1. Skills vs Prompt

维度	Prompt	Skills
本质	单次对话的文本指令	可持久化、可发现的能力单元
复用性	随对话上下文丢失，难以维护	标准化封装，跨项目、多场景复用
加载机制	全量载入（挤占 Token）	延迟加载（按需读取正文）

• Prompt：用户即时表达意图的载体（如"分析这份报表"）。

• Skills：包含元数据（何时使用）+ 正文（如何执行）的完整方案，通过 load_skill() 机制按需加载到上下文。

2. Skills vs MCP

这是最容易产生误解的地方。

维度	MCP (Model Context Protocol)	Skills
核心思路	标准化连接：通过 JSON-RPC 统一数据格式	逻辑编排：用自然语言描述复杂执行路径
定义方式	在 Server 端用代码（TS/Python）写死逻辑	在 SKILL.md 中用自然语言引导模型决策
环境依赖	需要运行一个 MCP Server 进程	依赖可执行环境（如本地 Shell 或沙箱）
哲学	以协议为中心：一次编写，所有 AI 通用	以模型为中心：利用模型推理能力处理不确定性

• MCP 解决的是连通性：它像 USB-C，让 AI 能以统一格式读文件、查数据库。

• Skills 解决的是编排逻辑：它像一份说明书，告诉 AI 如何执行复杂任务流——这些任务完全可以包括调用多个 MCP 工具。

• 两者的关系：它们不是竞争关系，而是解决不同层面的问题。MCP 负责把外部系统接入进来，Skills 负责决定什么时候用、怎么组合这些能力。一个高级 Skill 的底层往往就是调用多个 MCP 工具。

MCP 图解

3. Function Calling vs Skills

维度	Function Calling	Skills
层级	底层机制	上层应用
依赖关系	基础能力	在执行时可能使用 Function Calling（如加载文档、执行脚本、读取资源）
粒度	原子操作（单次工具调用）	复合流程（多步骤决策 + 工具组合）

Skills 没有创造新能力，而是通过自然语言文档将能力组织成更易用的形式：

1. Agent 读取 SKILL.md，将规则和流程注入推理上下文。

2. 根据上下文指导，Agent 可能通过 Function Calling 执行脚本、读取资源或调用 MCP 工具。

4、系统总结：

组件	一句话定义	形象类比	关键理解
Prompt	即时意图表达的载体	用户说的话	单次、易失
Function Calling	LLM 输出结构化调用的能力	神经信号	一切的基础，实现非结构化 → 结构化转换
MCP	标准化的工具接入协议	USB-C 接口	解决外部系统"如何接入"（连通性）
Skills	用自然语言定义的 sub-agent	任务说明书	解决复杂任务"如何编排"（执行逻辑），可调用 MCP 工具

四层关系：Function Calling 是地基 → Prompt 表达意图 → MCP 负责连通外部系统 → Skills 负责编排复杂任务流（可调用 MCP）

这里需要澄清一个常见误解：MCP 和 Skills 不是竞争关系，也不是非此即彼。

• MCP 解决外部系统如何接入：让 AI 能以统一格式读文件、查数据库、调用 API。

• Skills 解决复杂任务如何编排：用自然语言定义执行流程，这些流程完全可以包含调用多个 MCP 工具。

在实际项目中，两者经常配合使用：一个 Skill 的正文里会指导 Agent 先用 MCP 读取数据库，再用 MCP 调用外部 API，最后生成报告。

一句话总结：Prompt 承载意图，Function Calling 实现交互，MCP 负责连通外部系统，Skills 负责编排复杂任务流——从'说什么'到'怎么做'再到'聪明地做'。