简介:本文围绕AI应用中常被混淆的Agent、Function Calling、MCP、RAG与Skill五个概念展开对比,逐一拆解它们各自解决的问题、在架构中所处的层次以及彼此的协作关系。文章从技术架构、接入成本、解耦程度、适用场景与使用边界等维度进行系统分析,帮助读者厘清"谁能替代谁、谁必须配合谁",并形成清晰的选型与组合思路,避免概念误用与架构走偏。
在构建大模型应用时,开发者经常会同时听到 Agent、Function Calling、MCP、RAG、Skill 这一连串术语。它们常常被放在同一句话里讨论,容易让人误以为是”可以互相替代的竞品”,或者在选型时纠结”到底该用哪个”。
事实上,这几类概念并不处在同一抽象层次,它们解决的是完全不同的问题:有的负责”调度”,有的负责”接口约定”,有的负责”工具集成规范”,有的负责”补充知识”。本文的核心目的不是评判谁更强,而是厘清三件事——各自的边界在哪里、它们如何组合、以及在什么条件下该引入哪一个。
大模型(LLM)是整个体系的推理内核,负责理解语义、生成内容、做出判断。但它有两个天然短板:一是只能基于训练时见过的知识与当前上下文作答,二是只能通过”文本进、文本出”的方式与世界交互,无法直接读取私有数据、无法真正执行动作。后面几类概念,本质上都是在弥补这两个短板。
架构逐步演化为 用户 -> Agent -> LLM。Agent 夹在用户与模型之间,负责两件事:一是”传话”,把用户的意图组织成模型能理解的输入,再把模型输出转化给用户;二是”处理 LLM 做不到的事”,比如拆解多步任务、决定调用哪个工具、在多轮循环中维护状态。
可以这样理解:LLM 是大脑,Agent 是围绕大脑搭建的”手脚与流程”,负责把一次性的问答,变成可规划、可执行、可回滚的任务闭环。
LLM 擅长自然语言,但程序用代码去解析自由文本非常困难且不稳定。解决办法是让模型按照固定的、结构化的格式(如 JSON)输出,方便程序直接解析和调用。这个”前后端约定接口格式”的约定,就是 Function Calling。
示意性结构如下:
{"tool": "query_weather","arguments": {"city": "北京","date": "2026-09-21"}}
它的本质是”约定”:约定模型输出什么字段、程序识别什么字段,从而把不可靠的自然语言,转成可靠的机器指令。
当 Agent 里直接写死了大量工具调用逻辑时,耦合会迅速失控——每接入一个新工具就要改 Agent 内部代码。更合理的做法是把工具单独拆成独立服务,再定义一套规范,让 Agent 去”发现”和”调用”它们。这套规范即模型上下文协议(MCP)。
它约定了三层能力:服务端声明自己有哪些工具(工具列表)、每个工具的输入输出格式(调用方法)、以及连接与鉴权方式(接口规范)。这样一来,Agent 与工具之间从”写死”变成了”面向协议编程”。
RAG 解决的是”知识边界”问题。它把外部知识库检索与生成结合起来:先从私有或实时数据中检索出与问题相关的片段,再把这些片段拼进模型的上下文,让模型基于”最新、最准确、可溯源”的资料作答。它不改变模型本身,而是动态地为模型”临时补课”,非常适合企业私有知识、时效性内容等场景。
Skill 是把一组能力(提示词、工具调用流程、领域约束、示例)打包成一个可复用、可组合、可共享的单元。它更偏”封装与复用”,让 Agent 能按需加载某项专长,而不必把所有逻辑堆在一个庞大的整体里。
尽管定位不同,它们在底层逻辑上有几个高度一致的共性:
| 维度 | Agent | Function Calling | MCP | RAG | Skill |
|---|---|---|---|---|---|
| 抽象层次 | 编排调度层 | 接口约定层 | 集成协议层 | 知识增强层 | 能力封装层 |
| 解决的核心问题 | 多步任务的规划与执行 | 模型与程序间的通信格式 | 工具与 Agent 的解耦 | 模型的知识盲区与时效 | 能力的复用与组合 |
| 是否可直接替代 | 中枢,通常不可替代 | 底层约定,普遍存在 | 工具多时的解耦方案 | 知识型场景的关键补充 | 组织能力的封装手段 |
| 解耦程度 | 中(负责串联各方) | 低(约定本身) | 高(服务化+协议化) | 高(知识外置) | 高(能力外置) |
| 接入成本 | 中到高 | 低到中 | 中(初期有协议适配成本) | 中到高(涉及检索链路) | 低到中 |
| 引入时机 | 任务需要多步推理与执行 | 让模型产出可执行指令时 | 工具数量多、耦合难维护时 | 需要私有/实时/可溯源知识时 | 能力需要跨场景复用时 |
| 主要风险 | 循环失控、步骤膨胀 | 输出格式不稳定 | 协议版本与兼容性 | 检索质量差导致答非所问 | 封装粒度不合理导致碎片化 |
需要特别强调的是:这五者并非”二选一”,而是”按需叠加”。一个典型的成熟应用往往是 Agent 做编排,用 Function Calling 完成模型与程序的通信,用 MCP 规范管理外部工具,用 RAG 补足知识,用 Skill 组织可复用能力。
选型应遵循”问题驱动、按需引入、避免过度设计”的原则:
在架构演进或组件切换时,需重点关注:
Agent、Function Calling、MCP、RAG 与 Skill 并不是互相竞争的替代品,而是围绕 LLM 构建的、处于不同层次的能力拼图:Agent 负责编排调度,Function Calling 负责模型与程序的通信约定,MCP 负责工具集成的标准化解耦,RAG 负责为模型补充外部知识,Skill 负责能力的封装与复用。
理解它们的关键,不在于记住谁更强,而在于认清”各自解决什么问题、处于哪一层、如何组合”。选型时应以实际瓶颈为出发点,从简到繁、按需引入,并同步评估解耦带来的运维与安全成本。唯有把边界厘清、把组合理顺,才能构建出既稳定又可扩展的大模型应用架构。