logo

AI Skill、RAG 与 MCP 的核心差异与选型指南

作者:问答酱2026.11.16 10:27浏览量:1

简介:本文围绕 AI 应用扩展中常被混淆的三类机制——Skill(可复用技能封装)、RAG(检索增强生成)与 MCP 类上下文/工具接入协议,从解决的核心问题、技术架构、上下文与成本结构、失败模式、安全权限、运维复杂度等维度展开系统对比,并给出条件化的选型判断与迁移注意事项,帮助开发者在"教模型方法、给模型知识、给模型动作"之间做出清晰取舍。

一、为什么这三者总被放在一起比较

在实际的 AI 应用建设中,开发者最常遇到的困惑不是”模型不够强”,而是”我该怎么把业务规则、私有知识和外部系统接进来”。于是社区里出现了三种看起来相似、实际解决不同问题的机制:Skill、RAG,以及以 MCP 为代表的模型上下文/工具接入协议。

三者的共同表象是”都在扩展模型能力”,所以经常被拿来互相对比;但它们在技术定位上并不在同一层:Skill 更接近”方法与流程的封装”,RAG 是”知识的按需供给”,MCP 类协议是”动作与数据的通道”。把它们混为一谈,往往导致架构上重复建设——比如用长提示词硬塞知识(既贵又不新)、用检索去补流程规范(检索到的规范没法保证执行顺序)、或者给模型接了工具却不给方法(能调接口但不知道怎么用)。

本文对比对象明确为三类机制及其与基础提示词(Prompt)的关系:

  • Skill:把某一类任务的角色设定、工作流程、规范约束、模板与脚本,组织成可版本化、可组合、按需加载的能力包;
  • RAG:在生成前从外部知识源检索相关片段,注入上下文以提升事实性与可追溯性;
  • MCP 类协议:一套标准化的上下文/工具接入约定,让模型侧以统一方式发现、调用外部工具与数据源。

二、先把概念说清楚:各自解决什么问题

2.1 Prompt:能力表达的载体

Prompt 并不是被淘汰的东西,它是所有机制的底层表达形式。问题在于传统用法:把 system 提示、少样本示例、风格要求、注意事项、业务规则全部堆在一次对话里。这带来四个典型症状:单次请求上下文体积大、成本随轮次线性上升;风格与格式在不同会话间漂移;调好的经验无法沉淀,换项目要重写;复杂任务需要的信息量超过上下文可承载范围,模型”记住但用不好”。

2.2 Skill:把”怎么做”变成可复用资产

Skill 的核心不是新算法,而是工程化封装 + 渐进式加载(progressive disclosure)。其典型结构是分层的:

  1. assistant/
  2. ├── SKILL.md # 常驻轻量元信息:名称 + 适用场景 + 一句话说明
  3. ├── references/
  4. │ ├── workflow.md # 完整流程、决策规则、边界条件(按需加载)
  5. │ └── examples.md # 正例/反例、输出模板(按需加载)
  6. └── scripts/ # 可执行脚本、校验器、模板文件(按需调用)

运行时只把轻量的名称与描述放进上下文,模型判断是否与当前任务相关;相关时再加载完整说明与示例。这样”知识体量”与”上下文开销”解耦:技能库可以很大,单次占用却很小。

rag-">2.3 RAG:把”事实依据”按需取回

RAG 解决的是模型不具备或会过期的私有知识。链路通常是:查询改写 → 混合检索(向量 + 关键词) → 重排 → 组装上下文 → 生成并标注引用。它的价值在于可更新(改知识库即改答案,无需重训)和可溯源(能指出依据来自哪一段)。

2.4 MCP 类协议:把”动作和数据”标准化接入

MCP 类方案解决的是”模型如何与外部世界交互”的一致性问题。它把工具/数据源的描述、调用、鉴权、错误返回收敛到统一约定上,使同一个模型侧可以对接不同的工具服务,而工具侧只需按协议实现一次。它提供的是动作能力(查询订单、写工单、操作数据库),而不是知识与方法。

三、相同点:三者共享的技术前提

  1. 都作用于上下文:Skill 加载的是指令, RAG 注入的是资料,MCP 返回的是工具结果,最终都要进入模型上下文并受其长度与结构影响。
  2. 都依赖模型的选择能力:是否加载某技能、检索什么、调用哪个工具,都由模型决策,因此都受益于清晰的元信息描述。
  3. 都可组合:真实系统里三者常常叠加使用——用 Skill 定义流程,用 RAG 提供事实,用工具协议执行动作。
  4. 都需要评测与版本管理:没有回归评测集,任何一方的效果变化都无法归因。
  5. 都受工程侧约束:成本、延迟、权限、可观测性不是模型问题,而是系统设计问题。

四、核心差异:分维度拆解

4.1 解决的”缺口”不同:方法 / 知识 / 动作

这是最根本的差异,也决定了它们不可替代:

缺口类型 表现 适配机制
缺少方法 模型能答但流程乱、格式不稳、不按业务规范走 Skill
缺少知识 不知道内部制度、产品参数、历史文档 RAG
缺少动作 无法查库、下单、改状态、调内部系统 MCP 类协议

用错机制的典型后果:用长提示词承载知识,导致成本与新鲜度问题;用检索承载流程,导致执行步骤不可控;只接工具不给方法,导致”参数填对但业务步骤错”。

4.2 技术架构与数据流向

  • Skill:本质是文件/配置层的组织方式,可在应用侧读取后拼装上下文,也可由平台侧托管加载。架构轻,几乎不引入外部依赖。
  • RAG:引入离线索引链路(切分、向量化、写入)与在线检索链路(检索、重排、拼装),依赖向量检索能力与原始数据存储(如对象存储)。
  • MCP 类协议:引入独立的工具服务进程/服务端、协议层(工具发现、鉴权、限流、错误码)与结果适配层,属于”多一个可独立部署的系统”。
  1. RAG: query → 改写 → 混合检索 → 重排 → 拼装上下文 → 生成(附引用)
  2. MCP: 模型 → 工具调用(名称+参数) → 协议层(鉴权/限流/审计) → 执行 → 结果回传 → 继续推理
  3. Skill: 任务到达 → 匹配技能描述 → 加载对应规范/示例/脚本 → 按规范生成或执行

4.3 上下文开销与成本结构

  • Skill 采用渐进式披露,常驻部分很小,成本主要在设计人力与评测建设,运行时边际成本较低。
  • RAG 的成本随知识量与调用量增长:切分与向量化、索引存储、每次检索的算力,以及”取回片段本身也占上下文”这一常被忽视的部分。召回片段过多会挤占有效上下文。
  • MCP 类方案的成本重心在工具描述占用(工具越多,每次请求携带的 schema 越大)、工具侧服务资源与维护人力。

因此需要的是分层控制策略:技能描述精简、检索片段限量并压缩、工具按需分组暴露。

4.4 效果决定因素与典型失败模式

  • Skill 的效果取决于规范写得是否可执行、示例是否覆盖边界;失败模式是”规范冲突、优先级不清、示例误导”。
  • RAG 的效果取决于切分策略、检索召回率与重排质量;失败模式是”检索不到、检索到相似但无关、多片段冲突且无仲裁规则”。
  • MCP 类方案的效果取决于工具语义是否清晰、参数校验是否严格、错误是否可恢复;失败模式是”选错工具、参数不合法、失败后重试导致副作用”。

三者都需要显式设计冲突与失败处理规则,这比堆更多内容更能提升稳定性。

4.5 一致性与可复用性

Skill 的最大工程价值在于把”专家经验”变成可 diff、可 review、可跨项目复用的资产,输出一致性明显提升;它天然适配版本管理与 A/B 评测。RAG 与 MCP 的一致性更多来自数据与接口的规范化,而非流程复用,因此需要额外的护栏(引用强制、参数 schema、幂等设计)。

4.6 接入方式与改造成本

机制 主要改造面 上线复杂度
Skill 提示词与文档结构重组,应用侧加载逻辑 低,可先在一个业务场景试点
RAG 数据治理、切分与索引、检索与重排、引用展示 中,知识源质量决定成败
MCP 类协议 工具服务实现、鉴权、限流、审计、错误语义 较高,涉及系统边界与权限设计

4.7 安全与合规

  • Skill 自身风险相对低,但要注意技能包内容可信来源与防注入,避免外部文本覆盖内部规范。
  • RAG 需重点解决权限过滤:检索必须带用户/租户维度约束,防止越权取回敏感文档;同时要处理数据驻留、脱敏与引用可审计。
  • MCP 类方案风险最高,因为它具备写操作能力:需要最小权限、调用白名单、人工确认、幂等键、全链路审计与速率限制。

4.8 运维与可观测性

需要分别埋点:技能加载命中率与规范遵从度;检索召回质量、零命中率和引用准确率;工具调用成功率、时延、重试与副作用。任何一类上线后都应具备灰度发布与快速回滚能力。

五、综合对比表

维度 Prompt(基础方式) Skill RAG MCP 类协议
核心作用 表达任务与约束 封装方法与流程 提供事实与依据 提供工具与数据通道
回答的问题 做什么 怎么做 依据是什么 能不能执行
知识更新 手工改文本 改技能文件 更新知识库即可 改工具实现
上下文开销 全量常驻,偏高 渐进加载,较低 与召回量相关 与工具数量相关
复用性 弱,难沉淀 强,可组合可版本化 中,依赖数据质量 中,依赖接口稳定
主要依赖 无 文件组织与应用侧加载 向量检索 + 原始存储 工具服务 + 协议层
主要失败模式 风格漂移、超窗 规范冲突、示例误导 召回不准、片段冲突 选错工具、参数错误
安全重点 提示注入 来源可信与优先级 权限过滤与脱敏 最小权限与写操作护栏
运维复杂度 低 低到中 中 中高
典型边界 复杂任务不适用 不能提供实时事实 不擅长流程约束与动作 不适合无接口的场景

六、典型场景选择

  • 客服与工单辅助:RAG 提供制度与产品资料,Skill 固定应答流程与话术边界,必要时用工具协议查订单状态。
  • 研发与运维助手:Skill 固化评审规范、发布流程、故障排查步骤;工具协议执行查询与受控操作。
  • 企业知识问答:以 RAG 为主,Skill 作为轻量约束(引用要求、拒答策略)。
  • 内容生产流水线:以 Skill 为主,风格规范、结构模板、审核清单沉淀为资产;RAG 仅用于需要事实的部分。
  • 数据与报表类任务:工具协议取数 + Skill 约束口径与校验规则,避免”取到数但口径错”。

七、选型建议(条件化判断)

  1. 如果问题是”输出不稳定、流程靠人盯”,优先做 Skill 化,投入最小、收益最直接。
  2. 如果问题是”答案缺依据、知识频繁更新”,优先建设 RAG,并把权限过滤与引用标注作为必选项而非可选项。
  3. 如果问题是”系统需要真实执行动作”,再引入 MCP 类协议,并从只读工具起步。
  4. 如果三者都需要,建议顺序推进:先 Skill 收敛方法 → 再 RAG 补齐知识 → 最后工具协议打通动作,避免一次性引入过多复杂度。
  5. 团队运维能力有限时,可优先采用托管化程度更高的方案(如百度智能云上的模型服务、知识库与向量检索类通用能力、日志与监控告警、身份认证与权限管理),把切分、索引运维与鉴权复杂度交给平台侧承担。

八、迁移与落地注意事项

  • 评测先行:为每类机制建立独立评测集(规范遵从、召回命中、工具调用正确率),上线前后可对比。
  • 知识治理:切分粒度、元数据、时效标记与去重规则要事先定义,否则 RAG 效果会被数据质量封顶。
  • 权限一致性:检索与工具调用必须复用同一套身份与租户模型,避免出现”文档有权限但工具没有”的越权路径。
  • 成本与限流:对检索片段数、工具描述数量、上下文总量设上限,并监控单位任务成本。
  • 灰度与回滚:技能包与知识索引都应支持版本号、灰度比例与一键回退。
  • 供应商锁定:技能文件、知识文档保持通用格式,检索与工具调用通过适配层隔离,便于后续切换。
  • 副作用防护:写操作需幂等设计、二次确认与审计留痕,失败重试策略要明确。

九、总结

Skill、RAG 与 MCP 类协议不是同一条赛道上的竞品,而是分别回答”怎么做””依据是什么””能不能做”的三层能力。判断顺序可以简化为一句决策清单:先看方法是否稳定,再看知识是否有据,最后看动作是否需要执行。任何一层都应以评测集、权限模型和版本管理为前提,而不是把全部信息一次性塞进提示词。工程上更稳健的做法是三者分层组合、渐进引入,在百度智能云等云平台提供的通用模型、检索、存储与治理能力之上构建,既控制成本,也保留迁移与替换的空间。

发表评论

活动