Agent Skill、MCP 与 Prompt 有什么区别
作者:carzy2026.11.16 10:25浏览量:0简介:在 AI Agent 与 AI 编程工具中,Prompt、Skill、MCP 三个概念常被混为一谈。本文从形态、复用性、能力边界与接入方式等维度系统对比三者差异,并给出不同场景下的选型建议与迁移注意事项,帮助开发者快速理清"什么时候该用哪个",避免重复劳动与能力错位。
一、对比背景:为什么这三个概念容易混淆
很多开发者在使用 AI 编程工具或构建 AI Agent 时,会频繁遇到 Prompt、Skill、MCP 这三个词。它们表面上都和”给 AI 提供指令或能力”相关,但实际所处的层级、复用方式和接入标准完全不同。混淆它们通常会带来两类典型问题:
- 重复劳动:明明已经沉淀好的经验,却每次都要重新输入一遍。
- 能力错位:本该通过工具调用的场景写成了大段文字,本可复用的知识却每次临时手写。
理解三者的边界,是高效使用 AI Agent 的基础。
二、对象定义:三个概念分别是什么
Prompt(提示词):指用户或系统输入给模型的一段自然语言文本。模型依据这段文本的语义生成输出,具有强即时性。它既可以是用户临时输入的指令,也可以是系统预先挂载的身份设定或行为规范。
Skill(技能包):指把某类经验、流程和规则打包成的结构化、可复用的知识模块。它通常包含背景知识、分步操作流程、行为清单(该做什么、不该做什么),有些还会挂载可自动执行的钩子脚本、记忆系统或参考资料。核心价值是”一次沉淀、多次复用”。
MCP(模型上下文协议):这里指一种为模型对接外部工具与数据源而设计的通用接入标准。它规定了模型如何发现、调用外部能力(如查数据库、调接口、读写文件),核心在于”统一接口、跨工具复用”。
一个类比:把 AI Agent 想象成刚入职的新同事。
- Prompt 相当于 leader 每次口头交代的任务要求——“代码写干净点、注释用中文、接口加参数校验”,每来一个新活就得重新说。
- Skill 相当于入职后参加的专项培训——工作流怎么走、代码审查看哪些点、性能问题从哪查起,学完形成肌肉记忆。
- MCP 相当于工位上的标准工具箱——能查数据库、调接口、读文件,用法统一,换个工具也不用重新学。
三者分工不同,但相互配合。
三、相同点分析
- 目标一致:都是为提升模型的输出质量与可控性服务。
- 可组合使用:在 AI Agent 场景中可以叠加配合,例如用 Prompt 下达意图、用 Skill 提供方法、用 MCP 连接能力。
- 底层逻辑一致:都遵循”输入信息 → 影响模型行为”的基本路径。
- 可被团队沉淀:三者都能在团队内共享(虽然沉淀形式与成本不同)。
四、核心差异分析
1. 形态与结构
- Prompt 是纯文本,短小、无结构。
- Skill 是结构化知识包,可包含文档、脚本、配置与记忆。
- MCP 是接口与协议,定义的是工具调用规范,而非一段文字。
2. 复用性
- Prompt 是一次性的,不传就没有,模型记不住。
- Skill 沉淀后可自动加载,反复复用。
- MCP 的工具本身可被跨项目、跨团队反复调用。
3. 能力边界
- Prompt 影响”怎么说、怎么答”,但不改变模型”能做什么”。
- Skill 影响”怎么做”,扩展方法与经验。
- MCP 扩展”能做什么”,为模型连接外部真实能力。
4. 接入方式
- Prompt 直接输入即可,成本最低。
- Skill 需要按结构组织,属于中等成本。
- MCP 需要建立服务端与客户端连接并按协议对接,接入成本最高。
下面用一个示意性的伪代码,说明三者如何在一次任务里分层配合:
# 1. Prompt:下达本次任务意图system_prompt = "你是资深后端工程师,代码要求可读、可维护"# 2. Skill:加载沉淀好的工作流与规范load_skill("code_review_workflow") # 包含流程、清单、钩子脚本# 3. MCP:通过统一协议调用外部能力result = mcp_call("database.query", sql="SELECT ...") # 连接外部数据源
五、对比表格
| 对比维度 | Prompt | Skill | MCP |
|---|---|---|---|
| 本质 | 自然语言指令 | 结构化知识包 | 工具接入协议 |
| 形态 | 纯文本 | 文档 + 脚本 + 配置 + 记忆 | 接口规范 + 服务 |
| 复用性 | 一次性,需重复输入 | 一次沉淀,多次复用 | 跨工具/项目复用 |
| 主要作用 | 影响表达方式 | 扩展方法与经验 | 连接外部能力 |
| 状态记忆 | 无状态,不记忆 | 可携带记忆系统 | 不涉及 |
| 接入难度 | 低,直接输入 | 中,需结构化组织 | 较高,需建立连接 |
| 典型痛点 | 每次都要重写 | 需要设计与维护 | 涉及连接与安全 |
六、典型场景选择
- 临时性、探索性任务:一句话说清即可,优先用 Prompt,成本最低。
- 需反复执行的标准化流程:如代码审查清单、发布流程,适合沉淀为 Skill。
- 需访问外部系统或实时数据:如查库、调接口、读写文件,应通过 MCP 接入。
七、选型建议
- 当任务是一次性、变化频繁时,优先使用 Prompt,避免过早抽象带来的维护负担。
- 当某类流程会被反复执行、且规则稳定时,值得沉淀为 Skill,以换取长期效率。
- 当模型需要访问真实数据或外部能力时,应评估引入 MCP;在团队安全治理能力有限时,需先补齐认证与审计再接入。
- 三者并非互斥,而是分层配合的关系:Prompt 负责意图,Skill 负责方法,MCP 负责能力。选型应按任务的复用频率、对外部能力的依赖程度、以及团队可承受的维护成本综合判断,而非追求单一”最优”。
八、迁移与使用注意事项
- Prompt 迁移:成本最低,但需关注版本管理与去重,避免同一规范散落多处、口径不一致。
- Skill 迁移:需系统梳理流程、验证挂载脚本的安全性,防止自动执行环节引入风险。
- MCP 迁移:涉及接口权限、身份认证、数据隔离与操作审计,接入前应评估稳定性、兼容性与安全边界,避免直接暴露敏感能力。
九、总结
回到核心问题:Prompt 是”说什么”,Skill 是”怎么做”,MCP 是”能做什么”。它们是分层协作、各司其职的关系,而非相互替代。理解各自的复用成本、能力边界与接入门槛,才能在具体场景里做出合理判断——用轻量的方式处理临时需求,用沉淀的方式承接稳定流程,用标准化的方式接入外部能力,从而构建出既灵活又可维护的 AI Agent 体系。

登录后可评论,请前往 登录 或 注册