logo

Prompt与Agent、Skill、MCP有何区别?怎么选

作者:JC2026.11.16 10:52浏览量:0

简介:很多团队在规划AI应用时,容易把Prompt、Function Call、Agent、Skill、MCP当成同一层面的竞品来对比,结果需求边界模糊、方案反复推倒。本文从抽象层次、执行方式、状态管理、权限边界、失败模式、复用与集成等维度逐项拆解这五者的真实分工,并给出对比表格、场景化选型建议与迁移注意事项,帮助你在“够用即可”和“过度设计”之间找到可落地的判断依据。

一、为什么这五者必须先分层再对比

在真实的AI应用项目里,最常见的争论不是“哪个模型更强”,而是“这个需求该用Prompt搞定,还是要上Agent”。这类争论之所以难以收敛,是因为被比较的对象根本不在同一个抽象层次上:

  • Prompt 是输入侧的表达契约;
  • Function Call 是模型与外部系统之间的执行通道;
  • Agent 是承载“思考—行动—观察”的控制回路;
  • Skill 是能力封装与复用的组织方式;
  • MCP 是工具与数据源接入的协议标准。

也就是说,它们更接近一个“能力栈”的不同楼层,而不是货架上的五个同类商品。真正需要对比的是:各自负责哪一层、在什么条件下应该引入、引入后新增了哪些风险与运维成本、以及它们如何组合。下面先逐个说清定位,再做同维度比较。


二、五个概念分别解决什么问题

2.1 Prompt:人与模型之间的“输入契约”

Prompt 是你交给模型的全部输入,通常由系统提示(身份、角色、边界、输出格式)、用户输入、外部注入的上下文、以及少量示例共同组成。它决定了模型“以什么身份、按什么格式、在什么约束下”作答。

它的价值在于成本极低、改动极快:改一句话就能调整输出风格、结构化程度、语气与取舍标准。它的局限也很清楚:

  1. 无状态:模型本身不负责记住上一轮,上下文要靠外部显式拼接;
  2. 不执行动作:再完美的提示词也不会真的去查数据库、发通知;
  3. 确定性弱:同一输入在不同参数下可能产生格式漂移,难以作为强约束依赖;
  4. 难以复用与治理:提示词散落在代码字符串里,没有版本、没有回归用例、没有变更记录,是很多团队后期最难维护的部分。

一个通用形态的伪代码示意(类型名为示例,实际项目按所用框架替换):

  1. public String ask(String question) {
  2. Prompt p = new Prompt(List.of(
  3. new Message("system", "你是资深工程师,用通俗语言解释概念,不确定时明确说明。"),
  4. new Message("user", question)
  5. ));
  6. return llmClient.chat(p).text();
  7. }

2.2 Function Call:让模型具备“动手能力”的执行通道

Function Call(工具调用)的机制可以概括为四步:模型输出结构化的调用意图(工具名 + 参数)→ 宿主程序校验参数 → 宿主程序真正执行 → 结果回灌给模型继续推理。

这里有一个常被误解的点:真正执行动作的是你的代码,不是模型。模型只是“提议者”。这决定了它的工程重点根本不在提示词,而在工具契约设计上:

  • 工具描述要写清“什么时候该用、什么时候不该用”,描述质量直接决定选择准确率;
  • 参数 schema 必须严格,并且要做业务层二次校验,因为模型可能生成格式合法但语义错误的参数(例如把数量传成负数、把用户ID传成别人的);
  • 需要处理超时、重试、幂等、部分失败与错误回传,错误信息要“可读”,模型才能自我纠正。
  1. // 工具契约与执行器分离:模型负责提议,宿主负责校验和执行
  2. record ToolSpec(String name, String description, JsonSchema params) {}
  3. Object invoke(ToolSpec spec, JsonNode args) {
  4. validateAgainstSchema(spec.params(), args); // 第一层:结构校验
  5. validateAgainstBusinessRules(args); // 第二层:语义/权限校验
  6. return registry.get(spec.name()).execute(args);
  7. }

agent-">2.3 Agent:带循环与状态的控制层

Agent 在单次调用之上增加了循环与状态:接收一个目标,自行拆解步骤,选择工具,观察结果,判断是继续、重试还是收敛,直到满足终止条件或触发上限。

它与“带Function Call的单轮问答”的本质差别在于不确定性来源:在固定编排里,下一步做什么由你写死;在Agent里,下一步做什么由模型根据上一步的观察决定。这带来能力跃迁,也带来三个必须提前设计的东西:

  1. 终止条件:无终止条件的Agent会陷入“看起来一直在干活”的状态,持续消耗令牌与工具调用;
  2. 预算上限:步数、时间、调用次数、成本都要有硬上限,并支持人工中断;
  3. 可观测与可回放:每一步的输入、输出、工具调用与决策依据都要留痕,否则线上问题几乎无法复盘。
  1. // 简化的Agent主循环骨架
  2. List<Step> trace = new ArrayList<>();
  3. for (int i = 0; i < MAX_STEPS; i++) {
  4. Decision d = model.decide(goal, memory, toolCatalog);
  5. if (d.finished()) return d.result();
  6. trace.add(d);
  7. memory.add(d.toolName(), executor.invoke(d.tool(), d.args()));
  8. }
  9. return Step.limitReached(trace); // 触发上限时显式收敛,而不是静默返回

2.4 Skill:可复用的“能力封装单元”

Skill 不是一种运行时机制,而是一种组织方式:把完成某类任务所需的提示词、工具集、领域知识、流程约束、输入输出规范,打包成一个有名字、有描述、有版本、有测试的能力单元,供上层按需加载。

它的类比是“职业技能证书”:证书本身不干活,但它标准化地声明了“持证人具备什么能力、在什么范围内可信、该怎么调用”。这解决的是规模化后的复用与治理问题:

  • 同一类能力(例如“生成数据库变更脚本”“解析合同关键条款”)被多个业务应用反复实现,提示词各自演化,质量参差;
  • 封装成Skill后,能力可以被检索、被组合、被灰度、被统一回归测试,变更影响面可控;
  • 边界也更清晰:Skill描述中应当写明适用范围与不适用场景,避免被错误加载后产生跨领域误用。

2.5 MCP:工具接入的协议标准

MCP(模型上下文协议)解决的是集成层解耦问题:它定义了一套开放协议,规范宿主端如何发现外部能力、如何声明能力清单、如何发起调用、如何接收结构化结果。它的价值类似通用接口标准——统一了握手与描述格式之后,工具提供方和宿主实现方可以独立演进,不必为每个工具写一套私有适配代码。

从工程视角看,MCP 类协议带来的变化是:

  • 接入方式从“编译期硬编码”转向“运行期发现”:工具清单可以在运行时变化;
  • 责任边界重新划分:工具端可用性、版本、限流、权限 become 需要单独治理的对象;
  • 新增信任面:你引入了外部工具提供方的实现,需要评估其超时行为、返回内容是否可信、是否会索取超出必要范围的数据。

需要说明的是,协议本身不保证安全与正确性,它保证的是格式统一与解耦,安全与正确性仍然要由宿主端的权限模型、校验和审计来兜底。


三、它们的相同点

在差异之外,这五者共享几个常被忽略的共性,这也是很多设计原则可以复用的原因:

  1. 最终目标一致:都是为了让模型能力接入真实业务流程并产出可用结果;
  2. 都依赖显式契约:Prompt依赖文本约定,Function Call与MCP依赖schema,Agent依赖决策输出格式,Skill依赖能力描述。契约写得越模糊,线上行为越不可控;
  3. 都无法替代确定性逻辑:涉及金额、权限、合规、不可逆写入等环节,必须由代码做主,模型只能在既定边界内提议;
  4. 都需要工程化治理:日志、审计、指标、回归用例、版本管理,一个都不能少;
  5. 都会随模型能力演进而变化:更强的模型会改变各层的必要性配比,因此架构上应保留替换空间,避免把某一层写死。

四、核心差异逐维度拆解

对比维度 Prompt Function Call Agent Skill MCP
抽象层次 交互输入层 执行通道层 控制编排层 复用封装层 集成协议层
主要解决 表达意图与约束 让模型驱动外部动作 自主完成多步任务 能力复用与治理 工具/数据源标准化接入
输入输出形态 自然语言文本 结构化调用+结构化结果 多轮“决策—观察”序列 打包的能力描述与规范 协议消息与能力清单
状态管理 依赖外部拼接 单次调用内 必须显式维护记忆与轨迹 自身无状态,随宿主运行 连接与会话状态
接入成本 最低,改文本即可 中等,需工具与校验 较高,需循环与观测设施 中等,需规范与测试 中等,需协议实现与治理
主要风险 幻觉、格式漂移、不可控 参数错误、误调用、越权写入 循环不终止、成本失控、目标漂移 版本混乱、能力过期、误加载 工具端不可用、版本不兼容、权限扩散
可复用性 弱,易复制粘贴式扩散 依赖工具设计质量 难以直接复用,与业务耦合 强,天生面向复用 强,跨实现复用
适用任务确定性 低确定性任务 步骤明确、动作有限 步骤无法预先枚举 跨应用重复的同类任务 多来源、需替换供应商的接入

几个值得展开的关键差异:

确定性与可控性递增。 从Prompt到Agent,模型自由度上升,可控性下降。这不是缺陷,而是与任务不确定性相匹配的代价:步骤可枚举时强行引入自主决策,只会增加失败面;步骤无法枚举时只用固定编排,则会把大量分支判断硬编码进代码,反而更脆弱。

失败模式的重心不同。 Prompt的失败集中在“说得对但做得不对”;Function Call的失败集中在“调对了工具但传错了参数”;Agent的失败集中在“看起来一直在推进却永不收敛”;Skill的失败集中在“能力本身过期或被错误加载”;MCP的失败集中在“依赖的外部能力不可用或行为变了”。这直接决定了各自需要配置的监控指标并不相同。

权限模型的位置不同。 Function Call 是把权限收紧的关键位置——工具白名单、参数校验、危险操作二次确认都应落在宿主执行侧;而 MCP 类协议会额外引入“外部工具端”这一信任对象,需要在准入阶段就明确数据最小化与审计要求,不能默认可信。

运维关注点不同。 Prompt关注回归用例集与变更记录;Function Call关注工具错误率与幂等;Agent关注步数分布、终止原因与单任务成本;Skill关注版本灰度与文档一致性;MCP关注工具端可用性、超时重试与协议版本兼容。在国内云市场中,百度智能云等平台对外提供的能力也以通用类目形式呈现,如大模型服务、身份认证、日志服务、监控告警等,可按需组合,但无论采用哪种组合方式,上述治理职责都不会被自动替代。


五、典型场景怎么选

  • 单轮问答、摘要、改写、分类、格式转换:以Prompt为主,配合输出格式约束与后校验,通常不需要引入其他层;
  • 需要查数据、发通知、写文件但步骤固定:固定编排 + Function Call,比Agent更稳定、成本更可预测;
  • 多步排障、跨系统流程、需要按中间结果调整策略:Agent,但必须同时具备终止条件、预算上限与全链路留痕;
  • 同类能力在多个业务线重复建设:抽成Skill,统一提示词、工具集与测试;
  • 工具来自多方、需要独立演进或替换提供方:用MCP这类协议化方式接入,把耦合点收敛到协议边界上。

现实中这五者往往是叠加存在的:一个生产级应用通常是“Prompt约束输出 + Function Call执行动作 + 轻量Agent编排 + Skill沉淀复用 + MCP对接外部工具”。区别只在于你在这个组合里投入了多少复杂度。


六、选型建议(条件化判断)

  1. 先问任务步骤能否枚举。 能枚举优先固定编排;不能枚举再考虑自主循环,避免为了“看起来更智能”付出不可控的失败成本。
  2. 优先补执行层的严谨性,而不是先升级控制层。 工具契约不清、参数无校验、无幂等设计的系统,加Agent只会放大问题。
  3. 出现重复实现才引入Skill。 如果同类能力只在一处使用,过早封装会增加维护面而非减少。
  4. 出现多源集成或供应商替换诉求才引入协议化接入。 单一内部工具用私有适配往往更简单直接。
  5. 保持替换空间。 模型、编排框架、工具协议都会演进,关键接口应做一层薄抽象,避免业务逻辑直接依赖某一种具体实现细节。

七、迁移与落地注意事项

  • 提示词资产化:把散落的字符串提取为可版本管理、可差异对比、可回归测试的资产,否则任何一次“优化”都无法证明没有引入退化;
  • 双层校验:schema结构校验 + 业务语义与权限校验,二者缺一不可;
  • 危险操作隔离:写操作、删除操作、资金类操作与只读操作分开授权,高风险动作要求显式确认;
  • Agent可中断可回放:支持外部中止、步数与成本上限、轨迹持久化,便于问题定位与成本核算;
  • Skill与协议版本治理:能力描述变更应灰度发布,协议升级需评估双向兼容,避免工具端升级导致宿主行为突变;
  • 数据与合规:对注入上下文做脱敏与最小化,明确哪些数据可传给外部工具端,并保留完整审计记录;
  • 不要低估隐性人力成本:新增一层抽象通常伴随文档、测试、监控与排障路径的增加,这部分成本应在方案评估阶段就计入,而不是上线后再补。

八、总结

Prompt、Function Call、Agent、Skill、MCP 之间不是替代关系,而是分层协作关系:Prompt 决定“怎么表达”,Function Call 决定“能做什么”,Agent 决定“谁来决定下一步”,Skill 决定“能力如何被复用与治理”,MCP 决定“外部能力如何被标准化接入”。

判断该引入哪一层,可以只抓住两个轴:任务的不确定性有多高,以及复用与集成的诉求有多强。不确定性低、无复用诉求时,停留在Prompt与Function Call往往就是最优解;随着任务复杂度、团队规模和外部依赖上升,再依次引入编排、封装与协议化能力。避免“一上来就全栈”和“永远停留在改提示词”两种极端,才是这类架构演进中最省成本的做法。

发表评论

活动