Agent Skill、MCP 与 Prompt 区别详解与实践教程

一、教程目标

本教程将帮助读者完成三件事：

1. 准确区分 Prompt、MCP、Agent Skill 三者的职责边界，回答“什么时候该用哪个”；
2. 理解并掌握 Skill 的核心设计思想——渐进式披露与按需加载；
3. 按步骤在大模型应用中落地“Prompt 指令层 + Skill 知识层 + MCP 工具层”的三层架构，并完成验证与调优。

适合读者：正在构建智能体（Agent）应用的开发者、负责大模型应用架构设计的工程师与技术负责人，以及希望优化现有提示词与工具调用体系的团队。

二、先搞清楚：三者各自解决什么问题

2.1 Prompt：指令层，告诉模型“现在要做什么”

Prompt 是开发者与模型交互的最直接载体，包括系统提示词、任务指令与用户输入。它即时性强、与当前任务高度耦合：一次性把要求写清楚，模型照着执行。它的局限同样明显——如果把所有领域的所有细节都写进一份超长提示词，上下文窗口会被迅速占满，模型注意力被稀释，指令遵循质量下降，且这些内容难以跨任务复用。

2.2 MCP：能力层，让模型“能做”外部动作

MCP（Model Context Protocol，模型上下文协议）是一类将外部工具与数据源标准化接入模型的协议。通过它，模型可以调用数据库查询、文件读写、消息发送、图表渲染等原子能力，解决的是“能不能”的问题。但在只有 MCP 的模式下，是否调用工具、调用哪个、参数怎么填，全部由大模型凭通用常识现场判断——模型知道“有哪些工具”，却不一定知道“这个领域的内行做法”。

agent-skill-">2.3 Agent Skill：知识层，让模型“做得内行”

Skill 的本质，是把某个领域的做事方法沉淀成结构化知识包：一段概括描述、一份详细说明文档，以及可选的脚本、模板与参考资源。它不直接执行动作，而是指导模型“按什么流程做、注意什么坑、在哪个环节调用什么工具”。

2.4 一张表看懂分工

维度	Prompt	MCP	Agent Skill
本质	交互指令文本	工具接入协议	可复用的领域知识包
解决的问题	告诉模型做什么	让模型能调用外部能力	让模型按内行方法做
生效方式	直接注入上下文	运行时工具调用	描述常驻、详情按需加载
上下文成本	常驻且随任务膨胀	仅工具描述常驻	只有概括描述常驻
复用性	低，与任务耦合	高，能力跨场景复用	高，方法论跨任务复用

三、核心设计思想：渐进式披露

3.1 从计算机的按需加载说起

操作系统不会把硬盘上的全部程序一次性装进内存，而是用到哪个进程才加载哪个——因为内存容量有限且成本高昂。这套经典思想同样适用于大模型：上下文窗口就是内存，技能库就是硬盘。

3.2 人的知识管理也是这个逻辑

大脑的存储与检索能力有限，高效的知识管理者只把“最少、最值钱”的核心知识记在脑中，其余知识外置（笔记、文档、资料库）并建立索引，用到时再查。脑子里记的不是全文，而是“去哪查”。

3.3 LLM 的上下文同样稀缺

上下文窗口有限，塞得越满，注意力越分散、成本越高。正确做法是：一开始只把各技能的概括描述发给模型，让它根据任务需要判断该深入哪个技能，需要时再加载该技能的完整细节，而不是一上来就全量加载所有技能的全部细节。

3.4 菜谱目录类比

你不需要通读整本菜谱，只需在目录中找到要做的几道菜，做哪道时再翻到对应页看详细步骤。技能清单就是目录，技能详情就是具体菜谱页。

四、Skill 如何改变工具调用链路

• 只有 MCP 时：用户任务 → 大模型凭通用判断决定是否调用工具 → 直接调用 MCP 工具。
• 引入 Skill 后：用户任务 → 大模型先扫描技能清单，判断是否需要某技能 → 按需加载该技能详情 → 按技能中的提示词（方法论、步骤、注意事项）决定调用哪些 MCP 工具、以什么顺序、传什么参数 → 执行并整合结果。

本质变化：在“任务”与“MCP 工具”之间加了一层过程化的领域知识。模型从“知道有哪些工具”升级为“知道这个领域的老手会怎么用这些工具”，调用因此更内行、更可靠。

五、前置准备

1. 基础环境：具备可调用的大模型推理服务（自建或云上推理接口均可），支持系统提示词与工具调用能力；
2. 明确任务：确定一个待落地的领域任务，如数据指标分析报告生成、文档规范排版、日常巡检等；
3. 基础知识：理解系统提示词、上下文窗口、函数调用机制的基本概念；
4. 工具与权限：若任务涉及外部动作（查库、发消息、写文件），需准备好对应工具服务与访问权限；
5. 账号凭证：若使用云上大模型服务，需具备相应账号与调用凭证。

六、实施步骤

步骤 1：梳理任务，划分三层职责

做什么：把目标任务的完整流程拆开，标注每部分归谁管。
为什么：绝大多数“上下文爆炸”和“调用混乱”，根源都是把本该分层的内容全部堆进了系统提示词这一层。
怎么做：将内容分三类填写：

• 只对当前任务有效的指令与偏好 → Prompt 层；
• 会反复用到、体现专业流程的方法论 → Skill 层；
• 需要真实执行的外部动作 → MCP 工具层。
  注意：判断标准是“复用性”——复用性越高的内容越应下沉到 Skill；越即时的内容越应留在 Prompt。

步骤 2：编写技能概括描述（第一层，常驻上下文）

做什么：为每个技能写“名称 + 一两句描述”，这是唯一常驻上下文的部分。
为什么：模型靠这段描述做路由决策，描述含糊则后续全错。
怎么做：描述必须回答“什么情况下应该用我”，而不是“我是什么”。例如不写“这是一个数据分析技能”，而写“当需要把查询结果整理为结论先行的分析报告时使用”。
注意：单个描述控制在几十个词以内；技能数量多时关注清单总长度。

步骤 3：编写技能详情文档（第二层，按需加载）

做什么：把领域方法论写成面向模型的结构化文档，建议包含：

• 目标：该技能最终产出什么；
• 适用与不适用范围：明确边界，减少误路由；
• 执行步骤：分步写清流程与每步输入输出；
• 工具用法：哪个环节调用什么工具、参数怎么填、有什么坑；
• 校验点：完成后如何自查质量。
  为什么：这份文档就是“过程化的领域知识”，是让调用变内行的关键。
  注意：采用指令式、分步式写法，面向模型阅读而非面向人。

步骤 4：组织执行资源（第三层，深度资料）

做什么：将脚本、模板、参考文件放入技能目录，并在详情文档中建立索引。
为什么：部分资料（完整规范、示例数据）体积大但低频使用，不应进入详情文档，应需要时才读取。
注意：文件命名与文档引用一一对应，避免模型“找得到描述、找不到文件”。

步骤 5：接入 MCP 工具层

做什么：按协议把外部工具注册给模型并编写工具描述。
为什么：Skill 指导“何时用、怎么用”，工具描述说明“能做什么、参数结构是什么”，二者互补。
注意：工具描述聚焦原子能力即可，不要塞入大量流程性内容——那是 Skill 的职责。职责一旦交叉，模型容易绕过技能直接乱调工具。

步骤 6：组装运行链路

做什么：系统提示词 = 简短通用规范 + 技能清单 + 加载纪律。
为什么：明确“先看目录、需要时再读详情”的纪律，是渐进式披露生效的前提。
注意：保持系统提示词精简，所有领域细节都通过技能按需进入。

示意性伪代码（通用示例）：

system_prompt:
  角色与通用规范（保持简短）
  技能清单：
    - data-report: 当需要把查询结果整理为结论先行的分析报告时使用
    - doc-format:  当需要按规范排版文档或生成文档模板时使用
  加载纪律：先判断任务需要哪个技能，再读取该技能详情，
           不要一次性读取全部技能。
skill[data-report] 详情文档（按需加载）:
  目标：产出"结论-证据-建议"三段式报告
  步骤：
    1. 调用工具 db-query 获取原始指标
    2. 校验完整性：缺失值、异常值、时区一致性
    3. 按三段式组织内容
    4. 需要图表时调用 chart-render
  注意：空值不参与环比计算；时间字段统一时区
  工具：db-query(输入查询语句)、chart-render(输入数据与图型)

七、结果验证

1. 路由正确性：构造多个应命中不同技能的测试问题，观察模型是否选中正确技能；
2. 按需加载是否生效：通过日志或调用记录确认模型只读取了被选中技能的详情，而非全量展开；
3. 工具调用质量：对照技能文档的步骤清单，核对实际调用顺序与参数是否符合预期，出错率应较“无 Skill 直调”明显下降；
4. 上下文占用：统计同任务下的上下文消耗，与“全量细节塞提示词”的旧方案对比，应显著下降。

八、常见问题与排查

问题 1：模型不选技能或选错技能
原因：概括描述写成了名词解释，缺少使用时机；或多个技能描述边界重叠。
解决：改为条件式描述；为每个技能补充“不适用场景”；合并或拆分职责重叠的技能。

问题 2：模型把所有技能详情全部加载
原因：缺少加载纪律指令；或详情被直接内联进提示词，而非外置为可按需读取的文件。
解决：在系统提示词中固化“先目录后详情”流程；把详情文档外置，让模型通过读取动作获取。

问题 3：工具参数仍频繁出错
原因：技能文档缺少工具用法说明，模型只能依赖工具自身参数定义现场猜测。
解决：在技能文档中补充每个工具的调用时机、参数示例与常见坑。

问题 4：单个技能文档太长，加载一次也占用大量上下文
原因：所有深度资料都写进了详情文档。
解决：文档内部再分层——正文只留流程与要点，长资料作为第三层资源按需读取；必要时拆分为多个子技能。

九、优化建议

• 性能：常驻内容最小化是第一原则，技能清单每多一句冗余，所有请求都要为它付出成本；详情文档分段并建立索引；
• 稳定性：为技能编写“反例”（什么情况不要用），可显著降低误路由；关键工具调用后增加结果校验步骤；
• 可维护性：技能命名统一为“领域-动作”格式；对技能文档做版本化管理，变更可追溯；
• 安全：在技能文档中声明权限边界，对删除、写入、对外发送等敏感操作要求模型先确认再执行；
• 成本：渐进式披露本身就是成本控制手段——按需加载意味着只为实际用到的知识支付上下文开销。

十、总结

Prompt、MCP 与 Agent Skill 不是替代关系，而是分层协作：Prompt 是指令层，传达当前任务；MCP 是能力层，打通外部动作；Skill 是知识层，沉淀领域方法论。Skill 的灵魂是渐进式披露——用常驻的概括描述做“目录”，用按需加载的详情做“正文”，让有限的上下文窗口只装最有价值的信息。落地关键动作是：分层梳理任务、编写条件式技能描述、结构化详情文档、明确工具职责边界、在系统提示词中固化加载纪律。后续可继续深入技能路由效果的量化评估与回归测试、多技能组合编排、技能库版本化管理等方向，持续提升智能体应用的专业度与可靠性。