AI Skill、RAG、MCP有什么区别？如何选型

一、对比背景：为什么要把它们放在一起讲

大模型应用开发这几年走过了几个清晰阶段：早期大家靠手写长Prompt调教模型；随后为了让模型“知道”私有知识，RAG（检索增强生成）成了知识问答类应用的标准配置；再后来，MCP（Model Context Protocol，模型上下文协议）把“模型与外部工具、数据源如何连接”标准化，让模型能够实时调用外部系统；而近期讨论热度很高的Skill（智能体技能），则把领域知识、工作流程和示例封装成可复用、可组合、按需加载的“专业知识包”。

问题在于，这几个词经常被放在一起讨论，却很少有人讲清楚它们的边界。不少开发者的真实困惑是：都号称让模型“变强”，到底该用哪个？是不是有了Skill就不用RAG了？接了MCP还要不要写Prompt？本文以传统Prompt为基线，系统对比RAG、MCP与Skill的定位、机制和适用场景，并给出条件化的选型建议。

二、对象定义：它们分别是什么、解决什么问题

1. 传统Prompt：一次性文本指令

把系统指令、风格要求、少样本示例、注意事项全部写进一段或一组文本，每次对话都完整塞进上下文。它的本质是“告诉模型怎么做”，优点是零门槛，缺点是长Prompt动辄数千token、风格容易漂移、调好的经验难以沉淀复用。

2. RAG：给模型外接知识库

RAG的思路是“先检索、后生成”：离线阶段把文档切块、向量化并建立索引；在线阶段将用户问题检索出最相关的片段，拼进上下文再交给模型生成。它解决的是“模型不知道你的私有数据或最新数据”的问题，典型形态是向量库+检索器+生成链路。

3. MCP：给模型外接工具与数据服务

MCP是一类开放协议标准，采用客户端-服务端架构：开发者把能力封装成服务端，暴露工具、资源等接口，模型运行时按需调用。它解决的是“模型需要实时操作外部系统”的问题，比如查询业务数据、调用内部接口、写入系统状态。

4. Skill：可复用的领域专家知识包

Skill是近期社区热度很高的新范式，通常表现为一个文件夹：入口处只有名称、描述、适用场景等少量元信息，内部才是完整的方法论文档、参考资料、示例模板与可选脚本。它依赖“渐进式披露（progressive disclosure）”机制——先只把元信息放进上下文，模型判断当前任务命中某项技能时，再主动加载完整内容。典型结构示意如下：

skill-name/
├── meta.md        # 元信息:名称、描述、适用场景(常驻上下文,很短)
├── guide.md       # 完整方法论(命中后按需加载)
├── examples/      # 示例与模板(按需加载)
└── scripts/       # 可选辅助脚本(必要时执行)

一句话概括四者：Prompt告诉模型“怎么做”，RAG给模型“知识”，MCP给模型“工具”，Skill让模型“成为某个领域的专家”。

三、相同点：它们并不互斥

尽管经常被拿来比较，四者在技术目标上有明显共性：

1. 都不改动模型参数。四者都是在推理阶段通过上下文或外部交互增强模型，属于“上下文工程”的不同分支；
2. 目标一致：弥补模型固有的短板——不知道私有数据、无法操作外部系统、缺乏稳定的领域方法论；
3. 都要管理上下文预算：无论哪种方案，最终都受上下文窗口限制，都需要控制注入内容的信息密度；
4. 可以组合使用：一个成熟的智能体应用完全可能同时使用Skill承载方法论、MCP提供实时工具、RAG注入动态知识、Prompt负责任务的具体指令。

四、核心差异分析

1. 解决的问题不同（最本质的差异）

Prompt面向“指令与风格”，RAG面向“事实与知识”，MCP面向“动作与连接”，Skill面向“能力与流程沉淀”。选型的第一步就是问自己：我的痛点属于哪一类？

2. 架构与依赖组件不同

Prompt是纯文本，零依赖；RAG依赖切块策略、向量库、检索与重排逻辑，是一条完整的离线+在线管道；MCP依赖服务端部署、协议实现与鉴权配置，属于运行时远程调用链路；Skill依赖文件组织与渐进式加载机制，没有服务端，知识以静态文档形式存在。

3. Token消耗结构不同

Prompt是“全量常驻”，内容越多消耗越大；RAG只注入检索命中的片段，消耗取决于检索质量，检索不准时会带入大量无关内容；MCP的工具描述需要常驻上下文，且每次调用还有请求响应往返开销，工具一多消耗上升明显；Skill通过渐进式披露，只在元信息层常驻，完整内容按需加载，是常驻成本最低的方案。

4. 输出一致性不同

Prompt的一致性最差，同一任务今天正式、明天随性是常态；RAG依赖检索质量，知识库脏了答案就漂；MCP依赖外部服务的稳定性，服务异常会直接影响结果；Skill把方法论固化在文档中，每次执行遵循同一套流程，一致性表现最好，相当于给模型装了一套“标准作业程序”。

5. 配置与维护复杂度不同

Prompt上手最容易，但维护最难——经验无法沉淀；RAG需要建设和运维一整条索引管道，知识更新还要重新处理；MCP配置门槛高，服务不可用、接口变更都会导致能力失效，需要持续运维；Skill只需一个文件夹加若干文档，通过版本管理即可分发，更新就是改文档。

6. 知识时效性不同

这是容易被忽略但很关键的一点：Skill本质是静态知识，适合长期稳定的方法论；RAG的知识库可以持续更新，适合会变化的事实类数据；MCP天然面向实时系统，适合订单状态、库存余量这类秒级变化的数据。如果你的“知识”每天都在变，把它塞进Skill是错位的。

7. 复用性与协作方式不同

Prompt靠手动复制，难以版本化；RAG的知识库可共享，但检索管道通常与应用绑定；MCP的服务端代码可以共享，使用者仍需自行部署；Skill以文件夹为单元，天然适合版本管理、评审与团队复用，“拉下来就能用”的分发体验最顺畅。

五、核心差异对比表

维度	传统Prompt	RAG	MCP	Skill
本质	一次性文本指令	检索增强的知识注入	工具与数据源连接协议	可复用的领域知识包
解决问题	怎么做	知道什么	能调用什么	成为领域专家
依赖组件	无	向量库+检索管道	服务端+协议+鉴权	文件夹+渐进式加载
Token消耗	高（全量常驻）	中（取决于检索质量）	高（工具描述+调用开销）	低（按需加载）
输出一致性	差（易漂移）	中（依赖检索质量）	中（依赖服务稳定性）	高（方法论固化）
配置复杂度	低	中高	高	低
知识时效	静态	可持续更新	实时	静态，需手动维护
复用性	差（手动复制）	中（管道绑定应用）	中（需自行部署）	强（文件夹级分发）

六、典型场景怎么选

场景一：企业内部知识问答。 答案高度依赖私人文档、规章、FAQ，且文档持续更新——RAG是主方案，同时可把“如何组织答案”的规范沉淀为Skill，两者配合。

场景二：智能体需要操作业务系统。 查订单、改工单、调用内部接口，数据在系统里而非文档里——MCP是主方案，Prompt负责描述任务意图。

场景三：稳定的专家级工作流。 例如代码评审规范、行业报告写作方法、数据分析流程，方法论长期不变且要求每次执行高度一致——Skill是主方案，可替代过去又长又易漂移的Prompt。

场景四：混合型智能体应用。 同时需要方法论、实时工具与动态知识——三者组合：Skill定义“怎么做”，MCP提供“能做什么”，RAG补充“最新事实”。

七、选型建议

• 如果痛点是“模型回答不稳、风格漂移、长Prompt维护不动”，优先评估把长Prompt重构为Skill；
• 如果痛点是“模型不知道我们的私有数据”，优先建设RAG，不要试图用Prompt硬塞知识；
• 如果痛点是“模型需要实时读写外部系统”，MCP是当前标准化程度较高的路径，但要评估团队的运维能力；
• 团队运维能力有限、不想自建向量库与服务端时，可优先考虑托管化程度更高的云上智能体开发能力，例如百度智能云等平台提供的知识库检索、工具编排与智能体应用托管类通用能力，把底层组件运维交给平台；
• 三者不是单选题，工程实践中“Skill承载方法+MCP连接动作+RAG注入事实”的组合正成为常见架构思路。

八、迁移与使用注意事项

从长Prompt迁移到Skill时，重点不是照搬文本，而是重构信息结构：把“元信息（何时用）、方法论（怎么做）、示例（做成什么样）”分层组织，让模型可以按需深入；如果把几千token的Prompt原样塞进技能文档，渐进式披露的收益就体现不出来。

RAG与Skill的边界要划清：每天变化的数据放知识库走检索，长期稳定的方法论放技能包，不要用Skill承载时效性强的内容。

MCP接入要预留容错：服务端不可用时的降级策略、接口变更的兼容管理、鉴权凭据的轮换，都需要纳入日常运维。

安全方面需分别评估：RAG要关注检索层的权限过滤，避免越权内容被检索进上下文；MCP要最小化工具权限，防止模型被诱导执行危险操作；Skill若包含可执行脚本，要限制执行环境与依赖来源。

九、总结

Skill、RAG、MCP并不是互相替代的关系，而是“上下文工程”的三个分支：Prompt负责指令，RAG负责知识，MCP负责工具，Skill负责能力沉淀与复用。选型的核心判断只有两个问题：你的痛点是知识、动作还是方法论？这些内容的变化频率是实时、高频还是基本不变？想清楚这两点，方案组合自然浮现。