最近AI越来越火了。

我发现里面有很多概念有些小伙伴有点分不清楚，比如：Prompt、Agent、Function Call、Skill、MCP等。

今天这篇文章专门跟大家一起聊聊这个话题，希望对你会有所帮助。

核心概念关系图

先上干货，这张图让你从整体上理解这五个概念是如何分层递进的：

一句话概括：

• Prompt 是你跟AI说的“人话”
• Function Call 让AI能“动手干活”
• Agent 让AI会“思考规划”
• Skill 是AI的“职业技能证书”
• MCP 是AI世界的“USB接口”

下面我们一层一层拆开揉碎了讲，每层都有Java代码示例。

第一层：Prompt——和AI对话的“普通话”

1.1 什么是Prompt？

Prompt（提示词） 就是你输入给AI的文本指令。

它就像你去餐厅点菜时说的“来一份宫保鸡丁”，AI就是那个服务员，听懂你的话然后给你上菜。

在Java里，调用AI模型的第一步就是构造Prompt。

我用最简单的Spring AI示例来演示：

java

代码解读

复制代码

import org.springframework.ai.chat.ChatClient; import org.springframework.ai.chat.prompt.Prompt; import org.springframework.ai.chat.prompt.SystemPrompt; import org.springframework.ai.chat.prompt.UserPrompt; @Service public class AIService { private final ChatClient chatClient; public AIService(ChatClient chatClient) { this.chatClient = chatClient; } public String askAI(String question) { // 构造Prompt：可以包含系统消息和用户消息 Prompt prompt = new Prompt( new SystemPrompt("你是一个Java架构师，擅长用通俗的语言解释技术概念。"), new UserPrompt(question) ); // 调用AI并返回结果 return chatClient.call(prompt).getResult().getOutput().getContent(); } }

这里的SystemPrompt和UserPrompt就是最基础的Prompt形式。

它们决定了AI的身份和你要问的问题。

1.2 Prompt的高级玩法

光有基础Prompt还不够，在实际应用中我们经常需要提示词工程来引导AI做出更好的回答。比如：

java

代码解读

复制代码

public String generateJavaCode(String requirement) { String promptTemplate = """ 你是一个资深的Java开发工程师。 请根据以下需求生成Java代码，代码要包含必要的注释，并考虑异常处理： 需求：%s 请输出完整的Java类代码。 """; String prompt = String.format(promptTemplate, requirement); return chatClient.call(new Prompt(prompt)).getResult().getOutput().getContent(); }

Prompt的本质：它是人类意图与AI能力之间的“翻译官”。

Prompt写得好，AI才能干得好。

第二层：Function Calling——让AI从“说话”到“动手”

Prompt只能让AI“说话”，但AI想干点实事（比如查数据库、发邮件、调用第三方API）时，就无能为力了。

Function Calling（函数调用） 就是来解决这个问题的。

2.1 什么是Function Calling？

Function Calling允许开发者在调用大模型时，注册一系列函数（工具），模型在生成回复时如果判断需要调用外部工具，就会返回一个结构化的请求，由开发者执行真实的函数，再把结果返回给模型生成最终答案。

原理图如下：

2.2 Java实现Function Calling

我用LangChain4j来演示，因为它对Java开发者很友好。首先定义工具函数：

java

代码解读

复制代码

import dev.langchain4j.agent.tool.Tool; import java.time.LocalDateTime; import java.time.format.DateTimeFormatter; public class WeatherTool { @Tool("获取指定城市的实时天气") public String getWeather(String city) { // 这里应该是真实的API调用，为了演示我们模拟数据 if ("北京".equals(city)) { return "北京当前天气：晴，温度25℃，湿度40%"; } else if ("上海".equals(city)) { return "上海当前天气：小雨，温度22℃，湿度80%"; } else { return "抱歉，暂不支持该城市天气查询"; } } @Tool("获取当前时间") public String getCurrentTime() { return LocalDateTime.now().format(DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss")); } }

然后创建AI服务并绑定工具：

java

代码解读

复制代码

import dev.langchain4j.model.chat.ChatLanguageModel; import dev.langchain4j.model.openai.OpenAiChatModel; import dev.langchain4j.service.AiServices; public class WeatherAssistant { interface Assistant { String chat(String userMessage); } public static void main(String[] args) { ChatLanguageModel model = OpenAiChatModel.builder() .apiKey(System.getenv("OPENAI_API_KEY")) .modelName("gpt-4") .build(); Assistant assistant = AiServices.builder(Assistant.class) .chatLanguageModel(model) .tools(new WeatherTool()) // 注册工具 .build(); // 用户提问 String response = assistant.chat("北京现在天气怎么样？"); System.out.println(response); response = assistant.chat("现在几点了？"); System.out.println(response); } }

当用户问天气时，模型会判断需要调用getWeather函数，LangChain4j自动处理了函数调用的整个流程，最后把结果整合成自然语言返回。

2.3 Function Calling的核心价值

让AI从“静态知识”变成“动态能力”。

没有Function Calling，AI只能回答训练数据里的内容；有了它，AI可以实时获取最新信息，甚至可以操作你的系统。

第三层：Agent——会思考、会规划的“智能体”

Function Calling让AI能调用工具，但它还是被动的一问一答。

如果遇到复杂任务，比如“帮我规划一次杭州三日游”，需要查天气、查景点、查酒店、算预算……这时候就需要Agent（智能体） 出场了。

3.1 什么是Agent？

Agent是一个能够感知环境、做出决策并执行动作的自主系统。

它不像Function Calling那样只是“单次工具调用”，而是具备完整的“思考-行动-观察”闭环能力。

通俗说，Function Calling是“会用手”，Agent是“有大脑”。

3.2 ReAct：Agent的核心决策模式

目前主流Agent都采用ReAct（Reasoning + Acting）框架。

它的工作流程是：

1. 思考（Thought）：分析当前状态，决定下一步要做什么
2. 行动（Action）：调用某个工具
3. 观察（Observation）：获取工具返回的结果
4. 循环：直到任务完成

3.3 Java实现一个简单的ReAct Agent

我们用LangChain4j的AiServices结合工具来实现Agent。

首先定义多个工具：

java

代码解读

复制代码

import dev.langchain4j.agent.tool.Tool; public class TravelTools { @Tool("查询某城市未来一周的天气") public String queryWeather(String city) { // 模拟天气查询 return city + "未来一周天气：前三天晴，后四天多云，气温20-28℃"; } @Tool("查询某城市的知名景点") public String queryAttractions(String city) { // 模拟景点查询 if ("杭州".equals(city)) { return "杭州知名景点：西湖、灵隐寺、西溪湿地、宋城"; } else if ("上海".equals(city)) { return "上海知名景点：外滩、东方明珠、迪士尼乐园"; } return "暂无该城市景点信息"; } @Tool("计算预算") public String calculateBudget(String city, int days) { // 模拟预算计算 int base = 500; int total = base * days; return city + days + "天游预算约为：" + total + "元（不含大交通）"; } }

然后创建Agent：

java

代码解读

复制代码

import dev.langchain4j.model.chat.ChatLanguageModel; import dev.langchain4j.model.openai.OpenAiChatModel; import dev.langchain4j.service.AiServices; import dev.langchain4j.memory.chat.MessageWindowChatMemory; public class TravelAgent { interface TravelPlanner { String planTrip(String request); } public static void main(String[] args) { ChatLanguageModel model = OpenAiChatModel.builder() .apiKey(System.getenv("OPENAI_API_KEY")) .modelName("gpt-4") .build(); TravelPlanner agent = AiServices.builder(TravelPlanner.class) .chatLanguageModel(model) .tools(new TravelTools()) .chatMemory(MessageWindowChatMemory.withMaxMessages(20)) // 记忆，让Agent能记住上下文 .build(); String result = agent.planTrip("帮我规划一个3天的杭州游，包括天气、景点和预算"); System.out.println(result); } }

这个Agent会自己决定先查天气、再查景点、再算预算，然后把所有信息整合成一份完整的旅行计划。整个过程是自主的，不需要我们写死流程。

3.4 Agent与Function Calling的关系

Function Calling是Agent的“手”，Agent是拥有“大脑”的完整系统。

Agent通过Function Calling调用工具，但Agent多了“规划”和“记忆”能力，能处理更复杂的任务。

第四层：Skill——封装专业知识的“技能包”

当Agent需要处理不同领域的任务时，如果让一个Agent掌握所有知识和工具，会变得臃肿且容易出错。

这时候就需要Skill（技能） 的概念。

4.1 什么是Skill？

Skill是一套封装了特定领域知识、最佳实践和工具组合的“技能包”。

它就像我们人类的职业资格证书——一个医生有“看病技能”，一个程序员有“写代码技能”。

Anthropic最早提出Skill概念，一个Skill通常包含：

• 领域专用的提示词模板
• 一组相关的工具函数
• 特定的工作流逻辑

4.2 Java中如何组织Skill？

我们可以把Skill定义为一个独立的模块，包含自己的工具类和提示模板。

例如，一个“前端开发Skill”：

java

代码解读

复制代码

// 前端技能专属工具 public class FrontendTools { @Tool("生成React组件代码") public String generateReactComponent(String componentName, String props) { return """ import React from 'react'; const %s = (%s) => { return <div>Hello, {props.name}</div>; }; export default %s; """.formatted(componentName, props, componentName); } @Tool("检查CSS命名规范") public String checkCssNaming(String cssCode) { // 模拟CSS检查逻辑 return "CSS规范检查通过"; } } // 前端技能的提示词模板 public class FrontendPrompts { public static final String SYSTEM_PROMPT = """ 你是一个资深前端开发工程师，精通React、Vue、CSS等前端技术。 请严格按照前端最佳实践生成代码，确保代码可维护。 """; } // 创建前端专家Agent public class FrontendAgent { public static void main(String[] args) { ChatLanguageModel model = OpenAiChatModel.builder() .apiKey(System.getenv("OPENAI_API_KEY")) .modelName("gpt-4") .build(); Developer assistant = AiServices.builder(Developer.class) .chatLanguageModel(model) .tools(new FrontendTools()) .systemMessageProvider(ignored -> FrontendPrompts.SYSTEM_PROMPT) .build(); String code = assistant.generateCode("创建一个计数器组件，有加一减一按钮"); System.out.println(code); } }

4.3 Skill与Agent的关系

在大型系统中，我们通常会有多个Agent，每个Agent加载不同的Skill：

• 前端Agent：加载ReactSkill、CSSSkill
• 后端Agent：加载SpringSkill、DatabaseSkill
• 运维Agent：加载K8sSkill、MonitoringSkill

每个Agent只拥有完成自己领域任务所需的最小知识集，既提高了精准度，又保障了安全。

4.4 Function Call和Skill有什么区别？

一句话说清本质：

• Function Call 是一种能力：让AI能够调用外部函数（工具）
• Skill 是一个模块：封装了特定领域的知识、最佳实践和一组相关的Function Call

用个比喻：

• Function Call 像锤子、螺丝刀、扳手这些具体工具
• Skill 像木工工具箱：里面有锤子、锯子、尺子，还附带一本《木工操作手册》

下面从代码看看它们的区别。

Function Call：单个工具

java

代码解读

复制代码

public class WeatherTool { @Tool("获取天气") public String getWeather(String city) { // 调用天气API return callWeatherAPI(city); } }

这个工具只能干一件事：查天气。

Skill：完整的专业能力包

java

代码解读

复制代码

// 前端开发Skill - 包含多个工具 + 专业知识 public class FrontendSkill { // 工具1：生成React组件 @Tool("生成React组件") public String generateComponent(String name) { return "React组件代码..."; } // 工具2：检查CSS规范 @Tool("检查CSS规范") public String checkCss(String css) { return "检查结果..."; } // 工具3：优化性能建议 @Tool("提供前端性能优化建议") public String performanceAdvice(String code) { return "优化建议..."; } // 还有领域知识（不是工具，而是提示词模板） public static final String SYSTEM_PROMPT = "你是一个资深前端专家，精通React、Vue、CSS优化..."; }

这个Skill包含了多个工具，还带有领域知识。

核心区别对比表：

维度	Function Call	Skill
本质	单一能力	能力集合 + 知识
粒度	原子操作	业务模块
是否包含工具	本身就是工具	包含多个工具
是否包含知识	不包含	包含领域知识和最佳实践
类比	单个螺丝刀	电工工具箱 + 电工手册
应用场景	查天气、发邮件等单次操作	前端开发、运维管理、财务分析等专业领域
代码形式	单个@Tool方法	多个@Tool方法 + 系统提示词

为什么需要区分这两个概念？

1. 设计层面的解耦：Function Call是底层能力，Skill是业务封装。底层能力稳定，上层业务可以灵活组合。
2. 复用性：好的Skill可以跨项目复用，就像代码库里的工具包。
3. 安全性：可以给不同的Agent分配不同的Skill，实现权限隔离（前端Agent不能调用后端数据库）。

总结：

• Function Call：AI的“手”，能干活
• Skill：AI的“职业培训证书”，让AI知道怎么干好某个领域的事

Function Call + 领域知识 + 最佳实践 = Skill

下次再有人问这个问题，你可以直接甩给他这张表，然后说：“锤子是Function Call，工具箱是Skill，懂了吗？”

第五层：MCP——统一工具调用的“世界语”

随着Agent越来越多，每个Agent都要接入不同的工具，每个AI模型（OpenAI、Claude、文心一言）的Function Calling格式还不一样。

这就导致开发者要针对每个模型写一套工具适配代码，非常痛苦。

MCP（Model Context Protocol，模型上下文协议） 就是来解决这个问题的。

5.1 什么是MCP？

MCP是Anthropic提出的一个标准化协议，它定义了一套统一的接口，让AI模型可以像USB设备一样动态发现和调用工具。

核心思想：

• 工具以Server的形式暴露（MCP Server）
• AI应用作为Client（MCP Client）连接Server
• Server提供工具清单和调用接口
• Client统一格式调用，无需关心底层工具具体实现

5.2 MCP的工作流程

5.3 Java中使用MCP

Spring AI 2.0已经原生支持MCP，可以非常方便地构建MCP客户端和服务器。

定义MCP Server（工具提供方）：

java

代码解读

复制代码

import org.springframework.ai.mcp.server.McpServer; import org.springframework.ai.mcp.server.McpServerFeatures; import org.springframework.ai.mcp.server.McpServerRegistrar; import org.springframework.ai.mcp.spec.McpSchema; @Component public class WeatherMcpServer { @Bean public McpServerRegistrar weatherServer() { // 定义工具 McpSchema.Tool weatherTool = new McpSchema.Tool( "getWeather", "获取城市天气", new McpSchema.JsonSchema(Map.of( "type", "object", "properties", Map.of( "city", Map.of("type", "string", "description", "城市名称") ), "required", List.of("city") )) ); // 创建Server McpServerFeatures.AsyncServerSpec serverSpec = McpServerFeatures.async() .tool(weatherTool, (request) -> { String city = request.arguments().get("city").asText(); // 执行真实逻辑 String weather = "北京当前天气：晴，25℃"; return CompletableFuture.completedFuture( new McpSchema.CallToolResult(List.of( new McpSchema.TextContent(weather) ), false) ); }); return McpServerRegistrar.builder() .name("weather-server") .server(serverSpec) .build(); } }

MCP Client调用：

java

代码解读

复制代码

import org.springframework.ai.mcp.client.McpClient; import org.springframework.ai.mcp.client.McpClientFeatures; @Service public class AIServiceWithMCP { private final ChatClient chatClient; private final McpClient mcpClient; public AIServiceWithMCP(ChatClient chatClient) { this.chatClient = chatClient; // 连接到MCP Server this.mcpClient = McpClientFeatures.async() .connect("weather-server", "http://localhost:8080/mcp"); } public String askWeather(String city) { // 通过MCP调用工具 McpSchema.CallToolResult result = mcpClient.callTool("getWeather", Map.of("city", city)).join(); String weather = result.content().get(0).text(); // 也可以让AI自动决定是否调用工具 Prompt prompt = new Prompt("查询" + city + "天气"); return chatClient.call(prompt).getResult().getOutput().getContent(); } }

5.4 MCP与Skill的关系

MCP和Skill是互补的：

• MCP 解决“怎么连”的问题——标准化工具调用协议
• Skill 解决“连什么”的问题——封装专业知识和工具集合

一个典型的架构是：Agent通过MCP调用各种Skill暴露的工具。

这样，无论底层工具如何变化，Agent都不需要修改代码，只需要通过MCP动态发现即可。

一张表彻底分清五个概念

概念	一句话定义	核心作用	Java生态代表
Prompt	给AI的指令	告诉AI要做什么	Spring AI的Prompt类
Function Call	让AI能调用外部工具	赋予AI行动能力	LangChain4j的@Tool注解
Agent	能自主决策的智能系统	完成复杂任务的闭环	LangChain4j的AiServices + 记忆
Skill	封装专业知识的技能包	固化领域知识和最佳实践	模块化的工具集合+提示模板
MCP	统一工具调用的标准协议	让所有AI用同一套接口	Spring AI的MCP支持

这五个概念构成了AI应用开发的完整分层：

• Prompt是地基，没有它AI听不懂人话
• Function Call是第一层楼，让AI能动手
• Agent是第二层，让AI会思考
• Skill是装修，让AI更专业
• MCP是连接各层的管道，让整个系统灵活可扩展

更多项目实战在项目实战网：java突击队

总结

有些小伙伴可能会问：“我现在应该先学哪个？”

我的建议是：从Prompt开始，这是所有AI应用的基础。

理解了Prompt，再逐步接触Function Call，然后尝试搭建简单的Agent。

至于Skill和MCP，可以先了解概念，等你的应用复杂到需要多个Agent协作时，再深入学习也不迟。

Prompt、Function Call、Agent、Skill、MCP，正是AI应用开发的“五层楼”，每一层都让我们离业务更近，离底层细节更远。

作者：苏三说技术
链接：https://juejin.cn/post/7614205951297732654
来源：稀土掘金
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？

别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明：AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！