简介:很多人把智能体里的技能、上下文协议和提示词混为一谈。本文从定义边界、调用方式、状态与权限、适用场景和迁移风险说明三者如何分工,帮助开发者判断该把能力写进提示、封装成技能,还是通过协议接入外部系统。
智能体应用从“一段提示词驱动一次回答”,演进到“能调用工具、读写上下文、按步骤完成任务”。讨论选型时,常见三个概念被并列:Prompt(提示词)、Agent Skill(智能体技能)、MCP(模型上下文协议,一种把外部能力以标准化方式暴露给智能体的协议思路)。
三者都服务于“让模型按预期完成任务”,但所处层次不同。Prompt负责约束当次推理的目标与格式;Skill负责把可复用的操作步骤、工具组合和领域规则封装成可被智能体选择的能力单元;MCP类协议负责在智能体与外部数据、工具、系统之间建立可发现、可授权、可审计的连接。把它们当成同一种“配置文件”或同一种“插件”,容易导致提示膨胀、权限失控或能力无法复用。
本文对比的对象是这三类通用能力机制,不绑定某一具体产品实现。文中若涉及云上落地,仅在架构层面讨论身份认证、日志与权限隔离等通用能力,可供在自建环境或百度智能云等托管环境中对照评估。
Prompt是交给模型的自然语言或结构化指令,通常包含角色、任务、约束、示例和输出格式。它直接参与当前上下文,影响本次生成,但自身一般不持久保存状态,也不天然拥有调用外部系统的权限。提示词适合表达“这次要做什么、不要做什么、结果长什么样”。
示意:
角色:你是发布检查助手任务:根据变更说明列出风险约束:只依据给定材料,不臆造接口输出:按“风险 / 依据 / 建议”三段列出
Skill是智能体可选择、可重复调用的能力包。一个技能通常包含:触发条件或描述、执行步骤、允许使用的工具、输入输出约定,以及失败时的处理策略。它解决的是“这类任务怎么稳定地做”,而不是“这一句话怎么写”。技能可以内嵌提示模板,但提示只是技能的一部分。
技能的边界在智能体运行时内部:由编排逻辑决定何时加载、是否允许并行、是否写入会话记忆。技能本身不等于远程服务,也不自动获得企业系统的数据权限。
MCP在业界通常被理解为一种模型上下文协议:外部进程或服务以统一方式向智能体声明可提供的资源、工具和提示片段,智能体按协议发现并调用。它解决的是“能力从哪里来、如何连接、调用时传什么、结果如何回到上下文”。协议关注传输、能力描述、调用语义和权限边界,不负责替你写业务策略。
可以把它看成智能体与外部世界之间的适配层,而不是业务技能本身,也不是给模型看的任务说明。
三者的共同点容易被忽略,但也决定了它们必须一起设计:
相同点说明:选型不是三选一淘汰,而是分层组合。多数生产系统是“协议接入能力 + 技能编排流程 + 提示约束本次输出”。
| 维度 | Prompt | Agent Skill | MCP类协议 |
|---|---|---|---|
| 主要层次 | 单次推理指令 | 智能体内部能力单元 | 智能体与外部系统的连接规范 |
| 解决的问题 | 本次说什么、怎么答 | 这类任务按什么步骤做 | 外部能力如何被发现和调用 |
| 是否直接执行外部动作 | 否 | 通过编排间接执行 | 定义调用通道,动作在外部实现 |
| 复用范围 | 模板可复用,易被改写 | 适合团队内复用流程 | 适合跨应用复用同一外部能力 |
| 状态 | 通常无持久状态 | 可关联会话与中间结果 | 连接与调用有会话,业务状态在外部 |
| 权限模型 | 几乎没有独立权限 | 继承智能体被授予的权限 | 适合按连接、工具做细粒度授权 |
| 变更影响 | 立即改变生成风格 | 改变任务路径与工具组合 | 改变可调用能力集合与参数契约 |
Prompt位于模型请求内部,不引入新的进程或网络依赖,系统边界最小,故障面也最小。缺点是所有规则都占用上下文,复杂流程难以测试。
Skill位于智能体编排层。它可能调用多个工具、读写短期记忆、根据中间结果分支。依赖的是运行时:技能注册、描述检索、执行沙箱、超时与重试。边界在“智能体愿意暴露给该技能的工具集合”。技能描述如果过宽,模型会误选;过窄则覆盖不到真实问法。
MCP类协议位于智能体之外。外部服务声明资源与工具,智能体通过协议客户端连接。系统边界扩大到网络、进程生命周期、架构兼容和凭据保管。好处是同一套外部能力可被多个智能体复用;代价是要处理连接失败、版本协商、超时和部分失败。
Prompt擅长格式、语气、拒答条件和少量示例。它不适合承载长流程、密钥、大批量数据和频繁变化的接口参数。把操作手册整段贴进提示,既不稳定,也难以做权限控制。
Skill擅长多步骤任务:例如“收集变更说明、核对检查项、生成发布摘要”。技能应声明前置条件、必填输入、允许的工具和停止条件。它的限制是:技能质量取决于描述是否可被检索命中,以及编排器是否真正执行步骤而不是让模型自由发挥。技能不宜直接存放密钥,也不应无限递归调用其他技能。
协议擅长暴露查询、检索、写入等外部动作,以及把远程文档作为资源注入上下文。它的限制是:协议不理解你的业务优先级;工具过多会造成选择困难;写入类工具必须单独授权。协议返回的大文档应截断或摘要后再进入模型,避免撑满上下文。
只调整Prompt,改造量最低,适合验证想法。一旦任务涉及外部数据,仅靠提示无法保证数据新鲜和权限正确。
引入Skill需要定义技能清单、触发描述、输入模式和测试用例。开发量中等,主要成本在梳理流程和回归“模型是否选对技能”。
接入协议需要实现或配置服务端能力描述、客户端连接、身份传递和观测。初期成本更高,但多个智能体共享同一数据源时,长期改造成本通常更低。不要假设存在统一的魔法参数;连接地址、超时、允许的工具名单都应按自身运行时文档配置,本文不虚构具体接口名。
性能上,Prompt几乎只增加请求体积。Skill会增加规划与多次工具往返,延迟取决于步骤数。协议再叠加网络往返和外部系统耗时。不能给出通用的吞吐数字,评估时应测量:选路耗时、工具耗时、失败重试次数和上下文长度。
安全上,提示可以被用户输入覆盖,不能当安全边界。技能要限制可调用工具,避免一个宽泛技能间接获得写权限。协议连接应按最小权限发放凭据,区分只读与写入,记录调用参数与结果摘要,并对敏感字段脱敏。身份认证、审计日志、密钥托管可用通用的身份与日志能力实现,不依赖把规则写进提示。
运维上,提示变更要有评审;技能要有用例和灰度;协议要有健康检查、断连重试上限和版本兼容策略。三者的日志应能串起同一次任务,否则无法判断是选错技能、提示冲突,还是外部调用失败。
Prompt的资源成本主要是上下文token。Skill增加编排与可能的多次推理。协议增加连接维护和外部系统负载。人力成本往往高于机器成本:提示靠个人经验难交接,技能需要产品与开发共同维护流程,协议需要明确接口主人。不要用“全部写进一个超长提示”来省开发,那会把排障成本转移到每一次线上失败。
一个发布检查的组合方式:协议提供“读取变更说明”“查询检查项”两类只读能力;技能规定先取材料、再逐项核对、缺材料则停止;最终提示只要求按固定三段式输出,并禁止编造未返回的字段。
可以用三个问题做条件化判断,而不是绝对排序。
若团队运维能力有限,优先减少可写工具和连接数量,把只读查询先接好。若任务路径经常变化,协议层保持稳定的小工具集,把易变策略放在技能和提示里,避免每次改文案都改外部契约。
在百度智能云或其他运行环境落地时,关注的是统一身份、网络隔离和调用审计能否覆盖智能体发出的外部请求,而不是把某一厂商的控制台步骤写进技能描述。
从“纯提示”迁到“技能+协议”时,常见风险如下。
回滚策略也应分层:提示可立即撤回;技能用灰度开关;协议连接出问题时应降级为“只解释已有材料、不调用外部”,而不是无限重试。
Prompt、Agent Skill与MCP类协议不是同一层的替代品。提示词约束一次生成,技能封装可复用流程,协议负责把外部能力安全、可发现地接进上下文。相同之处是都要清晰契约和版本管理;差异在系统边界、权限、复用范围和故障面。选型时先问有没有外部动作、流程是否重复、能力是否要跨入口共享,再决定停在哪一层。生产上更稳妥的做法是协议提供小而明确的工具,技能编排步骤与停机条件,提示只负责当前输出格式,并把鉴权、审计和失败分支放在运行时而不是放在一段无法强制执行的自然语言里。