AI核心概念解析：Prompt、Agent与Function Call的区别
基本信息
- 作者: 苏三说技术
- 链接: https://juejin.cn/post/7614205951297732654
导语
随着大模型应用的深入，Prompt、Agent、Function Call、Skill 与 MCP 等术语频繁出现，但其具体边界往往容易混淆。厘清这些概念不仅有助于理解 AI 的技术演进，更是构建复杂应用系统的基石。本文将逐一拆解这些术语的定义与核心差异，帮助你构建清晰的知识体系，从而在实际开发中做出更合理的技术选型。
描述
前言 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
摘要
这是一篇关于人工智能核心概念的科普文章。以下是对该内容的简洁总结：
文章主旨： 随着AI的普及，许多人对 Prompt（提示词）、Agent（智能体）、Function Call（函数调用）、Skill（技能） 和 MCP（模型上下文协议） 这五个核心概念及其关系感到困惑。文章旨在通过类比和原理解析，帮助读者厘清这些术语。
核心概念解析：
Prompt（提示词）
- 本质： AI的“输入”或“指令”。
- 作用： 用户与模型沟通的媒介。无论是简单的提问还是复杂的任务设定，都是通过Prompt来引导模型生成预期的输出。它是AI一切行为的起点。
Agent（智能体）
- 本质： AI系统的“大脑”与“执行者”的结合体。
- 特点： 不仅仅是被动回答问题，Agent具备自主性。它能感知环境、进行决策规划，并可以调用工具来完成任务。
- 公式： Agent = 大模型（LLM） + 感知 + 规划 + 工具使用 + 行动。
Function Call（函数调用）
- 本质： 连接AI与现实世界的“桥梁”或“接口”。
- 作用： AI模型本身不能联网或执行代码，Function Call允许模型将用户的自然语言转化为结构化的JSON数据，从而调用外部函数（如查天气、订机票、查询数据库）。它是Agent实现工具使用的关键技术。
Skill（技能）
- 本质： Agent手中的“具体工具”或“能力包”。
- 区别： Function Call是技术机制（怎么调），而Skill是封装好的业务功能（能干什么）。一个Skill可能由一个或多个Function Call组成。例如，“订票技能”内部包含了“查询航班”和“支付”等多个函数调用。
MCP（Model Context Protocol，模型上下文协议）
- 本质： AI应用之间的“通用语言”或“USB接口”。
- 背景： 由Anthropic等公司提出的新标准。
- 作用： 解决了不同AI应用之间数据孤岛的问题
评论
基于您提供的文章标题和摘要，虽然无法获取全文细节，但基于标题中列出的核心概念（Prompt、Agent、Function Call、Skill、MCP），我们可以从技术架构演进和行业认知的视角进行深入剖析。以下是该主题的深度评价：
一、 核心评价
中心观点： 该文章试图通过梳理大模型（LLM）应用层的核心概念，构建从“静态指令”到“动态系统”的认知框架，旨在解决开发者在AI工程化落地中面临的术语混乱与架构选型困惑。
支撑理由：
- 认知分层必要性（事实陈述）： 随着AI应用从简单的Chatbot向复杂的Agent演进，开发者确实面临“概念通胀”。Prompt是基础交互，Agent是控制流，Function Call是工具接口，MCP（Model Context Protocol）是新兴的互操作性标准。将它们混淆会导致架构设计错误（例如，试图用Prompt硬编码解决本该由Agent处理的动态规划问题）。
- 技术栈的标准化趋势（作者观点）： 文章提及MCP（由Anthropic提出），说明作者紧跟行业技术前沿。MCP试图统一LLM与数据源连接的标准，这标志着行业正在从“手搓API”向“标准化协议”转型。厘清这些概念有助于开发者在构建RAG或Agent系统时选择正确的工具链。
- 从“对话”到“行动”的范式转移（你的推断）： 标题将“Skill”与“Function Call”并列，暗示了文章可能探讨了能力封装的粒度问题。这是目前AI Agent工程化的核心痛点——如何将一个函数封装成模型可理解的“技能”。这种区分对于构建企业级AI助手至关重要。
反例/边界条件：
- 概念边界的模糊性（事实陈述）： 在实际的高级框架（如LangChain或AutoGPT）中，Prompt、Skill和Function Call的边界往往是融合的。一个“Skill”本质上可能就是一段System Prompt加上一个Function Call的元数据。过度强调概念区分，有时会增加学习负担，而非理清思路。
- MCP的普及度存疑（你的推断）： 虽然MCP在技术圈很热，但在实际企业生产环境中，尚未成为事实标准。许多企业仍倾向于使用自定义的API网关。因此，文章若过分强调MCP的必要性，可能存在技术理想主义，忽视了存量系统的兼容性。
二、 维度深度评价
1. 内容深度：从“名词解释”到“架构逻辑”
- 评价： 如果文章仅停留在“定义解释”，深度一般；如果解释了**“Prompt如何通过Function Call转化为Skill，进而被Agent调度”**的链路，则深度较高。
- 批判性思考： 许多此类文章容易陷入“堆砌术语”的陷阱。真正的深度在于揭示**MCP（协议层）与Function Call（交互层）**的区别——前者是解决数据孤头的“USB接口”，后者是解决模型无能的“手脚”。若文章未能点出MCP在于解决“上下文数据连接”而非“工具调用”，则技术洞察力不足。
2. 实用价值：架构选型的避坑指南
- 评价： 对初级和中级开发者具有极高的实用价值。
- 实际案例： 在构建企业知识库助手时，开发者常犯的错误是用Prompt去“教”模型查数据库（效果极差），而不是使用Function Call + MCP。文章若能明确“Prompt负责意图识别，Agent负责流程控制，Function Call负责执行”，能直接指导代码结构设计。
3. 创新性：在于MCP视角的引入
- 评价： 传统的概念辨析文章通常止步于Agent。引入MCP（Model Context Protocol）是该文章的亮点。
- 新观点： 将MCP纳入核心概念列表，暗示了文章可能提出了“AI应用的互操作性”这一较新的视角。这超越了单一模型的讨论，上升到了生态系统的层面。
4. 行业影响：推动工程化术语的统一
- 评价： 目前AI行业存在严重的“黑话”壁垒。清晰的定义有助于降低沟通成本。如果文章对“Skill”的定义（如：Prompt+Function的组合）被社区采纳，将有助于推动Agent开发从“手工作坊”向“模块化组装”演进。
5. 争议点与不同观点
- 争议点： Agent的必要性。
- 文章可能观点： Agent是高级形态，能处理复杂任务。
- 反方观点（Latency & Cost）： 在实际工业界，为了响应速度和成本控制，应尽量避免使用重Agent（多步推理），而优先使用Prompt Engineering + Function Call（单次直接调用）。过度Agent化会导致“为了智能而智能”，增加系统不稳定性。
- 争议点： MCP vs. Custom Plugins。
- MCP是否真的优于OpenAI的Plugins或自定义接口？目前尚无定论，MCP更偏向于通用的数据连接，而Plugins往往包含特定的业务逻辑封装。
三、 实际应用建议与验证
可验证的检查方式（指标/实验）
为了验证文章中的概念是否具有实际指导意义，建议进行以下验证：
- “替换测试”（验证Prompt vs. Agent）：
- 实验： 选取一个复杂任务（如：查询天气并预定会议）。
- 观察： 尝试仅
学习要点
- MCP（Model Context Protocol）是连接大模型与外部数据源的“通用USB接口”，它通过标准化的协议解决了AI应用与工具集成的碎片化问题，是构建开放生态的关键基础设施。
- Function Call（函数调用）是大模型将自然语言意图转化为结构化参数的“翻译器”，它是实现Agent能够操控外部工具和API的核心技术手段。
- Agent（智能体）是具备感知、规划、记忆和行动能力的自主系统，其核心价值在于利用大模型作为“大脑”来拆解任务并自主调用工具以达成复杂目标。
- Prompt（提示词）是与大模型交互的直接指令，它是定义Agent角色、设定Skill技能逻辑以及引导模型生成正确Function Call参数的基础输入。
- Skill（技能）是Agent解决特定问题的能力单元，本质上是经过封装的Prompt或Function Call逻辑，通过组合不同的Skill可以赋予Agent处理复杂任务的专业能力。
- 大模型应用架构正从单一的Prompt工程向“Agent+Function Call+MCP”的协同模式演进，这种分层设计实现了从“对话”到“行动”的质变。
- MCP协议的标准化使得开发者无需为每个数据源重复开发适配器，从而极大地降低了AI应用接入外部系统的成本并提升了系统的可扩展性。
常见问题
1: Prompt（提示词）和 Agent（智能体）有什么本质区别？为什么有了 Prompt 还需要 Agent？
1: Prompt（提示词）和 Agent（智能体）有什么本质区别？为什么有了 Prompt 还需要 Agent？
A: Prompt（提示词） 是你发送给大模型的具体指令或上下文，它是静态的文本。当你使用 Prompt 时，大模型是根据你的指令一次性生成回复，无法主动去外部获取信息或执行操作。
Agent（智能体） 则是一个具备自主规划能力的系统。它不仅仅是接收指令，而是会使用大模型作为“大脑”来拆解任务、规划步骤，并能够调用外部工具（如搜索网页、执行代码）来完成目标。简单来说，Prompt 是“你让模型做什么”，而 Agent 是“模型自己决定怎么做并去执行”。Agent 是 Prompt 的进阶封装，增加了感知、规划和行动的能力。
2: Function Call（函数调用）和 Skill（技能）是同一个东西吗？
2: Function Call（函数调用）和 Skill（技能）是同一个东西吗？
A: 它们紧密相关但侧重点不同。
Function Call 是大模型的一种原生能力（或技术机制）。它允许大模型在生成文本的过程中，不直接输出自然语言，而是输出一段结构化的 JSON 数据，指示程序去调用某个特定的函数（如 get_weather(city: "Beijing")）。这是连接大模型与现实世界代码的桥梁。
Skill（技能） 则是业务层面的概念。一个 Skill 通常由一个或多个 Function Call 组成，并包含了具体的业务逻辑和描述。例如，“查询天气”是一个 Skill，而在技术实现上，它依赖底层的 Function Call 机制来触发。你可以把 Function Call 理解为“螺丝刀”，而 Skill 是用螺丝刀修好的“电器”。
3: MCP 是什么？它和 Function Call 有什么区别？
3: MCP 是什么？它和 Function Call 有什么区别？
A: MCP (Model Context Protocol) 是一个开放的通用标准协议，用于连接 AI 应用与外部数据源（如 GitHub、Google Drive、本地文件等）。
区别在于：
- 通用性 vs 特异性：Function Call 通常是指某个特定应用内部调用函数的机制（例如 OpenAI 定义的函数调用格式）；而 MCP 是一个跨应用、跨平台的行业标准，旨在解决不同 AI 工具之间数据不通用的“孤岛”问题。
- 连接对象：Function Call 更多是连接大模型和代码逻辑；而 MCP 侧重于连接大模型和数据内容（Context）。通过 MCP，Agent 可以更方便地读取和写入各种系统的数据，而无需为每个系统单独写适配代码。
4: Agent 是如何使用 Skill 和 Function Call 的？
4: Agent 是如何使用 Skill 和 Function Call 的？
A: Agent 是指挥官，Skill 是战术，Function Call 是具体的动作。
工作流程通常是这样的：
- 用户向 Agent 发出任务（例如：“帮我预定明天的机票并查看天气”）。
- Agent 进行规划，发现需要用到“预定机票”和“查看天气”两个 Skill。
- Agent 调用这些 Skill，在底层通过 Function Call 机制，生成对应的参数（如日期、地点）。
- 系统执行 Function Call，获取真实数据（如机票余票、天气情况）。
- Agent 将结果汇总，生成最终回复给用户。
5: 如果我只想做一个简单的翻译工具，需要用到 Agent 或 MCP 吗？
5: 如果我只想做一个简单的翻译工具，需要用到 Agent 或 MCP 吗？
A: 不需要。
对于简单的、单次交互的任务（如翻译、摘要、问答），直接编写高质量的 Prompt 即可解决。引入 Agent 和 MCP 会增加系统的复杂度和延迟。只有当你的任务需要多步推理、访问实时数据、或操作外部软件（比如“帮我读取邮件并总结日程”）时，才需要考虑使用 Agent 架构和 MCP 协议。
6: 学习这些概念的顺序建议是什么？
6: 学习这些概念的顺序建议是什么？
A: 建议按照以下顺序进阶：
- Prompt：这是基础，学习如何通过自然语言精准控制模型输出。
- Function Call：学习如何让模型输出结构化数据，从而能运行代码。
- Skill：学习如何将 Function Call 封装成可复用的业务模块。
- Agent：学习如何利用 LLM 进行任务规划，循环调用上述 Skill。
- MCP：当你需要连接大量外部数据源，或者希望你的 Agent 能被其他 AI 生态使用时，再深入学习此协议。
引用
注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。
站内链接
- 分类： 大模型 / AI 工程
- 标签： LLM / Agent / Prompt / Function Call / MCP / 智能体 / AI概念 / RAG
- 场景： 大语言模型 / AI/ML项目 / RAG应用