Prompt、Agent 技能与MCP的区别与选型

作者:问答酱2026.11.16 10:26浏览量:0

简介:在构建 AI 应用时,提示词(Prompt)、Agent 技能(Agent Skill)与上下文工具接入协议(业界常称 MCP,下文统称“协议层”)经常被混为一谈。本文从架构位置、加载方式、决策链路、安全边界与运维成本等维度对比三者:提示词负责表达意图,技能层以渐进式披露封装过程化领域知识,协议层负责标准化接入工具与数据。文章给出调用链路示意、场景化选型建议与迁移注意事项,帮助读者判断何时该用哪一层。

agent-">一、对比背景:为什么要把提示词、Agent 技能与协议层区分开

在与 LLM 协作的工程实践中,三者常被混为一谈:“写提示词”“装个工具”“加个技能”似乎都在给模型补充信息或能力。三者确实共同服务于“让模型更懂任务、更能做事”,但解决的问题处在不同层次,不能互相替代。混用会带来几类典型问题:

  • 上下文膨胀:把全部技能说明和全部工具清单一次性塞进输入,窗口被大量与当前任务无关的内容占用,指令更容易被稀释,成本和延迟随之上升。
  • 调用不内行:模型只能看到工具的名称与参数,看不到业务上“什么情况下该用哪个工具、先查什么再做什么”,调用容易出错,或者需要反复重试。
  • 接入成本高:每接入一套系统就要写一份定制适配代码,工具数量一多,鉴权、超时、错误码和日志格式各不相同,难以统一治理。
  • 演进困难:把所有知识都写进一大段提示词后,改一处就牵动全局,版本无法独立管理,回归测试的成本很高。

更合理的理解方式是给三者分层:

  • 提示词负责“表达意图”:说明目标、约束、输出格式和角色定位。
  • 技能层负责“领域过程知识”:说明某项任务该怎么做,包括步骤、工具组合和判断规则。
  • 协议层负责“统一连接外部能力”:用一套通用规范把工具与数据接入模型侧。

二、对象定义:三者分别是什么

1. 提示词(Prompt)

提示词是以文本形式提供给模型的输入,承载任务描述、角色设定、输出约束与少量示例。它的成本最低、见效最快,是任何 AI 应用的基础层。其局限在于:容量有限,内容一长就容易相互干扰;逻辑以静态文本形式存在,难以做细粒度的加载、版本与权限管理。

2. Agent 技能(Skill)

技能是围绕某类任务组织的结构化知识单元,通常包含一句话级别的概括描述,以及按需展开的详细说明、操作指引、参考资料和脚本。其关键机制是渐进式披露:在系统提示里只放入技能目录(名称 + 简短描述),模型根据任务判断需要哪项技能,再深入读取细节。

这与计算机领域经典的按需加载(用到再载入内存)思想同源:内存昂贵而有限,所以资料留在硬盘、做好索引、用到再读。人也类似:大脑不会记住全部细节,而是记住“在哪里查、怎么查”。对 LLM 而言,窗口同样是稀缺资源,因此不应全量加载各技能的细节,而应先给概括、再按需深入。就像不必通读整本菜谱,只需在目录里找到要做的菜,做哪道看哪道。

3. 协议层(MCP)

协议层是一套开放的上下文接入规范,用统一的方式描述“有哪些工具、参数与返回如何定义、如何发现与调用、外部数据如何以资源形式提供给模型”。它把“模型”与“外部能力”之间的接口标准化,使同一个智能体侧实现可以对接不同来源的模型与工具实现,而不必为每种组合定制适配代码。它的边界也很清楚:它负责连接,不负责告诉模型“在什么业务条件下该用哪个工具”。

三、相同点分析

  • 目标一致:都是为了让模型在有限上下文内做出更可靠的判断与输出。
  • 都受窗口约束:无论提示词、技能还是工具清单,最终都要占用输入上下文,因此都存在“加载多少”的取舍。
  • 都依赖模型的指令遵循能力:三者都通过文本形式的说明影响模型行为,描述质量直接决定命中率。
  • 都需要工程化治理:版本、评测、日志、权限、回滚,在三者上都成立,只是粒度不同。
  • 都需要可信来源:任何进入上下文的内容都可能被外部数据“注入”影响,因此三者都需要对来源做约束。

四、核心差异分析

1. 架构位置:能力分层

提示词位于输入层,技能位于知识/流程层,协议层位于能力接入层。它们构成一条从“意图”到“执行”的链路,而不是三个可互相替换的选项。

2. 加载方式:全量注入与渐进式披露

这是技能最本质的特点,也是它与“写一段长提示词”的根本区别。

  • 全量加载:技能数量 N、平均细节长度 L 时,输入成本约为 N×L,且随技能增加线性增长。
  • 渐进式披露:先注入 N 条目录描述(长度小得多),命中后再加载该技能的细节,总成本显著更低,同时减少了无关内容对指令的干扰。

协议层同样存在这个问题:把全部工具的完整参数说明一次性注入,成本随工具数增长。可行做法包括工具发现、分组加载、按技能暴露相关工具子集等,与渐进式披露是同一思路在不同层面的应用。

3. 决策链路:从一步判断到两级判断

没有技能层时,决策链是:模型看到工具清单 → 直接决定用不用工具、用哪个工具。

引入技能层后,决策链变为:模型先判断是否需要某类领域技能、命中哪一项 → 再依据该技能内的指引判断是否需要调用工具、调用哪个。

差别在于,任务和工具之间多了一层过程化的领域知识。技能中不仅写了“用什么工具”,还写了“先看什么、什么条件下才调用、失败后如何回退”。因此模型不需要在缺乏业务上下文的情况下猜测工具语义,调用会更内行、更可靠。代价是多了一次判断环节,对技能描述质量的要求更高。

4. 表达形态与耦合方式

  • 提示词:一段连续文本,与模型强耦合,改提示词往往意味着重测整体效果。
  • 技能:可版本化、可独立测试的知识单元,可在目录中增删而不影响其他技能。
  • 协议层:接口契约,与具体业务弱耦合,工具实现可替换、可多来源混用。

5. 一致性与可维护性

  • 提示词冗长时,约束之间容易互相冲突,修改局部可能引发全局行为变化。
  • 技能按任务拆分后,每条说明职责单一,回归测试可以只覆盖相关技能,便于持续演进。
  • 协议层把适配工作集中到网关或客户端一侧,避免业务代码里散落着各种接口约定。

6. 安全与合规

  • 来源可信:技能说明属于会被当作指令执行的文本,必须由可信渠道提供并纳入版本审核,不能由外部数据动态写入。
  • 注入风险:工具返回内容、文档片段等外部数据应被视为不可信数据,避免其改写系统指令。
  • 最小权限:协议层调用应配套身份认证与权限控制,按调用方粒度授权,避免一把“全能钥匙”。
  • 数据边界:涉及敏感数据时,明确数据流向、脱敏策略与审计要求;对写操作与删除操作要求显式确认。

7. 运维与成本结构

  • 资源成本:渐进式披露降低输入长度,直接减少每次调用的上下文开销。
  • 人力成本:技能层带来目录维护、描述调优、评测集维护等新增工作,需要有人负责。
  • 接入成本:协议层降低新增系统的适配成本,但引入了网关、发现、权限等公共组件的建设与运维负担。
  • 可观测性:建议对“技能命中率、工具调用成功率、重试率、上下文长度分布”建立指标,这些比单纯看回答质量更能定位问题。
  • 云平台支撑:日志服务、监控告警、对象存储、身份认证等通用能力,可在百度智能云等平台以托管方式使用,减少自建观测与权限体系的工作量。

五、对比表格

维度 提示词(Prompt) Agent 技能(Skill) 协议层(MCP)
解决的核心问题 表达意图与约束 封装领域过程知识 标准化接入工具与数据
架构位置 输入层 知识与流程层 能力接入层
主要形态 连续文本 目录描述 + 按需展开的说明/资源 接口契约与工具描述
加载方式 一次性全量注入 渐进式披露,按需载入 工具发现与分组暴露
上下文成本 随文本长度线性增长 随命中数量增长,通常更省 随暴露工具数增长
决策环节 无 先选技能,再选工具 提供可调用能力,不做业务判断
扩展性 内容越长越易冲突 新增技能对既有技能影响小 新增系统走统一规范
主要风险 指令稀释、互相干扰 描述质量差导致误命中 权限过大、数据出域、接口变更
治理重点 结构清晰、约束不冲突 版本、评测、可信来源 鉴权、审计、限流、错误处理
能否相互替代 否 否 否

六、组合关系与调用链路示意

三者更适合叠加使用,而不是三选一。典型链路如下:

  1. 用户请求
  2. ↓
  3. [系统提示:角色 + 约束 + 技能目录(名称 + 一句话描述)]
  4. ↓
  5. 模型判断:是否需要某类技能?命中哪一项?
  6. ↓
  7. 命中 → 加载该技能详细说明与操作指引(渐进式披露)
  8. ↓
  9. 技能指引判断:是否需要工具?调用哪个?顺序如何?
  10. ↓
  11. 通过协议层调用工具 / 读取数据
  12. ↓
  13. 结果回填 → 继续推理或结束

示意性逻辑:

  1. # 仅示意,非特定实现
  2. context = base_prompt() + skill_catalog(skills) # 目录:只含名称与一句话描述
  3. if task_needs_skill(context):
  4. skill = select_skill(model_output)
  5. context += load_skill_detail(skill) # 按需展开细节
  6. tools = tools_visible_for(skill) if skill else core_tools()
  7. result = call_via_protocol(tools, args) # 统一走协议层

七、典型场景选择

  • 简单问答、格式化输出、单次生成:提示词足够,引入额外层级只会增加复杂度。
  • 领域流程明确、步骤固定(如工单分类、合规初审、报表核对):适合用技能层承载流程知识,模型按指引组合工具,稳定性明显优于纯提示词描述。
  • 需要跨多个异构系统读写(数据库、工单系统、内部服务):以协议层统一接入,避免在提示词里堆接口约定。
  • 技能与工具数量都在增长:优先建设目录与分组机制,控制每次注入的内容量。
  • 多智能体协作:由编排层持有技能目录并按角色分发,协议层统一收敛工具权限。

八、选型建议

  • 任务简单、能力需求少时,先用提示词把目标与输出约束写清楚,不要过早分层。
  • 出现“模型经常选错工具、步骤顺序混乱、同类问题反复纠正”时,优先考虑把领域过程知识沉淀为技能,而不是继续加长提示词。
  • 接入系统数量增长、适配代码重复度上升时,考虑引入协议层统一接入,并同步配套鉴权与审计。
  • 团队运维能力有限时,可优先选择托管化程度更高、可观测能力更完整的方案,把日志、监控、权限等通用能力交给平台侧。
  • 任何分层改造都应先在离线评测集上验证,再灰度放量,避免一次性全量切换。

九、迁移与落地注意事项

  • 拆分粒度:技能过粗会退化成“又一段长提示词”,过细则目录膨胀、误命中上升。以“能独立描述目标、输入、产出”为划分标准。
  • 描述质量优先:目录里的一句话描述直接决定命中率,需要与真实用户问法对齐,用语避免内部黑话。
  • 建立评测集:覆盖正常命中、模糊表达、跨技能边界与不应命中的情况,每次改描述都回归一次。
  • 权限收敛:工具按调用方最小授权,写操作与删除操作要求显式确认,避免模型误操作造成不可逆变更。
  • 数据与隐私:明确哪些数据可进入上下文、是否脱敏、日志保留多久,外部数据一律按不可信处理。
  • 失败回退:技能未命中、工具调用失败、结果不符合预期时,都要有明确的兜底路径,避免链路中断。
  • 兼容性评估:从“全量注入”切换到“按需加载”后,工具暴露范围会变化,需要确认既有能力不会因此不可达。
  • 可观测与回滚:记录技能命中与工具调用链路,指标异常时可快速回退到上一版技能目录。

十、总结

提示词、Agent 技能与协议层不是三个候选方案,而是三层职责不同的机制:提示词表达意图,技能以渐进式披露提供过程化的领域知识,协议层标准化连接外部能力。技能层的关键价值在于,它在任务与工具之间插入了一层业务判断,使模型从“猜工具”变成“按指引调用”,从而在保持上下文精简的同时提升调用的内行程度与可靠性。判断是否需要引入某一层,可以回到三个信号:上下文是否被无关内容占满、模型是否经常选错工具或步骤、接入新系统是否总要写定制适配。三者都有明确边界,也都可以与百度智能云等云平台上提供的模型服务、日志服务、监控告警、身份认证等通用能力配合使用,以降低自建与运维成本。