Skill、MCP、RAG与Agent怎么选
作者:公子世无双2026.11.16 11:26浏览量:0简介:本文从大模型边界出发,解释Skill、MCP、RAG与Agent的区别与联系,提供对比表、选型检查表和常见错误说明,帮助你判断何时用RAG、工具调用、MCP或Skill,降低AI应用架构选型成本。
一、先问清楚:LLM为什么会幻觉?
要理解 Skill、MCP、RAG 与 Agent 的区别,先要知道大语言模型的三个边界:
- 无状态:模型不会自动记住你上一轮说了什么,所谓“记忆”通常是把历史对话重新放入上下文。
- 静态:模型知识通常来自训练数据,天然存在知识截止时间。
- 封闭:模型本身不能直接搜索网页、调用数据库、执行系统命令或操作外部工具。
因此,后续很多概念本质上都在解决同一个问题:如何让 LLM 突破上下文窗口、知识时效和外部动作能力的限制。
如果你关心的是“Skill、MCP、RAG、Agent 怎么选”“RAG 和 Agent 有什么区别”“MCP 和 Function Calling 是不是一回事”,可以从下面这张关系图开始理解。
二、Prompt 与 Memory:对话能力的基础
LLM 最初更适合做“单次输入、单次输出”的文字生成。要让模型支持连续追问,需要人为构造对话上下文。
一个常见 Prompt 结构包含:
- Context:背景信息、参考资料、历史对话、用户偏好;
- Instruction:任务指令,例如“总结这篇文档”“根据资料回答问题”;
- Output Format:输出格式约束,例如 JSON、表格或固定模板。
所谓 Memory,并不是模型天生具备长期记忆,而是系统把历史消息重新拼接进 Context。这样做会带来两个问题:
- 上下文窗口有限:历史越长,Token 消耗越高;
- 关键信息可能被稀释:无关内容过多,会影响回答准确率。
因此,真实系统中常会使用摘要压缩、关键记忆提取、会话检索等方式控制上下文长度。
三、Function Calling:让模型输出结构化调用意图
Agent 需要调用工具,但模型默认输出的是自然语言,程序不能稳定解析。于是业界引入了 Function Calling 或类似结构化输出机制。
它的核心不是“模型真的会执行函数”,而是让模型输出一段程序可解析的结构化调用意图。例如:
{"tool": "search_web","arguments": {"query": "2025年AI Agent开发框架"}}
程序拿到这段 JSON 后,再决定是否执行、如何执行、是否过滤权限、是否返回错误。
需要注意:
- Function Calling 解决的是“模型如何表达要调用什么”的问题;
- 它并不等于具体工具实现;
- 工具是否真实执行,取决于外层 Agent 或应用系统。
一句话概括:Function Calling 是模型输出结构化调用意图的通用能力或约定。
agent-">四、Agent:从“回答者”变成“执行者”
如果模型只能回答,不能行动,那它只能做顾问。Agent 的意义在于把模型从“被动回答”推进到“主动完成”。
一个典型 Agent 循环是:
- 用户提出目标;
- 模型判断当前需要做什么;
- 如果需要工具,模型输出 Function Calling 意图;
- 系统执行工具;
- 工具结果回填给模型;
- 模型根据结果继续推理,直到完成或终止。
例如:
用户:帮我查一下今天的天气,并判断适不适合跑步。
Agent:调用天气工具获取城市温度、降水和空气质量。
Agent:根据天气结果给出建议。
这里 Agent 的价值不是“更聪明”,而是把模型、工具、状态、循环控制组合成一个可执行系统。
Agent 并不一定必须复杂。一个通过 Prompt 实现的“思考—工具—回答”循环,也可以是轻量 Agent;而一个包含多智能体、任务规划、权限控制、审计日志的系统,则是更工程化的 Agent 平台。
rag-">五、RAG:让模型“先查资料再回答”
RAG,即检索增强生成,常用于解决知识时效性和准确性问题。
它的基本流程是:
- 文档接入:导入 PDF、网页、数据库、知识库、工单等数据;
- 文档解析:把复杂文档转成可处理文本;
- 文本切分:按语义、段落、标题或 Token 长度切块;
- 向量化:将文本块转换为向量;
- 召回:用户提问时,根据语义相似度找出相关片段;
- 重排:对召回结果排序,提高相关性;
- 组装上下文:把相关片段放入 Prompt;
- 生成回答:模型基于资料回答;
- 引用溯源:标注答案来自哪些文档或段落。
这里要纠正一个常见说法:RAG 并不是独立于 Agent 之外的新物种。
更准确地说:
RAG 既可独立用于检索增强问答,也可作为 Agent 的外部信息获取能力;它与 Web Search 同属外部数据补充手段,只是数据源不同。
如果一个问答系统只需要“查知识库并回答”,可以只用 RAG;如果系统还需要查天气、发邮件、写数据库、调用业务接口,那么 RAG 可以作为 Agent 的一个信息获取模块。
六、MCP:工具接入与发现协议
当 Agent 需要连接很多外部工具时,如果每个工具都写死在主程序里,会带来严重耦合问题:新增工具要改代码,权限控制难统一,工具描述难以复用。
MCP,即模型上下文协议,常用于让 Agent 或模型客户端以标准化方式发现、连接和调用外部工具与上下文资源。
与常见的简化理解不同,MCP 不应被简化为某几个大写命令。更准确的表述是:
MCP 通过 JSON-RPC 方法与能力连接工具与上下文,例如 tools/list、tools/call,并可能包含 resources、prompts、sampling、roots 等能力。
一个简单的调用关系可以这样理解:
Agent / 模型客户端↓MCP Client↓MCP Server↓工具服务 / 数据源 / 文件系统 / 业务 API
例如,一个 MCP Server 可以暴露一组文件搜索工具。Agent 先请求工具列表,确认有哪些可用能力;然后根据任务需要调用某个工具;工具执行完成后,把结果返回给模型继续推理。
需要注意:
- MCP 是协议规范,强调工具服务接入与发现;
- Function Calling 是模型输出调用意图的方式;
- 二者可以组合使用,但不等同;
- 具体可用能力取决于协议版本和实现。
七、Skill:把流程、经验和资源封装成技能包
Skill 可以理解为面向特定任务的能力封装。它不一定等同于一个函数,也不等同于一个知识库。
一个较清晰的 Skill 通常包括:
- 触发条件:什么任务需要加载这个 Skill;
- 指令说明:模型或 Agent 应该按什么步骤执行;
- 脚本工具:可调用的代码或命令;
- 资源文件:模板、规范、示例、配置;
- 评估标准:如何判断输出是否合格。
例如,“合同审查 Skill”可能包含:
- 合同审查清单;
- 风险条款识别规则;
- 输出模板;
- 必须调用的法规检索工具;
- 引用来源要求。
Skill 的关键价值在于:把领域知识与操作流程沉淀下来,避免每次都用临时 Prompt 重复描述任务。
但也要注意边界:
- Skill 不应绕过权限系统;
- Skill 不应直接暴露密钥或敏感资源;
- Skill 的触发和加载应由平台或 Agent 按任务描述控制;
- Skill 不是运行时数据本身,它更接近可复用的方法、指令和资源包。
八、四者关系对比表
| 概念 | 解决什么问题 | 输入 | 输出 | 典型场景 | 常见错误 |
|---|---|---|---|---|---|
| LLM | 基础生成与推理 | Prompt / 上下文 | 文本、代码、JSON | 问答、总结、创作 | 误以为模型天然有记忆或实时知识 |
| Function Calling | 模型如何表达调用意图 | 用户请求、工具描述 | 结构化调用参数 | 搜索、计算、业务接口调用 | 把 Function Calling 当成工具执行本身 |
| Agent | 如何完成任务闭环 | 目标、状态、工具结果 | 多步执行结果 | 自动调研、任务执行、客服处理 | 把 Agent 简单等同于一个大 Prompt |
| RAG | 如何补充私有或时效知识 | 问题、知识库、文档 | 基于资料的回答 | 企业知识库、文档问答、法规查询 | 认为 RAG 只能用于 Agent |
| MCP | 如何标准化接入工具与上下文 | 协议请求、能力描述 | 工具列表、调用结果、资源 | 多工具平台、插件系统、上下文服务 | 把 MCP 误解为 Function Calling 本身 |
| Skill | 如何复用流程和最佳实践 | 任务描述、Skill 定义 | 按规范执行的指令或能力 | 合同审查、报表生成、代码规范检查 | 把 Skill 当成知识库或函数调用 |
从这张表可以看到:
- Agent 是执行主体;
- Function Calling 是结构化调用意图的表达方式;
- MCP 是工具服务接入与发现的协议规范;
- RAG 是外部知识补充机制;
- Skill 是可复用流程与能力的封装方式。
九、常见误区:不要把这些概念割裂理解
很多开发者在选型时容易问:“到底该用 Agent、RAG、MCP 还是 Skill?”但真实系统往往不是四选一,而是组合使用。
常见误区包括:
1. 把 Agent 当成万能答案
Agent 能处理多步任务,但如果任务只是单轮问答,直接使用模型加 RAG 可能更简单、更稳定。
2. 把 RAG 当成解决所有幻觉的办法
RAG 可以降低无依据回答的概率,但不能根除幻觉。如果检索错误、切分错误或上下文组装错误,模型仍可能生成错误答案。
3. 把 MCP 当成 Function Calling
Function Calling 是模型输出结构化调用意图的能力;MCP 是工具接入、发现和调用协议。二者可以配合,但层次不同。
4. 把 Skill 当成静态文档
Skill 通常不只是说明文档,还可能包含指令、脚本、资源、评估标准和加载机制。
5. 一上来就构建复杂平台
很多需求其实只需要一个轻量 RAG,或者一个带工具调用的单轮应用。不要为了概念完整而增加系统复杂度。
十、选型检查表:什么时候用什么?
可以用下面几个问题快速判断:
1. 是否需要私有知识或实时资料?
如果需要,优先选 RAG 或外部搜索。
- 私有文档、制度、产品手册、工单:适合 RAG;
- 实时网页信息:适合 Web Search;
- 二者都可以:可以混合检索。
2. 是否需要真实动作?
如果模型只是给建议,可能不需要 Agent;如果要真正执行动作,则需要工具调用和 Agent 循环。
例如:
- “总结这段文字”:不一定需要工具;
- “下载文件并生成报表”:需要工具;
- “根据用户目标自动完成多步任务”:适合 Agent。
3. 是否需要接入多个外部服务?
如果工具较多、需要统一发现、权限和版本管理,可以考虑 MCP。
适合 MCP 的情况:
- 多个工具服务需要复用;
- 工具描述需要标准化;
- Agent 需要动态发现可用能力;
- 团队希望工具与业务解耦。
4. 是否需要复用流程、规范和经验?
如果需要,使用 Skill。
适合 Skill 的情况:
- 任务有固定步骤;
- 输出需要符合统一规范;
- 需要加载模板、脚本或评估标准;
- 团队希望沉淀最佳实践。
5. 是否需要多步规划与失败重试?
如果需要,使用 Agent。
Agent 适合:
- 目标不清晰,需要边做边判断;
- 需要调用多个工具;
- 需要观察结果后继续行动;
- 需要处理异常、重试和终止条件。
十一、上线前必须检查的安全与工程项
在真实生产环境中,除了概念正确,还要关注权限、日志、回退和评测。
建议上线前检查以下清单:
1. 权限控制
- 工具调用是否有最小权限;
- 检索是否隔离用户、租户和文档权限;
- 敏感操作是否需要二次确认;
- 是否禁止模型直接执行高危命令。
2. 数据隔离
- 不同用户的知识库是否隔离;
- 对话历史是否加密或脱敏;
- 外部工具返回的数据是否经过过滤;
- 是否避免把密钥、Token、个人敏感信息放入上下文。
3. 审计日志
- 是否记录模型请求、工具调用、输入摘要和输出摘要;
- 是否记录错误原因和重试过程;
- 是否能追踪回答引用的来源;
- 是否便于事后排查幻觉或权限问题。
4. 失败回退
- 工具超时后是否重试;
- 重试是否设置上限;
- 模型是否可以基于失败结果继续推理;
- 是否有降级回答或人工接管机制。
5. 成本评估
- RAG 的文档切分和向量化成本;
- 上下文长度带来的 Token 成本;
- MCP 工具调用频率和接口限流;
- Agent 多轮循环可能放大的调用成本。
6. 评测指标
建议至少准备以下指标:
- 回答准确率;
- 引用命中率;
- 工具调用成功率;
- 权限拦截准确率;
- 平均响应时间;
- 多轮任务完成率;
- 用户满意度或人工接管率。
十二、总结:按问题选型,而不是按名词堆砌
Skill、MCP、RAG 与 Agent 并不是四个互相替代的概念,而是解决不同问题的技术拼图:
- LLM 提供基础理解与生成能力;
- Prompt 与 Memory 让对话可以连续;
- Function Calling 让模型表达结构化调用意图;
- Agent 让模型从回答走向执行;
- RAG 让模型获得私有或时效知识;
- MCP 让工具服务可以标准化接入和发现;
- Skill 让流程、规范和最佳实践可以复用。
实际开发中,不要先问“我要不要上 Agent”,而应先问:
- 用户是否需要外部知识?
- 系统是否需要真实动作?
- 工具是否需要解耦和复用?
- 流程是否需要沉淀为标准 Skill?
- 上线后是否有权限、回退、日志和评测机制?
当你用问题驱动选型,而不是被概念名词牵着走,就能更清晰地构建稳定、可扩展、可控的 AI 应用架构。

登录后可评论,请前往 登录 或 注册