🎯 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：

1. Read - 读文件（给我眼睛）
2. Write - 写文件（给我手）
3. Bash - 执行命令（给我行动能力）
4. WebSearch - 网络搜索（给我查资料的能力）
5. 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

1. 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）

2. 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）

3. 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