最近 AI 圈有几个词被反复提起：提示词、Agent、MCP、Skill。很多人听了半天还是一头雾水——它们到底是什么？有什么区别？什么时候用哪个？这篇文章用一个贯穿始终的比喻，把这四个概念讲清楚。

先建立一个统一的比喻

想象你开了一家外卖店，雇了一个聪明的员工来处理订单。

• 提示词 = 你给员工的工作指令
• Skill = 员工手边的操作手册
• MCP = 员工能用的各种工具和设备（电话、收银机、外卖平台）
• Agent = 员工本人——能自主思考、决策、行动的那个人

这四个东西不是竞争关系，而是同一个系统里的不同层次。

一、提示词（Prompt）：你说的每一句话

是什么

提示词就是你输入给 AI 的文字。最简单的形式：

帮我写一封请假邮件

复杂一点的，叫系统提示词（System Prompt），在对话开始前就告诉 AI 它的角色和规则：

你是一个专业的客服助手，只回答关于我们产品的问题，
语气要友好，回答要简洁，不超过 100 字。

类比

提示词就是你对员工说的话。"今天重点处理退款投诉"、"回复客户要有礼貌"——这些都是提示词。

局限性

提示词有个根本问题：每次对话都要重新说。

你今天告诉员工"要有礼貌"，明天他忘了，你还得再说一遍。而且提示词越长，AI 的注意力越分散，效果越差。

这就是为什么需要 Skill。

二、Skill：员工手边的操作手册

是什么

Skill 是一个 Markdown 文件（SKILL.md），开头用 YAML 格式标注名称和描述，正文写操作指南：

---
name: refund-handler        # 技能名称
description: 处理退款申请   # 简短描述
---

# 退款处理流程

当用户申请退款时：
1. 核实订单号和购买时间
2. 如果在 7 天内，直接批准
3. 如果超过 7 天，转人工审核
4. 回复用户预计到账时间

类比

Skill 是员工桌上的操作手册。不用每次都口头交代，员工遇到退款问题，自己翻手册就知道怎么做。

和提示词的区别

一句话：提示词是你说的话，Skill 是写下来的规范。

三、MCP：员工能用的工具和设备

是什么

MCP（Model Context Protocol，模型上下文协议）是 Anthropic 在 2024 年 11 月发布的开放标准。2025 年 12 月，MCP 已捐赠给 Linux 基金会下的 Agentic AI Foundation，由 Anthropic、Block、OpenAI 共同创立，AWS、Google、Microsoft 等为白金支持方，成为行业事实标准。

它解决的问题是：AI 怎么连接外部世界？

在 MCP 出现之前，每个 AI 应用想接入一个外部工具（数据库、GitHub、飞书……），都要单独写一套对接代码。10 个工具，10 套代码，维护噩梦。

MCP 的做法是：定义一套统一的通信协议。工具方按这个协议暴露能力，AI 按这个协议调用工具。一次对接，到处可用。

🔌 MCP 之于 AI，就像 USB-C 之于电子设备——不管是手机、平板还是笔记本，一个接口全搞定。

类比

MCP 是员工能用的工具和设备：电话（打给供应商）、收银机（处理支付）、外卖平台后台（查看订单）。

这些工具不是员工自带的，是店里配备的。员工（AI）通过标准接口使用它们，不需要关心每个设备内部怎么工作。

工作原理

MCP 采用客户端-服务器架构：

• MCP 服务器：包装外部工具（数据库、API、文件系统等），暴露标准接口
• MCP 客户端：AI 应用通过客户端连接服务器，调用工具能力
• 通信协议：双方通过 JSON-RPC 2.0 协议通信

一次配置，到处可用——这就是 MCP 的核心价值。

MCP 能做什么

MCP 服务器可以向 AI 暴露三类能力：

目前有哪些 MCP 服务器

截至 2026 年初，GitHub 上已有超过 13,000 个 MCP 服务器（数据来源：tolearn.blog），覆盖：

• 数据库：PostgreSQL、MySQL、MongoDB、Redis
• 协作工具：飞书/Lark、Slack、Notion、GitHub
• 云服务：AWS、阿里云、腾讯云
• 本地文件系统、浏览器控制等

Skill 和 MCP 的区别

这是最容易混淆的地方。

TL;DR：MCP 连接工具，Skill 告诉 AI 怎么用工具。

两者经常配合使用：MCP 提供能力，Skill 告诉 AI 如何运用这个能力。

四、Agent：能自主干活的员工

是什么

Agent（智能体）是能自主观察、思考、决策、行动的 AI 助手。

普通 AI 对话是这样的：

你说一句 → AI 回一句 → 结束

Agent 是这样的：

你说一句 → AI 思考 → AI 行动 → AI 观察结果 → AI 再思考 → AI 再行动 → ... → 完成任务

Agent 可以：
- 调用工具（通过 MCP）
- 执行代码
- 浏览网页
- 存储记忆
- 把任务拆分给其他 Agent

类比

Agent 就是员工本人。他不只是被动执行指令，而是能主动思考：

"客户说退款没到账，我先查一下订单状态（调用 MCP 工具），发现是银行处理延迟，然后给客户发一条解释消息（再次调用工具），最后在系统里记录这个问题（又一次调用工具）。"

整个过程，你只说了一句"处理一下这个退款投诉"，Agent 自己完成了后续所有步骤。

Agent 和其他概念的关系

你的指令（提示词）
      ↓
   Agent（员工）
   ├── 加载 Skill（查操作手册）
   └── 调用 MCP（使用工具）
         ├── 查询数据库
         ├── 发送飞书消息
         └── 操作 GitHub

Agent 是执行主体，其他三个都是它的"装备"。

五、四个概念的完整对比

六、什么时候用哪个？

场景一：临时问一个问题

"帮我把这段英文翻译成中文"

→ 只需要提示词，不需要其他任何东西。

场景二：重复性的标准化任务

每次有用户投诉，都按同一套流程处理

→ 写一个 Skill，把流程固化下来，AI 每次遇到投诉自动加载。

场景三：AI 需要访问你的系统

"帮我查一下今天的销售数据"、"在飞书上发一条通知"

→ 需要 MCP，把你的数据库、飞书等系统通过 MCP 协议暴露给 AI。

场景四：复杂的多步骤任务

"分析本周的用户反馈，整理出 Top 10 问题，生成报告，发给产品团队"

→ 需要 Agent，它会自主拆解任务、调用工具、完成整个流程，你只需要说一句话。

和场景三的区别：场景三是"你告诉 AI 每一步做什么"，场景四是"你只说目标，AI 自己规划步骤"。

七、一个真实的例子串起来

假设你要搭建一个智能客服系统：

1. 提示词：设定 AI 的角色——"你是XX公司的客服助手，语气友好，只回答产品相关问题"

2. Skill：写几个操作手册——退款处理流程、投诉升级流程、常见问题解答

3. MCP：接入公司系统——订单数据库（查询订单）、飞书（通知人工客服）、工单系统（创建工单）

4. Agent：把以上三者组合起来，让 AI 自主处理用户咨询，遇到复杂问题自动升级，全程不需要人工干预

这四个东西，缺一不可。

总结