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 Prompt
response = 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_input
forstepinrange(max_steps):
action = model.think(context)
ifaction.type ==“final_answer”:
returnaction.content
result =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"

---

MCP（Model 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 Schema，Anthropic 用 tool_use block，Google 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 Client

LLM 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_forecast
MCP Server B（数据库） → query_database, insert_record
MCP 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 IDE（Cursor、Windsurf）和框架（LangChain、CrewAI）开始原生支持 MCP，MCP 正在从"协议"变成"生态"

🔄 OpenAI GPTs 进化 — GPTs 内部的 Action（Function 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！

06 90+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~】