Prompt、Agent、Function Call、Skill、MCP一文分清

作者：Nicky2026.11.03 20:53浏览量：0

简介：Prompt、Function Call、Agent、Skill与MCP是大模型应用开发中最容易混淆的五个概念。本文从定义出发，系统讲清每个概念“是什么、解决什么问题、处于哪一层”，并结合通用示意代码、典型协作场景与对比表格，帮助开发者快速建立完整认知框架，为架构设计与技术选型理清思路。

agent-function-call-skill-mcp-">Prompt、Agent、Function Call、Skill、MCP一文分清

一、开篇：这五个概念为什么容易混淆

随着大模型从“聊天工具”演进为“能执行任务的系统”，技术栈正在快速分层：怎么跟模型说话、怎么让它调用接口、怎么让它自主完成目标、怎么组织它的能力、怎么把它接进企业系统——每一步都催生了一个专门的概念。这五个概念并不处在同一个抽象层级上，却经常出现在同一篇文档、同一场分享里，因此极易混淆。

可以先用一句话建立直觉：

  • Prompt 是你跟AI说的“人话”；
  • Function Call 让AI能“动手干活”；
  • Agent 让AI会“思考规划”；
  • Skill 是AI的“职业技能证书”；
  • MCP 是AI世界的“USB接口”。

下面逐层拆解，说清每个概念的定义、原理、边界与相互关系。

二、Prompt：与模型沟通的“普通话”

2.1 定义

Prompt（提示词）是输入给大模型的指令与上下文信息的总称，通常由系统提示词（System Prompt）和用户提示词（User Prompt）等部分组成。它决定了模型“以什么身份、按什么规则、回答什么问题”。从技术视角看，Prompt是模型推理的直接输入；从使用视角看，它是人类意图与模型能力之间的“翻译官”。Prompt质量的高低，直接决定模型输出的准确性、稳定性与安全性，因此围绕它形成了“提示词工程”这一专门方法论。

2.2 基本结构与示意代码

在具体工程中，开发者通常通过各云服务商提供的模型服务接口完成调用（如百度智能云的模型服务），各家接口形态大同小异，核心都是“组织好消息列表，发起一次对话”。以下为与具体框架无关的通用示意代码（伪代码）：

  1. // 通用示意代码：构造一次最基本的模型调用
  2. String systemPrompt = "你是一名资深Java架构师，擅长用通俗语言解释技术概念。";
  3. String userPrompt   = "请解释什么是MCP协议。";
  5. ChatResponse response = modelClient.call(
  6.         new Prompt(systemPrompt, userPrompt));
  7. String answer = response.getOutputText();

其中系统提示词设定角色与约束，用户提示词承载具体问题，二者共同构成一次完整交互的最小单元。

2.3 进阶用法：提示词模板

实际业务中很少手写一次性提示词，而是把提示词沉淀为可复用的模板，用变量填充动态内容，从而保证输出风格稳定、便于统一评测与迭代：

  1. String template = """
  2.         你是一名资深Java开发工程师。
  3.         请根据以下需求生成Java代码，要求：
  4.         1. 包含必要的注释；
  5.         2. 考虑异常处理；
  6.         3. 输出完整的类代码。
  7.         需求：%s
  8.         """;
  9. String prompt = String.format(template, requirement);

2.4 价值与边界

Prompt解决的是“沟通”问题。但它有一个天然边界：模型本身只能“说”，不能“做”——它无法查数据库、无法调内部接口、无法发送消息。要让AI真正参与业务流程，就需要下一层的机制。

三、Function Call：让模型“动手干活”

3.1 定义

Function Call（函数调用，也称工具调用）是一种约定机制：开发者预先向模型描述可用的外部函数（名称、用途、参数结构），模型在对话中判断需要时，并不真的执行函数，而是输出一段结构化的“调用意图”（函数名加参数），由应用代码执行后，再把结果回传给模型继续生成回答。

必须强调一点：模型始终只负责“决定调用什么、传什么参数”，真正的执行者和安全边界都在应用侧。这一分工既发挥了模型的规划能力，也保留了工程上对权限与风险的控制权。

3.2 工作流程

  1. 注册：应用向模型声明可用函数及其参数的JSON Schema描述；
  2. 提问：用户输入自然语言请求；
  3. 决策：模型判断需要调用某函数，返回结构化调用请求；
  4. 执行：应用解析请求，执行真实逻辑（查库、调接口、发消息等）；
  5. 回传：将函数执行结果拼入上下文，模型据此生成面向用户的最终回答。

3.3 示意代码

  1. // 通用示意代码（伪代码），参数用业界通用的JSON Schema风格描述
  3. // 1. 声明可被模型调用的函数
  4. ToolSpec queryOrder = ToolSpec.of(
  5.     "queryOrder",                       // 函数名
  6.     "根据订单号查询订单状态与金额",        // 用途说明，供模型判断何时使用
  7.     Map.of("orderId", "string")         // 参数结构
  8. );
  10. // 2. 携带函数描述发起对话
  11. ChatResponse resp = modelClient.call(
  12.     new Prompt(userMessage, List.of(queryOrder)));
  14. // 3. 模型返回调用意图，由应用侧执行真实逻辑
  15. if (resp.hasToolCall()) {
  16.     ToolCall call = resp.getToolCall();
  17.     String result = orderService.query(call.getArg("orderId"));
  19.     // 4. 将结果回传，让模型生成最终自然语言回答
  20.     ChatResponse finalResp = modelClient.call(
  21.         new Prompt(userMessage, call, result));
  22. }

3.4 典型场景

查询类（天气、订单、库存）、动作类（创建工单、发送通知）、计算类（用确定性计算弥补模型的数值短板）等。凡是“模型不该猜、必须查真数据”的场景，都适合引入函数调用。

四、Agent：会“思考规划”的自主执行体

4.1 定义

Agent（智能体）是以大模型为“决策大脑”，能够围绕一个目标自主拆解任务、选择工具、执行动作、观察结果并持续迭代的软件系统。如果说单次Function Call像“一次抬手”，Agent就是把无数次动作组织成完整工作流的“调度者”。

4.2 核心组成

  • 规划：把模糊的目标拆解为可执行的子步骤，并根据进展动态调整顺序；
  • 记忆：短期记忆是对话上下文，长期记忆通常借助向量数据库等外部存储实现跨会话沉淀；
  • 工具使用：通过Function Call等机制触达真实世界的系统与数据；
  • 反思迭代：根据执行结果自我纠偏，而不是“一问一答就结束”。

4.3 运行循环

  1. 接收目标 → 思考(下一步做什么) → 行动(调用工具/生成内容)
  2.    ↑                                      ↓
  3.    └──── 观察(结果是否符合预期) ←──────────┘
  4.              （循环直至达成目标或触发终止条件）

4.4 与Function Call的关系

Function Call是Agent的“手”，Agent是“大脑加工作习惯”。没有Function Call，Agent只能想不能做；没有Agent式的规划循环，Function Call只能完成孤立的单步操作。二者是组件与系统的关系，而非竞争关系。

五、Skill：AI的“职业技能证书”

5.1 定义

Skill（技能）是对Agent能力的工程化封装：把完成某类任务所需的知识、流程、规则与工具调用方式，打包成一个可复用、可插拔的模块。Agent平时“轻装上阵”，接到相关任务时再“持证上岗”、按需加载对应技能。

5.2 一个Skill通常包含什么

  • 能力说明：告诉Agent“我擅长什么、什么场景该启用我”；
  • 领域知识：操作手册、业务规则、输出规范等文档化内容；
  • 工具依赖：该技能执行时需要调用的函数或外部服务；
  • 输入输出约定：任务的标准流程与交付格式。

每一点都不是可有可无的：能力说明决定技能能否被正确调起，领域知识决定执行质量，工具依赖决定能否落地，输入输出约定决定结果能否被下游稳定消费。

5.3 与Function Call、Agent的区别

  • Function Call面向“单次动作”：一次调用、一个结果；
  • Skill面向“一类任务的完整方法论”：内部可能封装了多组函数调用、专用提示词模板与业务规则；
  • Agent是执行主体，Skill是它可以装备的“能力包”。

5.4 价值

复用（一次封装、多处使用）、解耦（扩展能力不必改动Agent主体）、成本可控（按需加载，避免把所有说明一股脑塞进上下文，挤占有限的窗口资源）。

六、MCP：AI世界的“USB接口”

6.1 定义

MCP（Model Context Protocol，模型上下文协议）是一种开放协议，目标是把“AI应用与外部数据源、工具、服务之间的连接方式”标准化。就像USB统一了外设与电脑的接口，MCP统一了AI应用与外部能力之间的“插口”。

6.2 解决什么问题

在缺乏统一协议时，M个AI应用要对接N个数据源或工具，需要编写接近M×N套定制集成，重复开发且难以维护。引入统一协议后，工具方只需实现一次标准Server，任何支持该协议的AI应用都能即插即用，集成成本从M×N量级降为M+N量级。

6.3 基本角色

  • Host：AI应用本体（例如一个Agent应用）；
  • Client：应用内部负责与各Server维持连接的协议组件；
  • Server：对外标准化暴露“资源（可读数据）、工具（可执行操作）、提示模板”的轻量服务。

6.4 与Function Call的关系

二者不对立：Function Call回答“模型如何发起一次调用”，MCP回答“工具如何被发现、被描述、被标准地接入”。实践中常见形态是——模型发起Function Call，而调用的对象正是经MCP接入的标准工具。

七、五者关系总览

概念 一句话定义 所处层次 解决的问题
Prompt 输入给模型的指令与上下文 交互层 让模型准确理解人类意图
Function Call 模型输出结构化调用意图 触发层 让模型能“做事”
Agent 以模型为大脑的自主执行系统 系统层 端到端完成复杂任务
Skill 可插拔的任务能力封装 能力层 让能力可复用、可扩展
MCP 连接AI与外部工具的开放协议 连接层 统一集成标准，降低对接成本

从下往上看：MCP负责“接进来”，Function Call负责“调得动”，Skill负责“组织好”，Agent负责“跑完全程”，而Prompt贯穿始终，是每一层中人与模型、组件与模型之间传递意图的“普通话”。

八、一个典型协作场景

以“生成本周订单运维日报”为例，走一遍完整链路：

  1. 用户通过Prompt下达目标与格式要求；
  2. Agent进行规划：取数 → 计算指标 → 生成图表 → 撰写报告；
  3. Agent经MCP发现企业已注册的数据服务与消息服务，获得标准化工具清单；
  4. 针对每次取数，模型通过Function Call输出结构化调用请求，应用执行后回传结果；
  5. “日报撰写”的方法论被封装为Skill，Agent按需加载其中的写作规范与模板；
  6. 全部完成后，Agent汇总输出日报，并经消息工具推送出去。

一条链路上，五个概念各司其职、缺一不可。

九、使用注意事项

  • Prompt：需要持续迭代与效果评测；警惕提示词注入风险；模板应纳入版本管理，避免线上随意改动；
  • Function Call：严格校验入参类型与范围；对敏感操作增加权限控制与二次确认；设置超时、重试与幂等机制；
  • Agent：设定明确的终止条件与最大步数，防止无限循环；控制token成本预算；关键动作引入人工审批与审计日志；
  • Skill：职责单一、边界清晰，避免技能之间循环依赖；能力说明写得越准确，被Agent正确调起的概率越高；
  • MCP：遵循最小权限原则分配工具；做好鉴权与访问控制；对Server的可用性、版本兼容性进行监控，避免协议升级导致连接失效。

十、总结

回到定义本身：Prompt是意图的载体，Function Call是动作的触发器，Agent是自主完成任务的大脑，Skill是可插拔的能力包，MCP是标准化的连接协议。 五者分别位于交互、触发、系统、能力组织与连接五个不同层次，共同构成“会沟通、能动手、有章法、可扩展、易集成”的大模型应用技术栈。理解每个概念“是什么、在哪一层、解决什么问题”，比记住任何比喻都更重要——只有建立在这一认知框架之上，开发者才能在架构设计与技术选型时准确划定各组件的职责边界，避免概念混用带来的设计混乱。

最热文章