明确的指令来约束输出形式、语气与边界。但 Prompt 的作用范围局限于单次调用，天然不具备跨会话的复用结构。
Skill 解决的是专业知识复用问题。设想安全审查流程、数据分析方法这类专业能力，如果把它们写死在某个子代理（Sub-Agent）里，那么当多个代理或多段对话都需要同一类专业能力时，就只能反复复制，知识散落各处、难以统一演进。将它们抽取为 Skill，就获得了可移植性与复用性——任何具备相应权限的代理都可以加载并应用这套通用专业知识。
MCP 解决的是工具接入标准化问题。当智能体需要访问数据库、文件系统、检索服务或业务系统时，若每接入一个工具就写一套私有适配逻辑，系统会迅速变得脆弱且难以扩展。MCP 通过统一协议描述工具的能力与调用方式，使工具接入从“点对点定制”转变为“面向协议集成”。
Prompt 的构成通常包括角色设定、任务描述、输入数据、输出格式约束与示例。它在每次请求时被组装并送入模型上下文，属于无状态的一次性输入。其“工作原理”就是直接影响模型的概率分布，引导生成方向。
Skill 的构成一般包含元信息（名称、适用场景）、指令模板、分步流程、判断规则、所需工具声明以及可能的参考资源。运行时，智能体根据任务特征匹配并加载相应 Skill，将其内容注入上下文，从而在不重新训练模型的前提下获得专业行为。Skill 的关键特征是声明式与可组合：它描述“应该怎样做”，而不绑定具体执行者。
MCP 的构成围绕协议层展开：服务端暴露工具清单与调用接口，客户端按统一格式发起请求并接收结果。其工作流程可示意为：
智能体 → (MCP 客户端) → 标准化请求 → (MCP 服务端) → 外部工具/数据源← 标准化响应 ←
这种分层使工具的增删改不影响智能体主体逻辑，显著提升系统的可维护性与互操作性。
优先使用 Prompt 的场景：一次性任务、输出格式微调、角色语气控制、简单的信息抽取或改写。这类需求变化快、耦合低，用 Prompt 直接表达成本最低。
优先使用 Skill 的场景：多个代理或多段对话都需要同一类专业能力时，应创建 Skill 而非把知识写死在某个子代理里。典型如统一的安全审查流程、标准化的数据分析方法、固定的文档撰写规范、合规检查清单等。判断标准很简单：这份知识是否会被第二次、第三次复用？如果是，就应当沉淀为 Skill。
优先使用子代理（Sub-Agent） 的场景：需要独立执行任务、配备特定工具权限、并保持上下文隔离的工作流。子代理是为特定工作量身定制的解决方案，强调执行边界与权限控制；而 Skill 强调通用专业知识的横向传播。二者的关系是：Skill 提供“怎么做”的知识，子代理提供“谁来做、用什么权限做、在什么隔离环境中做”的执行载体。
优先使用 MCP 的场景：需要接入多个外部系统、希望工具接入方式统一、或需要让不同智能体共享同一套工具生态。当工具数量增长、接入方多样化时，协议化集成的收益会快速放大。
常见的误解是把三者视为替代关系，实际上它们是分层协作的：
一个完整的智能体行为往往是三者叠加的结果：Prompt 给出当前任务目标，Skill 注入专业流程与判断规则，MCP 提供流程中所需的外部工具调用通道。换言之，Skill 内部可以声明“需要调用哪些工具”，而这些工具通过 MCP 统一接入；Prompt 则在运行时把具体任务参数填入 Skill 提供的模板。
需要特别强调的是 Skill 与子代理的边界：Skills 适合教授任何代理都能应用的通用专业知识，具有可移植性和复用性；子代理则适用于需要独立执行、专属工具权限与上下文隔离的场景。把通用知识写进子代理，会造成知识重复与更新困难；反之，把高度依赖特定权限与隔离的执行逻辑硬塞进 Skill，则会让 Skill 失去通用性。
第一，避免职责越界。不要用 Prompt 承载本应沉淀为 Skill 的复杂流程知识，否则每次调用都要重复长篇指令，既浪费上下文又难以保证一致性。
第二，控制 Skill 粒度。Skill 过细会导致加载与匹配开销上升，过粗则丧失复用价值，建议围绕“一类可独立描述的专业能力”划分。
第三，明确权限边界。Skill 本身是知识与方法，不应隐含越权操作；涉及敏感数据或高权限动作时，应通过执行载体与协议层的权限控制来约束。
第四，保持协议中立。在采用标准化协议接入工具时，应确保工具描述准确、输入输出契约清晰，避免因契约模糊导致的调用失败或结果误用。
第五，关注上下文成本。三者都会占用模型上下文窗口，需在复用性与上下文开销之间取得平衡，必要时对 Skill 内容做分层加载。
Prompt、Skill 与 MCP 分别对应智能体系统的表达层、知识层与集成层。Prompt 是即时的意图表达，Skill 是可复用的专业方法封装，MCP 是标准化的外部能力连接协议。理解三者的定义与边界，本质上是在理解智能体工程化的分层思想：把变化频繁的意图留在 Prompt，把稳定复用的知识沉淀为 Skill，把多样异构的外部能力收敛到统一协议。据此拆分，系统才能兼顾灵活性、复用性与可维护性。