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:
- 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;
- 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;
- 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;
- 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):
public String ask(String question) {Prompt p = new Prompt(List.of(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。"),new Message("user", question)));return llmClient.chat(p).text();}
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。
// 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record ToolSpec(String name, String description, JsonSchema params) {}Object invoke(ToolSpec spec, JsonNode args) {validateAgainstSchema(spec.params(), args); // 第一层:结构校验validateAgainstBusinessRules(args); // 第二层:语义/权限校验return registry.get(spec.name()).execute(args);}
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:
- 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;
- 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;
- 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。
// 简化的Agent主循环骨架List<Step> trace = new ArrayList<>();for (int i = 0; i < MAX_STEPS; i++) {Decision d = model.decide(goal, memory, toolCatalog);if (d.finished()) return d.result();trace.add(d);memory.add(d.toolName(), executor.invoke(d.tool(), d.args()));}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:
- 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;
- 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;
- 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;
- 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;
- 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)
- 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。
- 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。
- 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。
- 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。
- 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。

登录后可评论,请前往 登录 或 注册