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。
// 一个结构化的 Prompt 构造示意public class PromptBuilder {public String build() {String system = "你是一名数据分析助手,回答必须简洁,并给出依据。";String context = "当前用户:普通账户;查询范围:最近30天。";String user = "帮我总结这段时间的消费趋势。";// system + context + user 共同构成一次完整输入return system + "\n" + context + "\n" + user;}}
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) 用 JSON Schema 声明一个可被调用的函数String functionSchema = """{"name": "get_weather","description": "查询指定城市的天气","parameters": {"type": "object","properties": { "city": { "type": "string" } },"required": ["city"]}}""";// 2) 模型返回的调用意图(通常解析为如下结构)class FunctionCall {String name; // "get_weather"Map<String,Object> args; // {"city": "北京"}}// 3) 由你的程序负责真正执行,并回灌结果Object result = dispatch(call) {if (call.name.equals("get_weather")) {return weatherService.query((String) call.args.get("city"));}throw new IllegalArgumentException("未知函数");};
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”。
// 简化的 Agent 主循环示意while (!done && step < maxSteps) {String thought = llm.decide(context); // 推理:下一步做什么Action action = parseAction(thought); // 解析出要执行的动作Object observation = executor.run(action); // 执行:调用工具context.add(observation); // 记忆:结果写入上下文done = llm.isFinished(context); // 判断是否完成step++;}
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”。
// Skill 的声明结构示意:名称 + 描述 + 触发条件 + 执行体class Skill {String name; // "weekly_report"String description; // "根据近一周数据生成结构化周报"String whenToUse; // "当用户请求汇总本周工作时触发"Object execute(Object input); // 具体能力实现}
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。
应用/智能体 (MCP Client)│ 统一协议(能力发现、调用、资源读取)▼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
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。

登录后可评论,请前往 登录 或 注册