# Function Calling、MCP 与 Agent Skill 的区别与层级关系解析
作者:谁偷走了我的奶酪2026.11.16 11:23浏览量:0简介:Function Calling、MCP 和 Agent Skill 常被误认为是互相竞争的替代方案,实际上它们是自底向上的三层架构。本文从定义出发,拆解每一层解决的问题、工作原理与相互关系,帮助读者建立清晰的技术认知框架,准确把握智能体系统中的选型与组合思路。
一、开篇:一个常见的认知误区
在智能体开发领域,Function Calling、MCP 和 Agent Skill 是三个高频出现的概念。很多人会把它们理解成“同一件事的三种不同实现”,认为它们是不同厂商在不同时期推出的竞争方案——例如认为一个系统只需要三选一。
这个理解存在根本性偏差。三者的真实关系不是并列竞争,而是自底向上的三层架构:Function Calling 是最底层的调用协议,MCP 在其之上做工具的标准化封装,Agent Skill 则在最上层把使用工具完成任务的知识和流程沉淀为可复用模块。每一层解决的问题是不同的,搞清楚“每层到底在解决什么问题”,三者的区别自然一目了然。
本文将按照定义型文章的结构,从概念定义、背景价值、核心组成、工作原理、典型场景、概念辨析和注意事项七个方面,把这三个概念系统讲清楚。
二、概念定义:三者分别是什么
2.1 Function Calling:模型的“调用语言”
Function Calling(函数调用)是一种底层协议机制,解决的核心问题是:模型怎么触发外部函数调用。
大语言模型的本质是文本生成器,它本身并不能执行代码、查询数据库或调用接口。Function Calling 的做法是:开发者在请求模型时预先声明一组可用的函数及其参数格式(通常以 JSON Schema 描述),模型在理解用户意图后,并不真正执行任何函数,而是输出一段结构化的数据,说明“我想调用哪个函数、传什么参数”。真正的执行由外部程序完成,执行结果再回传给模型,模型据此继续生成回复。
可以把它理解为一种“调用语言”:模型用它来表达调用意图,程序负责翻译和执行。
2.2 MCP:工具的“标准化总线”
MCP(Model Context Protocol,模型上下文协议)是一种开放协议,解决的核心问题是:工具怎么标准化地暴露给模型。
在没有统一协议之前,每接入一个数据源或外部系统(数据库、API、文件系统等),开发者都要为其编写一份定制的工具描述和对接代码。当工具数量增长、模型或宿主环境切换时,这些对接工作无法复用,形成大量重复开发。
MCP 把各类外部能力封装成标准化的服务:工具以统一的协议格式声明自己“能提供哪些函数、参数是什么”,宿主环境(如智能体客户端)以统一方式发现、连接和调用这些服务。其价值类似软件工程中的接口抽象——“一次实现,到处复用”:工具开发者只需按协议实现一次,就能被任何支持该协议的智能体环境使用。
agent-skill-">2.3 Agent Skill:任务的“操作手册”
Agent Skill(智能体技能)是更高层的封装,解决的核心问题是:拿到工具之后,按什么流程、什么标准完成任务。
仅有工具并不等于能完成任务。比如系统里有了数据库查询工具、代码执行工具、文档生成工具,模型仍然需要知道:遇到某类任务时应该先做什么、后做什么、中间有哪些检查点和质量标准、哪些步骤可以直接调用现成脚本或模板。Agent Skill 就是把这些执行步骤、领域知识、最佳实践、辅助脚本和输出模板打包成一个可复用的模块,让智能体在特定任务场景下“照着操作手册做事”,而不是每次都靠模型自由发挥。
用一句话概括三者的定位:
- Function Calling 是语言——模型用它表达“我要调这个函数”;
- MCP 是工具箱——工具服务用它声明“我能提供这些函数”;
- Agent Skill 是操作手册——它告诉模型“用这些工具,按这个流程完成任务”。
三、背景与价值:为什么会出现这三个概念
从时间线看,三者的出现顺序恰好对应能力需求的逐层升级。
第一阶段:让模型“能动”起来。 大模型早期只能生成文本,无法触发任何外部动作。为了让模型能查数据、发请求、执行操作,底层调用协议被设计出来,Function Calling 应运而生。这是智能体能力的地基。
第二阶段:让工具“接得快”。 调用协议解决之后,工具生态迅速膨胀,但对接方式五花八门、彼此不通。行业需要一个统一标准来降低接入成本、提升工具复用率,于是以 MCP 为代表的工具标准化协议出现,把“每接一个工具写一遍胶水代码”变成“按协议实现一次,处处可用”。
第三阶段:让任务“做得好”。 工具充足之后,新的瓶颈是执行质量:模型面对一堆工具,缺乏任务级的流程指引,输出不稳定、质量参差。Agent Skill 应运而生,把人类专家的经验流程显式化、模块化,让智能体的执行从“靠模型即兴发挥”升级为“按标准作业流程执行”。
这三层各自解决上一层遗留的瓶颈,因此构成了依赖关系而非替代关系。
四、核心组成与工作原理
4.1 Function Calling 的运作流程
一次典型的函数调用流程如下:
- 程序向模型发送用户请求,并附上可用函数的名称、描述与参数模式;
- 模型根据语义理解,输出结构化的调用意图(伪代码示意):
{"function": "query_order","arguments": { "order_id": "A1001" }}
- 程序解析该意图,实际执行本地函数;
- 执行结果回传给模型,模型整合结果生成最终回复。
4.2 MCP 的运作机制
MCP 采用客户端-服务端架构:
- MCP 服务端:封装某一类外部能力(如数据库、消息队列、对象存储等常见云产品能力类别),按协议声明可用的工具清单;
- MCP 客户端:位于智能体宿主环境中,负责发现、连接服务端,并把工具清单翻译成模型可理解的函数描述;
- 运行时,模型产生的调用意图经宿主程序路由到对应的 MCP 服务端执行。
其工作链条可以概括为:工具注册 → 协议暴露 → 客户端发现 → 转化为函数调用 → 执行并返回。注意最后一步最终仍然落在 Function Calling 这一层——这正是层级依赖的体现。
4.3 Agent Skill 的组织方式
一个典型的技能模块通常包含:
- 流程说明:任务分步执行的操作指引;
- 领域知识:完成任务所需的标准、约束和注意事项;
- 辅助资源:可直接调用的脚本、检查清单、输出模板;
- 触发条件:说明什么类型的任务应该加载该技能。
运行时,智能体根据任务类型加载相应技能,技能内容注入上下文,模型按照手册中的流程调用工具、推进任务。同样,技能中对工具的使用,最终仍要通过 MCP 提供的工具和底层的函数调用机制落地。
五、典型场景
- Function Calling 层面:适合模型需要触发简单、明确的单点动作的场景,如查询订单状态、发送通知、格式转换等。
- MCP 层面:适合企业需要接入大量异构数据源与外部系统的场景,例如把数据库、日志服务、监控告警、身份认证等能力统一暴露给智能体,避免为每个模型或宿主环境重复开发对接代码。
- Agent Skill 层面:适合流程性强、有质量标准的复杂任务,如数据分析报告生成、代码评审、运维故障排查、文档审核等,通过技能封装保证输出的一致性和专业度。
六、相关概念辨析
| 维度 | Function Calling | MCP | Agent Skill |
|---|---|---|---|
| 层级 | 底层调用协议 | 中间层工具标准化 | 顶层知识与流程封装 |
| 解决问题 | 模型怎么调函数 | 工具怎么暴露给模型 | 工具怎么被按流程用好 |
| 主语视角 | 模型说“我要调这个” | 工具说“我能提供这些” | 手册说“按这个流程做” |
| 粒度 | 单次函数调用 | 工具集合与服务 | 完整任务流程 |
| 相互依赖 | 独立基础层 | 依赖底层调用机制 | 依赖工具层与调用层 |
关键结论:三者不是三选一的关系,而是逐层依赖的组合关系。一个完整的智能体系统,往往是“Skill 定义做什么 → MCP 提供可用工具 → Function Calling 完成实际调用”的完整链路。
七、使用注意事项
- 按需分层,避免过度设计:简单场景只需函数调用即可;工具多、来源杂时再引入标准化协议;任务流程复杂、质量要求高时才值得投入技能封装。
- 工具描述质量决定调用质量:无论哪一层,函数和工具的名称、描述、参数说明都应清晰准确,否则模型容易产生错误的调用意图。
- 安全与权限控制:底层调用直接触达真实系统,必须做权限最小化、参数校验和操作审计,防止模型误调用或被恶意诱导调用高危操作。
- 技能内容需持续维护:Agent Skill 本质是经验的沉淀,业务流程变化后应及时更新,避免过时手册误导执行。
- 关注协议兼容性:选择标准化协议时,需确认目标模型与宿主环境对其支持程度,避免生态锁定。
八、总结
Function Calling、MCP 和 Agent Skill 分别工作在智能体系统的三个不同层次:底层是让模型表达调用意图的协议语言,中间层是让工具标准化接入的协议总线,顶层是让任务按标准流程高质量执行的知识手册。它们不是竞争方案,而是层层依赖、相互配合的架构组合。理解“每层解决什么问题”这一核心视角,就能在面对智能体系统设计与技术选型时做出清晰的判断:底座选稳定的调用协议,中间层用标准化协议聚合工具,顶层用技能沉淀流程经验——三层协同,才能构建出既灵活又可靠的智能体应用。

登录后可评论,请前往 登录 或 注册