一文带你搞懂Prompt、Tools、Workflow、Skill、MCP等AI概念之间的区别

然然后

2949人浏览 · 2026-03-12 09:25:40

然然后 · 2026-03-12 09:25:40 发布

🎯 从Claude的视角看：Prompt、Tools、Workflow、Skill、MCP

你是不是好奇，这些这么多的新东西，他们在使用的时候不都是一堆提示词嘛，那分裂出这么多概念有意义，接下来我将持续更新一个系列，带你搞懂这些复杂的ai概念，如果感兴趣请持续关注，下一篇预告：深入解析Prompt（提示词）

一、核心概念类比

想象你雇了一个**超级助手（Claude）**来帮你工作：

你（老板） ←→ 我（AI助手）

📝 Prompt（提示词）= “你给我的任务指令”

本质：你告诉我要做什么，怎么做

类比：

你对助手说：“帮我写一份报告”
你对助手说：“把这段话翻译成英文”
你对助手说：“分析一下这段代码的问题”

从我的视角：

收到Prompt → 理解意图 → 生成回复

特点：

✅ 每次都是新的对话
✅ 可以很简单（“翻译这句话”）
✅ 可以很复杂（包含示例、上下文、约束条件）
❌ 没有"实际操作能力"，只能思考和输出文字

例子：

简单Prompt: "写一首诗"
复杂Prompt: "写一首7言律诗，主题是春天，要押韵，格式工整，意境优美"

🔧 Tools（工具） = “你给我的’手’和’腿’”

本质：让我能够真正"做事"而不只是"说话"

类比：

你本来只能跟助手说话
现在你给了助手一把钥匙（文件读写工具）
给了助手一台电脑（网络搜索工具）
给了助手一本电话簿（数据库工具）

从我的视角：

你: "帮我读取这个文件的内容"
我: [检查] 我有Read工具！
   [调用] Read(file_path="xxx")
   [获得结果] 文件内容是...
   [回复你] 文件里写着...

没有工具 vs 有工具：

❌ 没有工具:
你: "这个文件里写了什么？"
我: "抱歉，我看不到文件，我只能告诉你一般文件可能包含什么内容..."

✅ 有工具:
你: "这个文件里写了什么？"
我: [使用Read工具] "这个文件包含以下内容: ..."

常见Tools：

Read - 读文件（给我眼睛）
Write - 写文件（给我手）
Bash - 执行命令（给我行动能力）
WebSearch - 网络搜索（给我查资料的能力）
Edit - 编辑文件（给我修改的能力）

特点：

✅ 让AI能"实际操作"
✅ 每个工具做一件具体的事
✅ 需要明确定义参数和返回值
❌ 工具本身不会自动组合

🔄 Workflow（工作流） = “标准操作流程SOP”

本质：把一系列操作固定成流程

类比：

就像公司的"报销流程"：填表 → 主管审批 → 财务审核 → 打款
就像做菜的"菜谱"：洗菜 → 切菜 → 炒菜 → 装盘

从我的视角：

Workflow = 预设的多步骤流程

例如 "代码审查工作流":
Step 1: 读取代码文件
Step 2: 检查语法错误
Step 3: 检查代码规范
Step 4: 生成审查报告
Step 5: 创建改进建议

实际例子 - GitHub Agentic Workflows：

# 自动Issue分类工作流
when: 新Issue创建时
do:
  1. 读取Issue内容
  2. 分析是Bug还是Feature
  3. 自动打标签
  4. 分配给对应团队
  5. 发送通知

Prompt vs Workflow：

	Prompt	Workflow
形式	一次性指令	固定流程
灵活性	很灵活，每次不同	固定步骤，可重复
复杂度	可简可繁	通常较复杂
使用场景	临时任务	重复性任务

例子对比：

❌ 用Prompt做重复任务:
每天都要告诉我: "1.拉取代码 2.运行测试 3.生成报告 4.发邮件"

✅ 用Workflow:
设置一个"每日构建工作流"，自动执行这些步骤

🎯 Skill（技能） = “专业能力包”

本质：预先训练好的专业能力，打包成一个整体

类比：

你雇了一个助手
普通助手：什么都懂一点
有Skill的助手：专门学过"财务"、“法律”、“编程”

从我的视角：

没有Skill:
你: "帮我做git提交"
我: "好的，我试试...git add...git commit..."
   [可能会出错，因为不熟悉规范]

有Git Skill:
你: "/commit"
我: [加载Git Skill]
   [自动执行标准Git提交流程]
   [知道commit message规范]
   [知道哪些文件不应该提交]
   ✅ 完美提交！

Claude Code中的Skill：

/commit     - Git提交技能
/review-pr  - PR审查技能
/test       - 测试技能
/debug      - 调试技能

Skill的特点：

✅ 封装了最佳实践
✅ 包含领域知识
✅ 一键调用，简单易用
✅ 通常结合了多个Tools和Workflow

Skill的组成：

Skill = Prompt模板 + Tools + Workflow + 领域知识

例如 "/commit" Skill包含:
- Prompt: "如何写好的commit message"
- Tools: Read(查看修改), Bash(执行git命令)
- Workflow: 查看修改 → 生成message → 确认 → 提交
- 知识: Conventional Commits规范

🔌 MCP（Model Context Protocol） = “标准接口规范”

本质：让AI能用统一的方式连接各种外部服务

类比：

以前：每个电器都有自己的插头（乱七八糟）
MCP：统一用220V插座标准（所有电器都能插）

从我的视角：

❌ 没有MCP:
你: "帮我读GitHub上的代码"
我: "抱歉，我不知道怎么连接GitHub..."

✅ 有MCP:
你: "帮我读GitHub上的代码"
我: [检测到GitHub MCP Server]
   [用标准MCP协议连接]
   [获取数据]
   "好的，这是代码内容..."

MCP的意义：

想象你有100个不同的工具：

数据库（MySQL、PostgreSQL、MongoDB）
云服务（AWS、Azure、GCP）
代码托管（GitHub、GitLab、Bitbucket）
…

没有MCP：

我需要为每个服务写专门的连接代码
AI工具 → [专用适配器] → GitHub
AI工具 → [专用适配器] → Notion
AI工具 → [专用适配器] → Slack
... 太复杂了！

有了MCP：

我只需要一个标准接口
AI工具 → [MCP协议] → GitHub MCP Server → GitHub
AI工具 → [MCP协议] → Notion MCP Server → Notion
AI工具 → [MCP协议] → Slack MCP Server → Slack
统一、简单、标准！

MCP Server的结构：

MCP Server = 标准化的服务代理

提供:
1. Resources（资源）- 我能访问什么数据
2. Tools（工具）- 我能执行什么操作
3. Prompts（提示）- 服务提供的最佳实践

例如 "GitHub MCP Server":
Resources:
  - 仓库列表
  - Issue列表
  - PR列表

Tools:
  - 创建Issue
  - 创建PR
  - 合并代码

Prompts:
  - 如何写好的PR描述
  - 如何进行代码审查

二、五者关系图

你的需求
    ↓
[Prompt] ← 你告诉我要做什么
    ↓
   我（Claude）理解任务
    ↓
需要实际操作？
    ↓
[Tools] ← 使用具体工具执行操作
    ↓
复杂的重复任务？
    ↓
[Workflow] ← 按固定流程执行
    ↓
专业领域任务？
    ↓
[Skill] ← 加载专业能力包
    ↓
需要外部服务？
    ↓
[MCP] ← 通过标准协议连接服务
    ↓
完成任务！

三、实战例子：开发ArticleKeeper

让我用ArticleKeeper项目的实际场景展示这些概念：

场景1：爬取一篇文章

仅用Prompt（最基础）

你: "帮我从https://example.com抓取文章内容"
我: "我无法实际访问网页，但我可以告诉你如何用Python写爬虫代码..."
   [只能提供建议，无法实际操作]

Prompt + Tools（能做事了）

你: "帮我从https://example.com抓取文章内容"
我: [使用WebFetch工具]
   "好的，文章标题是xxx，内容是..."
   [实际完成了任务]

Prompt + Tools + Workflow（标准化）

文章爬取工作流:
1. 访问URL（WebFetch工具）
2. 提取标题、作者、正文（解析）
3. 转换为Markdown（处理）
4. 保存到数据库（Write工具）
5. 打上标签（分类）

你只需说："爬取这篇文章"
我自动执行所有步骤

Prompt + Tools + Workflow + Skill（专业化）

ArticleKeeper Skill:
你: "/collect https://example.com"
我: [加载文章收藏技能]
   [自动识别网站类型]
   [选择最佳爬取策略]
   [提取核心内容]
   [智能分类打标签]
   [保存到知识库]
   "已收藏到'技术文章/Python'分类"

完整版：所有概念结合

你: "/collect https://example.com --tags AI,教程"

执行过程:
1. [Skill] 加载 ArticleKeeper 收藏技能
2. [Workflow] 执行文章收藏流程
3. [MCP] 通过 WebFetch MCP连接网络
4. [Tools] 使用 Read/Write 工具操作文件
5. [MCP] 通过 Database MCP 保存到数据库
6. [Prompt] 用优化的提示词提取摘要
7. [Tools] 用 Memory MCP 记住用户偏好

完成！文章已收藏并自动分类。

四、详细对比表

概念	本质	谁提供	谁使用	粒度	复用性	标准化程度
Prompt	指令/问题	用户	AI	细	低	无标准
Tools	单一功能	系统	AI主动调用	细	高	有参数规范
Workflow	流程编排	用户/开发者	自动执行	中	中	取决于实现
Skill	能力包	开发者	用户一键调用	粗	高	看平台
MCP	协议规范	服务提供商	AI通过协议	-	极高	完全标准化

五、层次关系

从底层到高层:

MCP（基础设施层）
  ↓ 提供标准接口
Tools（能力层）
  ↓ 组合工具
Workflow（流程层）
  ↓ 封装流程
Skill（应用层）
  ↓ 优化体验
Prompt（交互层）

六、生活化类比总结

把AI想象成一个智能管家机器人：

Prompt（对话）

你：管家，帮我倒杯水
管家：好的主人
💬 就是正常对话交流

Tools（身体部件）

手：能拿东西
腿：能走动
眼睛：能看东西
🤖 给AI配备"器官"

Workflow（做事流程）

晨间例行程序：
1. 准备早餐
2. 整理床铺
3. 打扫房间
4. 播报天气
📋 固定的一套动作

Skill（专业技能）

法式料理技能包
茶道技能包
急救技能包
🎓 专门学过的本事

MCP（统一接口）

所有电器都用220V插座
所有门锁都用同一把钥匙
所有遥控器都是通用的
🔌 标准化连接规范

七、实际应用建议

什么时候用什么？

用Prompt

✅ 一次性任务
✅ 需要灵活性
✅ 探索性任务
✅ 简单问答

例如:
"这段代码有什么问题？"
"解释一下这个概念"
"帮我想个名字"

用Tools

✅ 需要实际操作
✅ 访问外部资源
✅ 修改文件系统
✅ 执行系统命令

例如:
读取文件
搜索代码
执行git命令
访问网络

用Workflow

✅ 重复性流程
✅ 多步骤任务
✅ 标准化操作
✅ 自动化场景

例如:
每日构建流程
代码审查流程
文章发布流程

用Skill

✅ 专业领域任务
✅ 最佳实践封装
✅ 频繁使用的功能
✅ 需要快速调用

例如:
/commit (Git提交)
/review-pr (代码审查)
/deploy (部署)

用MCP

✅ 连接外部服务
✅ 需要标准化
✅ 多种数据源
✅ 跨平台集成

例如:
连接GitHub
访问数据库
集成Slack
读取Notion

八、关键区别总结

最大的区别

Prompt vs 其他
- Prompt是"软"的（纯文本交流）
- 其他都是"硬"的（实际执行能力）
Tools vs MCP
- Tools：具体功能（读文件、写文件）
- MCP：连接规范（如何连接服务）
Workflow vs Skill
- Workflow：流程定义（步骤编排）
- Skill：能力封装（包含知识+工具+流程）

相同点

都是为了让AI更好地完成任务
都可以组合使用
都是提升效率的手段

九、简单记忆口诀

Prompt说，Tools做，
Workflow流程化，Skill专业化，
MCP标准化！

十、总结表格

概念	一句话总结	类比	作用
Prompt	告诉AI做什么	和助手对话	交互方式
Tools	让AI能操作	给助手工具	执行能力
Workflow	固定步骤流程	标准操作规程	自动化
Skill	专业能力包	专家级技能	快速调用
MCP	统一连接标准	通用插座	标准化集成

附录：实际配置示例

MCP配置示例（settings.json）

{
  "mcpServers": {
    "filesystem": {
      "command": "node",
      "args": ["path/to/filesystem/server.js"]
    },
    "github": {
      "command": "node",
      "args": ["path/to/github/server.js"],
      "env": {
        "GITHUB_TOKEN": "your_token"
      }
    }
  }
}

Workflow配置示例（GitHub Actions）

name: Article Collection Workflow
on: [workflow_dispatch]
jobs:
  collect:
    runs-on: ubuntu-latest
    steps:
      - name: Fetch Article
        run: python crawler.py ${{ inputs.url }}
      - name: Process Content
        run: python process.py
      - name: Save to Database
        run: python save.py

Skill调用示例

# Claude Code中
/commit                    # 使用Git提交技能
/review-pr 123            # 使用PR审查技能
/test                      # 使用测试技能

MCP技术社区

欢迎加入 MCP 技术社区！与志同道合者携手前行，一同解锁 MCP 技术的无限可能！

更多推荐

Google能索引，AI却抓不到

很多技术团队有个错觉：只要Google能正常收录，内容就没问题。但现实是，你的页面在Google搜索结果里好好的，在ChatGPT、Perplexity、Claude的答案里却像从未存在过一样。

MCP技术社区

Windows 下部署 New API 中转站全过程实录（含 6 个真实踩坑）

MCP技术社区

初识智能体

在过去两年中，几乎所有人都体验过大语言模型（如 ChatGPT、Claude、DeepSeek）的强大能力：写周报、润色邮件、解答编程疑难。被动响应：你问一句，它答一句。如果你的 Prompt 没有写清楚约束条件，它无法主动追问或修正目标。知行脱节：大模型能用流畅的文字告诉你“如何部署一个高可用 K8s 集群”，但它无法替你登录服务器敲下命令、查看报错日志并自动回滚。信息孤岛：大模型的知识止步于预

MCP技术社区

所有评论(0)

查看更多评论

然然后

@2301_79892101

已为社区贡献3条内容

一文带你搞懂Prompt、Tools、Workflow、Skill、MCP等AI概念之间的区别

然然后

🎯 从Claude的视角看：Prompt、Tools、Workflow、Skill、MCP

一、核心概念类比

📝 Prompt（提示词）= “你给我的任务指令”

🔧 Tools（工具） = “你给我的’手’和’腿’”

🔄 Workflow（工作流） = “标准操作流程SOP”

🎯 Skill（技能） = “专业能力包”

🔌 MCP（Model Context Protocol） = “标准接口规范”

二、五者关系图

三、实战例子：开发ArticleKeeper

场景1：爬取一篇文章

仅用Prompt（最基础）

Prompt + Tools（能做事了）

Prompt + Tools + Workflow（标准化）

Prompt + Tools + Workflow + Skill（专业化）

完整版：所有概念结合

四、详细对比表

五、层次关系

六、生活化类比总结

Prompt（对话）

Tools（身体部件）

Workflow（做事流程）

Skill（专业技能）

MCP（统一接口）

七、实际应用建议

什么时候用什么？

用Prompt

用Tools

用Workflow

用Skill

用MCP

八、关键区别总结

最大的区别

相同点

九、简单记忆口诀

十、总结表格

附录：实际配置示例

MCP配置示例（settings.json）

Workflow配置示例（GitHub Actions）

Skill调用示例

所有评论(0)

温馨提示：您尚未绑定手机号

然然后