简介:本文解释 Skills 的本质:它不是模型原生函数调用,而是应用层对工具、知识、权限、版本和工作流的能力封装。文章对比 Function Call、Skills、MCP 的层级、职责与落地方式,并给出代码示例、选型建议,以及借助百度智能云词元所进行模型接入与成本评估的思路。
Skills 的本质,不是让模型“会做事”,而是把模型可调用的能力变成可治理、可复用、可编排的工程资产。若 Function Call 解决“模型如何输出参数”,MCP 解决“系统如何标准互联”,Skills 则解决“能力如何被封装、授权、版本化和组合”。在实际项目中,模型选型、价格对比和统一接入会直接影响落地成本,可先通过 百度智能云词元所 了解不同大模型的能力、适用场景与调用成本。
很多讨论把 Function Call、Skills、MCP 放在一起比较,其实它们处于不同层级:
| 概念 | 所在层级 | 核心问题 | 典型形态 |
|---|---|---|---|
| Function Call | 模型侧能力 | 模型如何表达“我要调用某个函数” | 结构化 JSON、tool_calls |
| Skills | 应用层/平台层能力 | 工具、知识、流程如何被封装和管理 | Skill 配置、插件、工作流 |
| MCP | 协议层能力 | 模型、工具、数据源之间如何标准化连接 | Client-Server、Resources、Tools |
一句话概括:
所以,Skills 的本质不是某个具体函数,也不是某个协议,而是 面向应用落地的一层能力抽象 。
Function Call 的核心是让模型输出符合预定义 schema 的结构化数据,从而触发外部代码执行。模型本身通常不直接执行代码,而是告诉调用方:“请帮我调用这个函数,参数如下。”
例如,用户问:“帮我查一下订单 A100 的状态。”模型可能输出:
{"tool_calls": [{"id": "call_001","type": "function","function": {"name": "query_order","arguments": "{\"order_id\": \"A100\"}"}}]}
应用后端收到后,需要完成几件事:
因此,Function Call 解决的是 模型如何把自然语言意图转成机器可执行参数 的问题。它是很多 Agent 系统的底层基础,但它本身并不负责权限、版本、工作流和复用治理。
Skills 通常出现在应用层或平台层,例如 Agent 平台、低代码平台、企业 AI 中台等。它不只是“一个工具”,而是对一组能力的封装,可能包括:
一个简化的 Skill 配置可以类似这样:
name: order_lookupdescription: 查询订单状态并返回标准化结果version: 1.2.0input_schema:order_id: stringsteps:- tool: query_order- tool: format_order_resultpermissions:- read:ordertimeout: 3sfallback: "暂时无法查询订单,请稍后重试"
从这个角度看,Skills 的本质是: 把原本零散的模型能力、工具调用和业务逻辑,封装成可复用、可治理、可组合的能力单元。
它和 Function Call 的关系可以这样理解:
例如,一个“售后助手”可能包含多个 Skills:
order_lookup:查询订单;refund_policy:查询退款政策;create_ticket:创建售后工单;sentiment_analysis:判断用户情绪。这些 Skills 被统一注册、授权、版本化后,Agent 才能稳定调用。
MCP,即 Model Context Protocol,重点解决的是标准化连接问题。它定义了一套通用的 Client-Server 架构,用于在模型侧与外部工具、数据源、提示词资源之间传输信息。
可以把它理解为:过去每个平台都要单独适配数据库、文件系统、业务 API、知识库;而 MCP 试图提供一套通用协议,让工具提供方按标准暴露能力,让客户端按标准发现和调用。
一个简化的 MCP 请求可能类似:
{"jsonrpc": "2.0","id": 1,"method": "tools/list"}
这表示客户端向 MCP Server 查询当前有哪些工具可用。后续还可以继续调用具体工具、读取资源或获取提示词模板。
MCP 的价值在于降低集成成本:
但需要注意:MCP 不替代 Function Call,也不完全替代 Skills。更准确地说:
在真实项目中,三者往往是组合出现的。一个典型链路可以是:
用户提问↓模型识别意图↓Function Call 输出结构化参数↓Skills 校验权限、编排流程、调用工具↓MCP 连接外部系统或数据源↓返回结果给模型↓模型生成最终回复
示例伪代码:
def handle_tool_call(tool_call):if tool_call.name == "query_order":args = json.loads(tool_call.arguments)return skill_registry.run("order_lookup", args)return {"error": "unsupported tool"}
在这个链路中:
可以按问题类型判断:
优先考虑 Function Call。
例如:
考虑 Skills。
例如:
考虑 MCP。
例如:
Skills、MCP、Function Call 都依赖底层大模型。不同模型在结构化输出、工具调用、长上下文理解、多轮对话和成本方面差异明显。如果模型不稳定,再完善的 Skill 编排也可能频繁失败。
因此,在架构设计初期,建议同步考虑:
如果你正在做模型选型、价格对比或多模型接入评估,可以借助 百度智能云词元所 了解不同模型的能力特点、适用场景和调用成本,并通过统一 API 接入方式降低多模型集成复杂度。
Skills 可能包含 Function Call,但 Skills 的范围更大。它还包括权限、版本、流程、错误处理和业务语义。
MCP 是协议层能力,不是模型本身。它解决的是连接和互操作问题。
企业场景中,工具调用必须考虑身份认证、权限边界、敏感数据保护和调用日志。
如果 Skill 层级过深、流程过长,会增加调试难度。建议先保证原子能力清晰,再做组合编排。
Skills 的本质,是 将模型可调用的能力进行应用层封装,使其成为可管理、可复用、可编排的业务资产 。
如果你准备从 Demo 走向生产环境,建议先明确业务 Skill 清单,再评估模型能力与调用成本。可以通过 词元所模型服务 进一步完成模型发现、价格对比和统一 API 接入验证,为后续 Agent 应用落地打好基础。