logo

Prompt、Agent、Function Call、Skill与MCP到底有什么区别

作者:梅琳marlin2026.11.16 11:22浏览量:0

简介:面对Prompt、Function Call、Agent、Skill、MCP这五个高频术语,不少开发者容易张冠李戴。本文从定义出发,逐一拆解每个概念"是什么、解决什么问题、如何运作",配合Java示意代码展示落地方式,并用对比视角帮你厘清彼此关系与适用边界,建立一套清晰的AI应用开发认知框架。

一、先给五个概念各下一个清晰定义

在深入之前,先用一句话为每个概念锚定坐标,后续再逐层展开:

  • Prompt(提示词):你输入给大模型的自然语言指令,是人与模型沟通的”接口层”,本质是”人话”。
  • Function Call(函数调用):让模型能以结构化方式请求执行某个外部函数的能力,是模型从”只会说”到”能动手”的桥梁。
  • Agent(智能体):以大模型为决策核心,能够自主感知状态、拆解目标、规划步骤、调用工具并循环执行,直至完成任务的系统。
  • Skill(技能):对一组可复用能力的封装与声明,告诉智能体”我拥有哪些本事、什么场景该用哪个本事”。
  • MCP(Model Context Protocol,模型上下文协议):一套标准化的开放协议,用于让模型或应用以统一方式接入外部数据源与工具,相当于”AI 世界的通用接口标准”。

一句话概括五者关系:Prompt 是入口,Function Call 是手脚,Agent 是大脑与调度中枢,Skill 是能力清单,而 MCP 是让这些能力”即插即用”的标准接口。

二、它们为什么会出现:要解决的问题

在只有大模型问答的时代,一个核心矛盾逐渐凸显:模型懂语言,但不了解你的私有数据,也无法执行真实动作。 它不知道你今天的数据库状态,不能替你发请求、查库存、算报表。围绕这个矛盾,五个概念依次被提出:

  • Prompt 解决”如何把意图准确传达给模型”;
  • Function Call 解决”如何让模型的决策转化为可执行的动作”;
  • Agent 解决”如何处理无法一步完成的复杂多步任务”;
  • Skill 解决”如何组织和声明智能体的能力边界”;
  • MCP 解决”如何让工具接入从每家各写一套,变成标准化的一次接入、多处复用”。

三、逐层拆解:每一层到底是什么

1. Prompt:与模型对话的”人话”

Prompt 是所有交互的起点。技术上,它是一段被送入模型的文本(通常还包含系统提示、上下文与用户输入),决定了模型输出的方向、格式与风格。好的 Prompt 不是啰嗦的许愿,而是清晰的角色设定、明确的任务描述、必要的约束与示例。 它是后面所有能力的前提——Function Call 的选择、Agent 的规划,都建立在模型正确理解了 Prompt 之上。

  1. // 一个结构化的 Prompt 构造示意
  2. public class PromptBuilder {
  3. public String build() {
  4. String system = "你是一名数据分析助手,回答必须简洁,并给出依据。";
  5. String context = "当前用户:普通账户;查询范围:最近30天。";
  6. String user = "帮我总结这段时间的消费趋势。";
  7. // system + context + user 共同构成一次完整输入
  8. return system + "\n" + context + "\n" + user;
  9. }
  10. }

2. Function Call:让 AI “动手干活”

大模型本身不会执行代码,但它可以”表达意图”:告诉调用方”我想调用查天气函数,参数是城市=北京”。程序据此真正执行函数,再把结果回传给模型。关键理解:Function Call 并不等于模型直接执行动作,而是”模型输出结构化调用请求 → 程序执行 → 结果回灌”的闭环。 这个区别非常重要,它意味着真正的权限与安全边界掌握在你的代码手里。

  1. // 1) 用 JSON Schema 声明一个可被调用的函数
  2. String functionSchema = """
  3. {
  4. "name": "get_weather",
  5. "description": "查询指定城市的天气",
  6. "parameters": {
  7. "type": "object",
  8. "properties": { "city": { "type": "string" } },
  9. "required": ["city"]
  10. }
  11. }
  12. """;
  13. // 2) 模型返回的调用意图(通常解析为如下结构)
  14. class FunctionCall {
  15. String name; // "get_weather"
  16. Map<String,Object> args; // {"city": "北京"}
  17. }
  18. // 3) 由你的程序负责真正执行,并回灌结果
  19. Object result = dispatch(call) {
  20. if (call.name.equals("get_weather")) {
  21. return weatherService.query((String) call.args.get("city"));
  22. }
  23. throw new IllegalArgumentException("未知函数");
  24. };

agent-ai-">3. Agent:让 AI 会”思考规划”

当任务无法一步完成时(例如”调研竞品并写一份报告”),就需要 Agent。它的核心是一个循环:模型观察当前状态 → 思考下一步 → 选择一个工具(Function Call 或 Skill)→ 观察结果 → 再思考,直到判定任务完成或触达上限。Agent = 大模型(推理) + 工具集(行动) + 记忆(上下文) + 循环控制(调度)。 与一次性问答的本质区别在于”自主的多步决策与自我修正能力”。

  1. // 简化的 Agent 主循环示意
  2. while (!done && step < maxSteps) {
  3. String thought = llm.decide(context); // 推理:下一步做什么
  4. Action action = parseAction(thought); // 解析出要执行的动作
  5. Object observation = executor.run(action); // 执行:调用工具
  6. context.add(observation); // 记忆:结果写入上下文
  7. done = llm.isFinished(context); // 判断是否完成
  8. step++;
  9. }

4. Skill:AI 的”职业技能证书”

Skill 是对能力的封装与声明。它告诉智能体:你拥有一项名为”生成周报”的技能,附带它的适用场景、输入输出说明和调用方式。可以把 Skill 理解为”带说明书的工具包”——它把”什么时候用、怎么用、能产出什么”打包在一起,让 Agent 在众多能力中做出正确选择。Skill 让能力从散乱的函数,升级为可被智能体理解和编排的”技能单元”。

  1. // Skill 的声明结构示意:名称 + 描述 + 触发条件 + 执行体
  2. class Skill {
  3. String name; // "weekly_report"
  4. String description; // "根据近一周数据生成结构化周报"
  5. String whenToUse; // "当用户请求汇总本周工作时触发"
  6. Object execute(Object input); // 具体能力实现
  7. }

5. MCP:AI 世界的”USB 接口”

前面几层解决的是”单个应用内部”的问题,但如果每个应用接每个数据源都要重写一遍适配代码,成本会爆炸。MCP 的答案是标准化:定义一套统一协议,数据源/工具方按协议暴露能力,模型侧按协议接入,从而实现”一次开发、处处可用”。它就像 USB 接口一样——设备端遵循统一规范,主机端就能即插即用,不必关心内部实现。MCP 本身不是某个具体工具,而是一层”连接标准”,把 Function Call 与 Skill 的能力供给标准化、解耦化。

  1. 应用/智能体 (MCP Client)
  2. │ 统一协议(能力发现、调用、资源读取)
  3. ▼
  4. 数据源/工具 (MCP Server) —— 数据库、文件、外部服务等

四、五个概念的关系对比

概念 一句话定位 解决的核心问题 类比
Prompt 输入的自然语言指令 如何准确传达意图 对话的”开场白”
Function Call 结构化调用外部函数 让模型能触发动作 模型的”手脚”
Agent 自主多步决策系统 处理复杂多步任务 大脑与调度中枢
Skill 能力的封装与声明 组织与选择能力 技能证书与工具包
MCP 标准化的接入协议 工具的即插即用 通用”USB 接口”

它们不是竞争关系,而是层层支撑的协作关系:一次完整调用中,你用 Prompt 表达意图,Agent 进行规划,通过 Skill 选择合适能力,借助 MCP 标准化地接入工具,最终由 Function Call 完成一次具体动作。

五、典型应用场景

  • Prompt:几乎所有 LLM 应用的基础,如客服问答、文案生成、代码辅助。
  • Function Call:需要读取实时数据的场景,如查订单、查库存、发起支付、调用内部 API。
  • Agent:多步骤、需自主决策的任务,如自动化运维排查、复杂研究报告、端到端业务流程自动化。
  • Skill:构建面向特定岗位的智能助手,把业务能力标准化封装,便于复用与治理。
  • MCP:需要连接多种异构数据源与工具的平台型产品,追求”接入一次、多端复用”的团队。

六、选型与使用的注意事项

  1. 安全边界优先:Function Call 与 MCP 都会触达真实系统,务必在服务端做权限校验、参数校验与审计,不要盲目信任模型输出。
  2. 提示词不是万能药:Prompt 决定行为倾向,但确定性逻辑(如权限、计费)应由代码保障,而非依赖模型自觉。
  3. Agent 需设护栏:循环必须有最大步数、超时与终止条件,防止无限调用或成本失控。
  4. 能力粒度要合理:Skill 划分过细会增加调度难度,过粗则难以复用,应结合业务边界设计。
  5. 协议标准化的收益:接入外部工具时,优先采用 MCP 这类通用标准,降低耦合、提升可移植性。
  6. 可观测性:对 Prompt 输入、工具调用、Agent 决策链路做日志与监控,便于排查与优化。

七、总结

Prompt、Function Call、Agent、Skill、MCP 并非五个孤立的概念,而是 AI 应用从”能对话”走向”能干活”过程中依次出现的支撑层:Prompt 是入口,Function Call 是执行手脚,Skill 是能力封装,Agent 是调度大脑,MCP 是标准化接口。 理解它们的定义与相互关系,是从”会调用模型”迈向”会构建可靠 AI 系统”的关键一步。把握各自的适用边界与安全要点,才能在真实项目中做出合理的架构选型。

发表评论

活动