Skill、Prompt、Function Tool、Agent、Tool Calling、MCP——这些词你天天见但你真的能说清它们的区别吗很多人把 Function Tool 当 Skill 用把 Prompt 当 Agent 用把 MCP 当万能胶水。这篇一次讲清楚。如果你在 AI 圈混了半年以上你一定见过这些词Skill、Prompt、System Prompt、Function Tool、Tool Calling、Agent、MCP、Plugin。它们散落在各种产品文档、技术博客、框架 README 里每个人都在用但每个人定义都不一样。更糟的是很多产品为了营销把同一个概念包装成不同名字或者把不同概念混为一谈。比如 OpenAI 的 “GPTs” 里的 Action 是 Function Tool但 ChatGPT 的 “Skill” 是另一回事。Anthropic 的 “MCP” 是协议不是工具本身。这篇文章的目标是给每个概念一个清晰的定义画出它们之间的关系让你以后看到这些词不再困惑。一、Prompt一切的原点Prompt 是给 LLM 的输入文本。这是最基础的概念但也是最容易被误用的。Prompt 你发给模型的那段话但 Prompt 不是一个单一概念它有层次 System Prompt vs User Prompt这是 OpenAI 在 2023 年引入的区分。在此之前所有 Prompt 都是平等的。现在主流的 LLM API 都支持两层结构 System Prompt设定角色、行为准则、约束条件。模型会优先遵守。 User Prompt用户的具体请求每次对话可以不同。OpenAI API 的 System Prompt 和 User Promptresponse client.chat.completions.create(model“gpt-4o”,messages[{“role”: “system”, “content”: “你是一个资深 Python 工程师回答要简洁代码要带类型注解。”},{“role”: “user”, “content”: “怎么用 asyncio 并发请求 100 个 URL”}]) 关键洞察— System Prompt 的作用是约束模型的行为空间。它不能保证模型一定遵守但能显著降低模型跑偏的概率。 Prompt Engineering从随便写到工程化Prompt Engineering 不是写一段好提示词而是把 Prompt 当成可测试、可版本控制的工程产物。一个 Prompt 的好坏不是主观感受而是在测试集上的准确率同样的 Prompt 对不同模型效果不同GPT-4o 和 Claude 对同一个 Prompt 的理解可能完全不同Prompt 需要像代码一样维护版本控制、A/B 测试、回归测试二、Function Tool让模型动手的能力Function Tool 是 LLM 可以调用的外部函数。这是 LLM 从聊天机器人进化到Agent的关键一步。在没有 Function Tool 之前模型只能说话。有了 Function Tool模型可以做事——查数据库、发邮件、调用 API、执行代码。 工作原理Function Tool 的核心是一个 JSON Schema 描述告诉模型名称、参数、功能。tools [{“type”:“function”,“function”: {“name”:“get_weather”,“description”:“获取指定城市的当前天气”,“parameters”: {“type”:“object”,“properties”: {“city”: {“type”:“string”,“description”:“城市名称”}},“required”: [“city”]}}}] 关键洞察— 模型不会直接执行这个函数。它只是决定要不要调用、用什么参数调用然后返回一个 JSON 告诉你。真正执行函数的是你的代码。 Tool Calling模型决定什么时候用哪个工具Tool Calling 是模型在生成回复时自主判断我现在需要调用工具 X的过程。这不是你手动触发的而是模型在推理过程中自己决定的。用户“北京今天天气怎么样”模型内部推理“我需要获取天气数据 → 调用 get_weather(city‘Beijing’)”模型输出{“function”: “get_weather”, “parameters”: {“city”: “Beijing”}}你的代码执行函数返回 {“temperature”: 25, “condition”: “晴”}模型继续推理“北京今天 25 度晴天。” → 最终回复三、Skill被严重滥用的词Skill 是当前 AI 领域定义最混乱的词之一。不同产品、不同框架对这个词的理解完全不同定义一Skill System Prompt Function Tool 的组合这是最工程化的定义。一个 Skill 包含一段 System Prompt、一个或多个 Function Tool、一些使用示例。Skill “天气助手” {system_prompt: “你是一个专业的天气预报员…”,tools: [get_weather, get_forecast],examples: […]}定义二Skill 一个封装好的能力模块这是产品层面的定义。比如 OpenAI 的 GPTs 里每个 GPT 就是一个 Skill——封装了 Prompt、工具、知识库用户只需要用。定义三Skill 模型本身的能力这是最模糊的定义。有人会说GPT-4o 的推理 Skill 很强这里的 Skill 指的是模型的内在能力。 我的建议— 如果你在团队里讨论Skill先问一句“你说的 Skill 是指 System Prompt Tool 的组合还是指模型本身的某种能力” 这会避免很多无意义的争论。四、Agent当模型有了循环Agent 是一个可以自主决策、使用工具、在循环中执行任务的 LLM 系统。Agent 和普通 LLM 调用的区别在于循环普通 LLM用户输入 → 模型输出 → 结束Agent用户输入 → 思考 → 调用工具 → 观察结果 → 再思考 → 再调用工具 → 最终输出Agent 的核心是ReAct 循环Reasoning Acting Think分析当前状态决定下一步⚡ Act调用工具执行操作 Observe接收工具返回的结果Agent 的伪代码defagent_loop(user_input):context user_inputforstepinrange(max_steps):action model.think(context)ifaction.type “final_answer”:returnaction.contentresult execute_tool(action.tool_name, action.parameters)context.append(result) 关键洞察— Agent 不是更聪明的模型而是模型 循环 工具的组合。Agent 的智能来源于模型但 Agent 的行为来源于循环的设计。五、MCP让工具和模型解耦MCPModel Context Protocol是 Anthropic 在 2024 年底提出的一个开放协议目标是让 LLM 和外部工具之间的通信标准化。 为什么需要 MCP在 MCP 之前每个 LLM 平台都有自己的 Tool Calling 格式——OpenAI 用 JSON SchemaAnthropic 用 tool_use blockGoogle Gemini 用 function_declarations。这意味着你为 OpenAI 写的工具不能直接给 Claude 用。❌ 之前每个模型 → 自己的工具格式 → 自己的工具实现✅ MCP多个模型 → 统一的 MCP 协议 → 统一的 MCP Server MCP 的架构MCP Server提供工具的实际实现一个 Server 可以暴露多个工具MCP ClientLLM 应用通过 Client 连接到 Server发现和调用工具MCP Protocol定义 Client 和 Server 之间如何通信JSON-RPC 格式你的 LLM 应用MCP Client↓ 通过 MCP 协议MCP Server A天气服务→ get_weather, get_forecastMCP Server B数据库 → query_database, insert_recordMCP Server C文件系统→ read_file, write_file MCP 的现状2026 年MCP 已经被 Claude Desktop、Cursor、Continue 等工具支持。OpenAI 虽然没有正式支持 MCP但社区已经有人写了 MCP-to-OpenAI 的适配层。MCP 正在从一个Anthropic 的协议变成行业的事实标准。六、一张图看清所有概念的关系几个关键关系Function Tool 是 Agent 的手Prompt 是 Agent 的脑MCP 是手和工具的通用接口Skill 是一个打包概念不是独立的技术概念Agent 和普通 LLM 调用的区别是循环不是有没有工具七、前沿视角2026 年 MCP 标准化加速— 越来越多的 IDECursor、Windsurf和框架LangChain、CrewAI开始原生支持 MCPMCP 正在从协议变成生态 OpenAI GPTs 进化— GPTs 内部的 ActionFunction Tool正在向 MCP 兼容方向发展⚠️ Skill 定义碎片化— 不同框架对 Skill 的定义越来越分裂Anthropic 的 “Skill”Claude Skills和 LangChain 的 “Skill” 不是一回事 Agent 框架收敛— LangGraph、CrewAI、AutoGen 三大框架在 Agent 循环设计上趋于一致ReAct 模式成为事实标准这篇文章梳理了 AI 领域最常被混淆的概念。如果你在团队里讨论这些词建议先对齐定义——很多争论的本质是我们在用同一个词说不同的事。普通人如何抓住AI大模型的风口领取方式在文末2026年入行AI大模型的黄金窗口!!!AI产业正迎来前所未有的爆发式增长。从DeepSeek以百万年薪重金招募顶尖研究员到百度、阿里、腾讯等头部企业加速推进AI Agent商业化布局再到国家层面持续出台政策大力扶持数字经济与AI人才培育体系多重信号清晰指向一个共识AI的“黄金十年”已全面开启在产业浪潮的强劲推动下AI人才争夺战日趋白热化。技术迭代与场景落地双轮驱动催生海量高价值岗位。放眼未来AI领域的职业发展前景广阔无垠正涌现出大量高潜机遇堪称一片值得深耕的**“人才蓝海”**。脉脉数据显示2026年1-2月AI岗位数量同比增长约12倍增速远超新经济行业整体增幅AI岗位在全部新经济岗位中的占比也从2025年同期的2.29%跃升至26.23%几乎占据新经济招聘市场的四分之一。与此同时AI新发岗位平均月薪高达60738元较新经济行业整体平均月薪48189元高出约26%。这一切都说明一件事2026年正是入行AI大模型的黄金窗口❗️❗️最佳学习路线只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌02适学人群应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。vx扫描下方二维码即可【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】