简介:很多开发者在构建AI应用时,容易混淆智能体技能(Skill)、模型上下文协议(MCP)与提示词(Prompt)。本文从本质定位、加载机制、资源消耗、复用与集成等维度系统对比三者差异,并结合典型场景给出选型建议与迁移注意事项,帮助你快速判断该用哪一种,以及它们之间到底是替代关系还是互补关系。
在构建基于大模型的智能体(Agent)应用时,”提示词(Prompt)””模型上下文协议(MCP)””智能体技能(Skill)”是经常被同时提及的三个概念。它们都出现在”让模型更好地完成特定任务”这条链路上,因此极易被混为一谈。但它们解决的其实是不同层面的问题:一个关注”如何一次性表达需求”,一个关注”如何标准化地接入外部能力”,一个关注”如何把领域经验打包复用”。理解三者的边界,是做好 AI 应用架构设计的前提。
提示词(Prompt):直接输入给模型的自然语言指令与上下文,用于在单次或单轮对话中引导模型输出。它是最基础、最轻量的控制手段,生效即时,但不具备持久化能力,效果高度依赖调用时的上下文窗口。
模型上下文协议(MCP):一种用于让模型以标准化方式连接外部数据源和工具(如数据库、文件系统、各类接口)的协议层。它通常采用”客户端—服务端”结构,把”模型”与”外部能力”之间的对接方式统一起来,从而把原本需要为每一对组件单独适配的 M×N 集成问题,收敛为 M+N 的可复用接入问题。
智能体技能(Skill):一个包含指令、脚本与资源的文件夹,智能体在执行任务时动态发现并加载。它的核心理念是”渐进式披露(progressive disclosure)”:先只加载约 100 个 token 的元数据用于判断是否相关;确认相关后再加载完整指令(通常少于 5000 个 token);而打包的文件或脚本只在真正需要时才被读取。它相当于给模型配备”专项训练手册”,比如处理表格、遵循组织规范、执行某类固定流程。
尽管定位不同,三者存在明显的共性:
| 对比维度 | 提示词 Prompt | 模型上下文协议 MCP | 智能体技能 Skill |
|---|---|---|---|
| 本质定位 | 即时指令表达 | 标准化能力接入层 | 领域经验封装包 |
| 生效方式 | 每次调用即时生效 | 建立连接后长期可用 | 任务相关时动态加载 |
| 资源消耗 | 直接占用上下文 | 取决于调用返回的数据量 | 渐进式披露,元数据先加载 |
| 复用性 | 低,依赖每次重写 | 高,一套接入多方复用 | 高,一次打包多次调用 |
| 集成复杂度 | 最低 | 中高,需服务端与客户端配合 | 中,需组织文件与指令 |
| 主要解决的问题 | 单次任务引导 | 外部数据/工具连通 | 领域能力持久化与复用 |
| 变更成本 | 改文本即可 | 需维护服务端实现 | 更新文件夹即可分发 |
架构层面:提示词没有独立架构,依附于调用本身;MCP 引入服务端组件,是三者中架构最重的;技能则是文件级的组织形态,介于两者之间。
功能层面:提示词擅长”临场发挥”,协议擅长”打通外部”,技能擅长”沉淀专业流程”。三者覆盖的能力面不同,无法相互替代。
接入与运维:提示词几乎零接入成本但难维护复用;协议接入需要设计与维护服务端,但一旦建好可被多场景共享;技能的分发与更新依赖一套约定好的目录结构与加载机制,需要团队建立规范。
智能体技能的目录结构通常如下(通用示例,非特定平台):
my-skill/├── SKILL.md # 元数据 + 主体指令(先加载)├── scripts/│ └── process.py # 可选:按需执行的脚本└── resources/└── template.xlsx # 可选:按需读取的资源
通过协议接入外部能力的伪代码示意:
# 客户端连接上下文服务端connect(mcp_server = "data-source-server")# 列出可用工具,由模型决定是否调用tools = mcp_server.list_tools()result = mcp_server.call_tool("query_table", params)
提示词则通常只是一段结构化文本,例如”你是财务分析助手,请依据以下字段计算同比、环比……”,无需任何连接或文件。
选型应以”条件化判断”为原则,而非绝对化推荐:
提示词、模型上下文协议与智能体技能并不是”三选一”的替代关系,而是分别作用于”表达、连接、沉淀”三个层面:提示词解决即时引导,协议解决标准化外部能力接入,技能解决领域经验的持久化与复用。选型时,应先明确当前需求究竟卡在”表达不清””连不上外部”还是”经验无法复用”,再据此选择或组合使用,并在权限、上下文预算、可观测性等方面做好配套设计。