简介：围绕Agent执行能力标准化这一主线，系统对比Prompt、Function Calling、MCP与Agent Skill在推理范式、工具调用、上下文效率、任务可靠性及工程落地上的差异。文章结合发展历史、核心机制、适用场景与迁移注意事项，帮助开发者理解“何时该用提示词、何时该引入工具标准、何时该沉淀为技能”，并给出可执行的选型判断依据。
在智能体应用开发中，有几个概念常被混在一起：Prompt、Function Calling、MCP、Agent Skill。它们都围绕一个核心问题：如何让大模型在真实任务中更可靠地理解、规划并调用外部能力。
但这一问题在不同阶段有不同的解法：
这些概念不是互相替代那么简单。它们的差异体现在抽象层级、标准化程度、上下文占用、任务可靠性和工程落地方式上。理清这些差异，对技术选型和架构设计有直接帮助。
Prompt是使用者向模型传达意图、任务目标、约束条件和输出格式的自然语言文本。在工具调用场景中，Prompt通常承担两类职责：
Prompt的优点是灵活、直接、无需额外工程改造。缺点是当工具很多、规则复杂或任务链较长时，Prompt会迅速膨胀，消耗大量上下文窗口，同时也增加了模型误解和遗漏约束的概率。此外，Prompt中的工具描述缺乏统一格式，同一工具在不同Agent框架中可能需要反复重写说明，维护成本较高。
ReAct是一种推理与行动交替进行的范式。模型在每一步中先进行推理，判断当前需要获取什么信息，然后执行一个动作，再观察动作结果，继续下一步推理。它解决了单纯依赖思维链时缺乏外部反馈的问题。
Function Calling则是模型输出结构化调用指令的一种能力。模型不再只输出自然语言，而是可以输出一份结构化的调用请求，例如一个JSON对象，其中包含要调用的函数名和参数。这使外部系统可以确定性地解析模型意图，并执行真实的工具调用。
两者的关系可以这样理解：ReAct负责“宏观上如何循环思考与行动”，Function Calling负责“微观上某一步如何表达一次工具调用”。ReAct为智能体提供任务执行框架，Function Calling为框架中的动作提供确定性接口。
MCP的目标是让工具和数据的发现、描述、调用方式标准化。在MCP出现之前，不同Agent框架对工具的定义方式各不相同，同一个API被接入不同框架时，往往需要适配不同的封装格式。MCP试图通过统一的协议，让工具提供方一次封装，即可被多种智能体环境使用。
MCP的核心贡献在于“解耦”。它将工具提供方与工具消费方分离：一方提供标准化的工具描述和调用接口，另一方通过统一协议发现和调用工具。这种标准化更偏向接入层，关注的是“工具如何被描述、发现和调用”，而不是“某个具体任务应该按什么流程完成”。
Agent Skill可以理解为一种更高层级的封装。它不仅描述“有哪些工具可用”，还描述“在什么场景下、按什么步骤、以什么标准完成一类任务”。一个Skill通常包含：
从工程角度看，Agent Skill把原本大量写入Prompt的执行经验、规则和流程，从“每次临时描述”变成“可引用、可组合、可版本化的技能单元”。当模型执行任务时，只需加载相关Skill，而不必每次都把完整流程写入上下文。这对Token效率和中长任务的稳定性有明显价值。
从时间线看，这些概念的出现不是偶然的，而是沿着“模型能力增强—工程需求复杂化—标准化需求上升”的路径演进。
早期模型能力有限，开发者通过Prompt把工具信息尽可能详细地交给模型，让模型在文本层面理解工具。这一阶段的主要瓶颈是模型是否“读得懂”。
当模型基础能力提升后，读得懂已经不够，还需要“调得准”。Function Calling在这一阶段成为关键能力，它让工具调用从模糊文本变成结构化指令，大幅减少了解析错误。
随着工具数量和Agent框架的爆发式增长，“调得准”又面临新的问题：同一个工具在不同框架中定义不一致，接入成本高，生态碎片化严重。于是MCP出现，试图从协议层面统一工具发现与调用方式。
但MCP解决的是“工具怎么接”，并没有解决“任务怎么做”。当开发者把大量执行知识塞进Prompt时，上下文成本高、流程冗长、复杂任务成功率低等问题逐渐暴露。Agent Skill的出现，正是为了把这些执行知识从Prompt中抽离出来，变成结构化、可复用的技能包，让模型按需加载。
这一演进路径可以概括为：从表达意图到规范调用，从规范调用到统一接入，从统一接入到沉淀执行方法。
四个概念虽然层级不同，但有若干共同点。
共同目标：提升模型完成真实任务的成功率。 无论是Prompt的描述、Function Calling的结构化输出、MCP的协议标准，还是Agent Skill的流程封装，最终目标都是让模型在复杂、多变的环境中更准确地执行动作，获得更可靠的反馈，并持续改进结果。
都依赖外部能力增强模型。 大模型本身不具备实时数据访问、精确计算或系统操作能力。这些概念都围绕“如何让模型更好地使用外部工具、数据和流程”展开。
都可以与ReAct式循环配合。 ReAct提供了一个通用的执行框架：推理、行动、观察、再推理。Prompt负责描述当下的推理与行动要求；Function Calling负责实现一个具体行动；MCP负责该行动的接入规范；Agent Skill负责给出一连串行动的操作流程。它们在不同层面共同服务于同一个循环。
都处在标准化进程中。 Prompt工程正在形成更系统的描述规范，Function Calling已经成为模型基础能力的事实标准，MCP在工具接入层推进统一协议，Agent Skill则尝试在执行方法层建立开放标准。标准化的驱动力来自降低集成成本、提高复用效率。
Prompt处于最底层，直接面向模型输入；Function Calling是模型输出的一种结构化形态；MCP介于工具提供方与消费方之间，是接入层的协议；Agent Skill则是最上层的执行知识封装。
抽象层级决定了使用方式。Prompt写在哪里都可以，但可移植性差；Function Calling依赖模型和运行框架支持；MCP需要协议双方都实现标准；Agent Skill需要运行环境支持技能的发现、加载与执行。
Function Calling标准化的是“一次工具调用的表达格式”。它规定模型输出如何携带函数名和参数，但不管工具本身如何被发现、描述和管理。
MCP标准化的是“工具如何被描述、发现和调用”。它让工具提供方用一种统一方式暴露能力，让消费方用统一方式接入，解决跨框架兼容问题。
Agent Skill标准化的是“一类任务如何被描述和执行”。它把任务流程、决策规则、工具组合和异常处理打包，目标是让执行知识可复用、可组合、可版本化。
传统Prompt方案中，执行一个复杂任务的所有步骤、规则和工具说明都需要提前写入上下文。任务越复杂，Prompt越长，占用Token越多，模型注意力越容易被稀释。
Agent Skill通过按需加载的方式改善这一问题。基础Prompt只保留任务目标和技能引用，具体流程和规则在需要时加载。这样既减少了上下文占用，又让模型把注意力集中在当前执行步骤上。对于多步骤、多分支的复杂任务，这种差异尤为明显。
Prompt保障可靠性的方式主要是“写得更清楚、更完整”。这在一定程度上有效，但当任务过于复杂时，描述和规则之间可能出现冲突，模型也可能忽略细节。
Function Calling通过结构化输出，减少了工具调用层面的不确定性。MCP通过统一协议，减少了工具描述层面的偏差。Agent Skill则更进一步，通过预定义的执行流程和决策分支，把原本依赖模型即时推理的部分工作，转化为可复用的操作规范。模型从“每次都重新想一遍”变成“按技能中的流程执行”，稳定性有所提升。
但需要说明的是，Agent Skill并不完全替代模型推理。它提供的是流程骨架和经验约束，模型仍需要在具体步骤中进行推理和判断。因此，它更适合流程相对固定但执行中仍有变化的任务类型。
Prompt方案工程成本最低，修改灵活，但规模化复用和维护困难。当多个Agent需要相同能力时，Prompt片段需要在不同项目中复制和同步。
Function Calling需要开发者在模型与真实工具之间实现解析、路由和执行逻辑。不同工具的接入方式仍可能不同。
MCP需要部署或接入协议服务端，并在Agent框架中实现客户端支持。一次性改造完成后，新增工具的边际成本会降低，但对团队的技术栈有一定要求。
Agent Skill需要设计技能结构、维护技能版本、管理技能依赖，还要考虑技能发现与冲突处理。它适合已经具备一定Agent工程基础，且有多任务复用需求的团队。
| 对比维度 | Prompt | Function Calling | MCP | Agent Skill |
|---|---|---|---|---|
| 核心定位 | 任务与约束表达 | 结构化工具调用输出 | 工具发现与调用协议 | 可复用执行知识封装 |
| 抽象层级 | 最底层输入 | 模型输出层 | 工具接入层 | 执行方法层 |
| 标准化对象 | 无固定标准 | 一次调用的表达格式 | 工具描述与调用协议 | 一类任务的执行流程与知识 |
| 上下文占用 | 通常较高 | 取决于调用频率 | 中等 | 按需加载，相对较低 |
| 任务可靠性 | 依赖提示词质量 | 提升调用确定性 | 提升工具一致性 | 提升流程一致性 |
| 复用性 | 较弱 | 中等 | 较强 | 较强 |
| 接入改造量 | 低 | 中 | 中高 | 中高 |
| 适用任务复杂度 | 简单到中等 | 中等 | 中等偏复杂 | 复杂、多步骤、可复用 |
| 主要瓶颈 | 上下文长度与理解偏差 | 多工具解析与路由 | 协议生态与实现成本 | 技能设计与维护成本 |
如果只是做一个内部原型，工具数量少，任务路径清晰，使用Prompt描述工具和规则即可。开发成本最低，迭代最快。
比如一个内部问答助手，只需调用一个知识库查询接口。在Prompt中说明“如果需要查询知识库，请调用查询函数，参数为关键词”，再配合基础指令即可工作。此时引入MCP或Agent Skill都属于过度设计。
当任务涉及多个工具，但每个工具的调用逻辑简单、工具本身相对稳定时，Function Calling是合适的方案。开发者可以将每个工具封装为可调用函数，由模型根据用户输入选择合适函数并生成结构化参数。
例如一个办公助手需要查询天气、日程和邮件。三个工具数量不多，调用方式清晰，Function Calling可以满足需求，同时保持较低架构复杂度。
当组织内工具数量众多、由不同团队提供、且需要被多个Agent应用复用时，MCP的标准化优势开始显现。通过统一协议接入，可以减少每个工具在不同项目中重复适配的成本。
例如企业内有十多个内部API需要被不同Agent使用，包括订单、库存、用户、权限等。MCP可以让工具提供方只维护一套描述和服务端，消费方按统一协议接入，降低整体集成成本。
当一类任务需要固定步骤、多个工具配合、常见异常处理，且同类任务会重复出现时，Agent Skill可以发挥明显价值。将“怎么做”的知识封装为技能，可以减少每次重复编写Prompt的工作量，也能提升复杂任务执行的一致性。
例如一个数据分析任务需要先获取数据源、再做质量检查、然后按规则清洗、最后生成报表。如果这个流程每周都要执行，将其封装为Skill后，模型只需加载该Skill并按流程执行，不再需要每次都在Prompt中完整描述所有步骤。
团队处于早期阶段，任务简单，优先用Prompt。 不必为了技术概念而引入复杂架构。先把任务跑通，验证场景价值。
工具调用是核心需求，调用逻辑清晰，可以直接基于Function Calling构建。 这是当前多数智能体应用的基础能力，开发成本相对可控。当工具数量增多、跨项目复用需求明显时，再考虑接入标准化协议。
组织内工具多、提供方分散、复用频率高，可以评估引入MCP。 但需要在团队中形成协议实现与运维规范，避免各团队按不同方式实现导致新的碎片化。
已经拥有多个成熟Agent应用，且存在大量重复的多步骤任务，可以开始沉淀Agent Skill。 建议先从一两个高频、流程相对固定的任务入手，验证技能结构是否满足需求，再逐步扩展。
在实际项目中，这些能力并非互斥。一个成熟的智能体应用可能同时使用Prompt进行任务意图表达、Function Calling执行工具调用、MCP管理工具发现与接入、Agent Skill组织复杂任务流程。关键是理解每层能力解决什么问题，避免在错误的层级上强行解决。
如果项目正在从“全部写入Prompt”的方式向“工具标准化”或“技能化”演进，需要注意以下几点。
不要在Prompt中继续堆叠已经标准化的内容。 接入MCP后，工具说明应由协议层提供，不应再重复写入Prompt，否则会造成描述冲突和上下文浪费。应明确信息归属：工具元信息由协议管理，任务意图由Prompt表达。
Skill的边界要清晰。 一个Skill不应包罗万象，也不要拆得太细。过于宽泛的技能会让模型难以判断何时使用，过于细碎的技能又会增加发现、加载和维护成本。通常以一个可独立交付的任务单元为边界，例如“数据清洗”“订单异常排查”“周报生成”。
注意执行知识与工具接入的分离。 MCP负责“工具有什么、怎么调”，Skill负责“任务怎么做”。两者不应互相替代。Skill中可以声明依赖某些工具，但工具的具体描述和调用协议仍应交由MCP或上层工具管理组件处理。
版本管理不可忽视。 Prompt、Skill和工具协议都会变化。如果Skill依赖特定版本的工具描述，升级工具时可能影响技能执行结果。建议在工程中为Skill和工具建立明确的版本关联与兼容性检查机制。
安全与权限边界。 标准化和技能化让工具调用更自动化，也意味着权限控制更需要被精细设计。不同Skill可能调用不同敏感级别的工具，应在执行层设置工具权限校验，而不是仅依赖Prompt中的自然语言约束。
Prompt、Function Calling、MCP与Agent Skill并非同一层面的竞争关系，而是智能体执行能力在不同阶段的标准化产物。
Prompt回答的是“任务是什么”，Function Calling回答的是“这一步调用什么”，MCP回答的是“工具如何被统一接入”，Agent Skill回答的是“一类任务按什么流程可靠完成”。
选型时不必追求最高级的概念，而应根据任务复杂度、工具生态规模、复用频率和团队工程能力，选择当下成本最低且能满足可靠性要求的方案。随着系统演进，再逐步在合适的层级引入标准化能力。最合理的架构，通常不是某一项技术的单独胜利，而是各层能力各司其职的组合结果。