Agent Skill 和 mcp 和 prompt区别

你真的分得清 Agent、Skill、MCP 和 Prompt 吗？看完这篇我敢说 90% 的人搞混了

前两天，有个读者朋友火急火燎地私信我：“我脑袋都快炸了！Agent、MCP、Skill、Prompt……感觉每个都是让AI干活的东西，到底有啥不一样？”

我回他：“你先别急，这个坑我两年前也踩过，而且是连环踩，踩完还摔得四脚朝天。”

说实话，我从 2017 年就开始捣鼓 AI 应用了。那时候哪有什么 Agent、MCP，大家最高级的玩法就是——“写 Prompt”。写得好 AI 就神，写得烂 AI 就演。你给它一段话，它就干一件事，聊完就忘。

但到了今天，突然冒出来一堆新玩意儿。Agent、Skill、MCP，每个都打着“让AI更智能”的旗号，可真要说它们之间怎么配合，十个工程师里能有九个说不清楚。

来，今天我就把压箱底的实操经验全倒出来，把这几个东西拆得透透的。保证你读完恍然大悟，顺便还能拿去给同事装个逼。

第一步：Prompt——你跟AI说的每一句话，转身就忘

先聊最熟悉的。

Prompt 是什么？就是你发给 AI 的那句话：“帮我把这个PDF总结一下”、“写一封辞职信，要煽情的那种”、“分析一下这个bug的根因”。

就这。

它没有记忆，也没有流程，更不会主动调用工具。你跟它说“帮我 review 一下这段代码”，它就真的只盯着眼前这几行字发呆，不会主动去翻你的 Git 历史，也不会自己跑一下单元测试。——为什么？因为你没说啊！

所以用完一次的 Prompt，就像餐馆里那一嗓子“老板，来碗面”，下完单，就没它什么事了。

可偏偏到现在，还有人以为 Prompt 是万能的，整天研究什么“Prompt 工程”、“咒语大全”。不是我说，这个思路还停留在 2018 年。

Prompt 解决的只有一件事：这次要干什么。 但你想想，一个稍微复杂的任务，哪是一次对话能搞定的？比如“分析这周用户反馈，找出 Top3 问题，再写个改进方案”——光靠一条 Prompt，AI 根本不知道第一步该干嘛，第二步又该干嘛。

所以你看，Prompt 只是起点，不是终点。如果想让它真的“干活”，得再加东西。

第二步：MCP——给AI装上一双标准化的手，再也不怕工具乱接

到了 2024 年底，大家发现一个巨坑：每次想让 AI 干点实际的事（查数据库、发邮件、操作浏览器），都得自己写代码去调 API。调用 A 是一种写法，调用 B 又是另一种写法，重复造轮子造到想吐。

于是 MCP（Model Context Protocol）出来了。它解决的是 工具的接入标准化。

你想象一下，没有 MCP 的时候，每个工具的接口都像是不同国家的插座。AI 说“我要查数据库”，你得专门给它写个转接头；说“帮我发个飞书消息”，又得再写一个。每个项目都来一遍，烦不烦？

有了 MCP，所有工具都变成了统一接口——一次写好，到处复用。就像一个世界通用的转换插头，走到哪都能直接用。

我当初做第一个 MCP Server（选的是文件系统工具）时，踩了个天大的坑：官方文档里写的 JSON-RPC 格式，我照着抄，结果 Claude Desktop 死活不认。折腾了一整个下午，最后发现——少传了一个 sessionId 字段！ 就这一个字段，让我怀疑人生了四个小时。后来 MCP 规范稳定下来，这类坑才少了很多。

现在你明白了：MCP 是发生在 AI 客户端（比如 Claude、Cursor） 和 工具服务（数据库、Git、浏览器） 之间的握手协议。它把工具的功能统一暴露出来，然后转成大模型能读懂的 Function Calling 格式，让 AI 知道：“哦，原来我可以干这件事。”

一句话总结：MCP 解决的是——你能不能做这件事。 能不能查数据库？能不能发邮件？能不能控制浏览器？全看 MCP 连了多少工具。

第三步：Skill——把你的重复工作打包成“肌肉记忆”

好，重点来了。这是最容易搞混的地方。

很多人一看 Agent Skills，第一反应：“这不就是把几个 Prompt 放到一个文件夹里吗？换个马甲而已。”

我要告诉你：这个想法错得离谱。有些 Skill 确实只是长 Prompt 的文件夹，但真正牛 X 的 Skill，绝不是写几段提示词那么简单。

它不告诉 AI“你要好好思考”、“注意格式”——这些废话说了也白说。真正的 Skill，是把一类任务从头到尾的 完整流程 沉淀下来：什么条件下触发、按照什么步骤做、需要引入哪些上下文、能调用哪些 MCP 工具、最后怎么判断结果合不合格。

我用自己写的一个“竞品分析 Skill”给你举例：

---
name: competitor-analysis
description: "当用户需要分析某个行业的竞品格局、对比多个品牌的特定维度、生成竞品对比报告时使用"
metadata: { "openclaw": { "emoji": "📊" } }
---

# 竞品分析 Skill

1. 用 web_search 搜索"[行业名] 主要品牌"，提取前5-10个品牌
2. 对每个竞品用 web_search 搜索各维度的数据
3. 将所有数据整理为对比表格
4. 整合对比表和关键发现，输出报告

看到没？没有一句废话，就是冷冰冰的步骤。但 AI 读了它，就不再需要每次凭空想“我该怎么分析竞品”，而是拿到指令直接按流程办事。

所以说，Prompt 是“这次做什么”，Skill 是“这类事怎么做”。 两者的区别，就像你临时想吃什么（今天点个外卖） vs. 你妈把你最爱吃的菜谱记在本子上，每次做都按步骤来。

Skill 是有生命周期的：Agent 启动时扫描所有可用的 Skill，发现匹配的任务就加载，用完就卸载。不像 Prompt，每次都塞进对话里，浪费 Token 又污染上下文。

那我踩过的一个大坑是什么？刚开始写 Skill 时，我把元数据的 description 写得太笼统：“分析行业信息”。结果用户说“帮我看看今年手机市场有什么趋势”，我的竞品 Skill 就被触发了，输出的却是一堆品牌对比，根本不是用户要的趋势分析。命中率不到 50%！

后来我改了 description：“当用户明确要求对比多个品牌或产品，或要求生成竞品格局报告时使用”，命中率直接飙到 85% 以上。你看，一个小小的字段，差这么多。

四、一张图秒懂：Prompt、MCP、Skill 根本就不在一个层级

好，看到这儿，你可能会问：“这三个东西到底谁大谁小？有没有上下级关系？”

有，而且非常清楚。

从下往上，三层：

1. 最底层：Function Calling

这是大模型和外界沟通的语言。模型生成一个叫 tool_calls 的 JSON，告诉宿主程序：“这个函数，传这些参数，你去执行。”宿主执行完，把结果塞回给模型。没有这个地基，啥都动不了。

2. 中间层：MCP

AI 客户端和工具服务之间的标准化协议。它把各种工具包装成统一接口，然后转成 Function Calling 格式喂给模型。所以 MCP 是 Function Calling 的封装和管理者。

3. 最高层：Skill

Agent 和知识模块之间。Agent 启动时扫描所有 Skill，发现任务匹配，就加载那个 Skill 的指令。一个 Skill 可能有好几步，每一步都可能调用好几个 MCP 工具。

依赖关系非常明确：Skill 里引用 MCP 工具，MCP 工具底层依赖 Function Calling。

没有 Function Calling，MCP 转不了；没有 MCP，Skill 里的工具接不进来；没有 Skill，Agent 面对复杂任务只能现想流程，效率低到爆炸。

套用一句人话：

• **Prompt 是你当下说的。**
• **MCP 是能让 AI 操作的外部接口。**
• **Skill 是 AI 内部沉淀的执行手册。**

五、实际操练：三个项目，两个踩坑，一个顺利

今年上半年我做了三个 Agent 项目，一个顺利交付，两个差点把项目搞砸。复盘下来，全是因为没搞清这三者的配合关系。

第一个坑：把 Prompt 当成 Skill 用

项目 A 里，我把一套“Code Review”规则直接写进了系统 Prompt 里。结果每次对话都带着那几万 Token，不光贵得要死，而且 AI 在其他场景下（比如写代码时）也被这些规则干扰。后来改成 Skill，只在识别到“代码审查”意图时才加载，Token 消耗直接降了 60%。——你说，这不是白花冤枉钱？

第二个坑：MCP 工具在 Skill 里挂了，没加重试

做一个“客户数据清洗”的 Skill 时，我在步骤里引用了一个数据库 MCP。结果某次数据库连接超时，整个 Skill 流程卡死，Agent 直接崩溃。后来我学乖了，在 Skill 步骤里加了一句“如果调用失败，重试 2 次，间隔 3 秒”，稳得像泰山。

第三个坑：Skill 触发条件写太宽，AI 傻傻分不清

前面讲过了，竞品分析 Skill 的 description 写得太笼统，导致误触发。这就像你家门铃不管谁按都响，烦不烦？后来把触发条件写具体，世界清静了。

你看，这些坑都不是技术难题，就是概念没理清。理清了，路就好走了。

六、进阶建议：你的第一个 Skill 从哪里开始？

如果你现在跃跃欲试，我建议你 别一上来就搭 MCP Server，而是从你每天重复做三次以上的任务开始。

拿我自己举例：我每周都要汇总团队周报。以前每次写 Prompt：“把下面几个人的周报合并，格式是 XXX……”写了 N 遍。后来我写了一个 Skill，规定：

• 先读取指定目录下的多个周报文件（通过 MCP 文件系统）
• 按“技术、产品、业务”三个维度分类
• 提取每个维度 Top3 重点
• 生成 Markdown 表格
• 最后加上下周计划栏

现在我说一句“汇总本周周报”，Agent 自动就干完了。整个过程不到 30 秒，以前手写要 15 分钟。

写 Skill 的几个要点，我拿血泪经验总结的：

1. 元数据一定要精确。name 别用空格，description 写清楚触发条件，越具体越好。

2. 流程别写死。留点自由给 AI，比如“如果数据量小于 5 条，就直接输出；否则先合并再总结”。

3. 尽量引用 MCP 工具，不要在 Skill 里写死代码。Skill 只负责编流程，MCP 负责干活。

4. 加校验标准。比如“输出必须包含数据来源链接”、“结论部分不能超过 300 字”。这样 AI 就不会放飞自我。

最后推荐你去看看 Anthropic 官方发布的“Introducing Agent Skills”，以及他们 GitHub 上的 SKILL.md 格式规范。我一开始照着那个写，三天就摸清了门道。

压轴的金句

好了，说了这么多，最后送你一句话，保证你能带出去传播：

“Prompt 是你点菜时说的那句话，MCP 是厨房里那套通用的水管和煤气接口，Skill 呢，是大厨脑子里沉淀下来的菜谱和火候本能。

三者联手，AI 才能从‘你说啥我干啥’进化到‘你一个眼神我就知道该怎么做’。”

下次面试或者跟同行聊天，别人再问你 Skill 和 MCP 有啥区别，你直接拍着大腿说：“Skill 是菜谱，MCP 是厨房的操作系统，Prompt 就是点餐那一嗓子。”对方绝对秒懂，还得给你竖个大拇指。

来吧，现在就可以从你最常做的那个任务开始，写一个你自己的 Skill。你说，这事儿是不是想想就过瘾？😎