在 AI Agent 的开发浪潮中，我们经常听到 Function Calling、MCP (Model Context Protocol) 和 Skills 这几个概念。

很多开发者容易混淆：它们到底有什么区别？是层层递进的关系，还是相互竞争的关系？

如果让我用最通俗的语言来解释，这其实是一个关于**“手”、“接口”和“说明书”**的故事。

今天，我们就像剥洋葱一样，一层层揭开这三者的本质。

01 第一层：Function Calling —— AI 的“手”

一切故事的起点，都要从 Function Calling（函数调用） 说起。这是 AI Agent 的地基。

为什么需要它？

想象一下，大语言模型（LLM）本质上是一个只会“说话”的大脑。它通晓天文地理，但它无法直接通过网络去查天气，也无法去数据库里取数据。

传统的软件系统（API、数据库）是“死板”的，它们只听得懂结构化的指令（比如 JSON 代码）。而 LLM 擅长的是非结构化的自然语言（比如“帮我查查天气”）。

这两者之间，隔着一条鸿沟。

Function Calling 就是这座桥梁。 它的核心作用，就是把用户**“非结构化的需求”，翻译成机器能听懂的“结构化指令”**。

它是怎么工作的？

一个典型的流程就像餐厅点菜：

1. 用户（顾客）：“给我来份宫保鸡丁，不要辣。”
2. LLM（服务员）：它不直接炒菜，而是把你的话记下来，写成一张标准的菜单（JSON）：```plaintext
   { “dish”: “kung_pao_chicken”, “spicy_level”: 0}

3. 系统（后厨）：拿到这张结构清晰的菜单，执行炒菜动作（调用 API）。
4. LLM（服务员）：菜做好了，端给顾客：“您的宫保鸡丁好了。”

一句话总结：Function Calling 让 AI 拥有了与外部世界交互的“手”。

02 第二层：MCP —— 通用的“USB 接口”

既然有了 Function Calling 这双“手”，AI 似乎无所不能了？

别急，问题来了。

“万能充”的烦恼

现实世界中，你要连接的系统千奇百怪：GitHub、Slack、公司内部数据库、飞书、钉钉……

在 MCP 出现之前，开发者非常痛苦。每接一个新的系统，就得专门写一套代码来适配。就像以前的手机充电器，诺基亚、三星、摩托罗拉，接口全不一样，乱成一团。

MCP：AI 时代的 USB-C

MCP (Model Context Protocol) 的出现，就是为了结束这种混乱。

它由 Anthropic 发起，现在已经捐赠给了 Linux 基金会。它的核心思想只有一句话：大家别各自为战了，都按这个标准来！

MCP 就像是 USB-C 接口。

• 只要你的数据源（GitHub、本地文件、数据库）支持 MCP 标准；
• 任何一个 AI Agent 插上就能直接读写，根本不需要重新开发。

本质上： MCP = Function Calling + 一套标准的 JSON-HTTP 协议。

它解决了“工具集成成本高”的问题，实现了即插即用。

03 第三层：Skills —— 给 AI 的“操作手册”

有了“手”（Function Calling），也有了“标准接口”（MCP），AI 应该能完美干活了吧？

还是不行。

复杂的活儿怎么干？

试想这样一个任务：“帮我把这个项目发布一个新版本。”

这不仅仅是调用一个 API 就能搞定的。它需要一连串复杂的步骤：

1. 检查版本号对不对。
2. 运行代码检查。
3. 合并分支。
4. 打包上传。
5. 发送通知。

如果你把这些逻辑全部写成死代码（Hard-code），那就太僵化了。一旦流程微调，就要改代码。而且，这浪费了 AI 最宝贵的能力——随机应变。

但如果你只给 AI 一句简单的 Prompt，它又很容易**“放飞自我”**，漏掉关键步骤。

Skills：用文字定义的 SOP

这时候，Skills 登场了。

Skills 的本质，是用自然语言写成的标准作业程序（SOP）。

它不像代码那样死板，也不像纯聊天那样随意。它就像是你给新来的实习生写的一本**“操作手册”**（Markdown 文档）。

比如，Lynxe 团队在用的 new_branch 流程，就是直接写在 Markdown 里的：

1) 确认本地的 VERSION 与 pom.xml 一致2) 执行 mvn package3) 进入 ui-vue3 运行 pnpm lint4) 退回目录，git merge upstream/main5) 运行 make ui-deploy6) git push 并打 tag

当 AI 接到任务时，它会先“阅读”这份手册，然后利用 Function Calling 的能力，一步步去执行脚本、调用命令。

Skills 的精髓在于： 它把**“流程控制权”交还给了 AI，但又给了它一份“说明书”**。

04 深度洞察：MCP 与 Skills 的“瑜亮情结”

很多文章会告诉你，MCP 和 Skills 是互补的。但如果我们深挖一层，会发现它们其实存在着隐秘的竞争关系。

为什么？因为它们都在解决同一个问题：如何搞定复杂的任务流？

• MCP 派（代码派）：倾向于把逻辑封装在 Server 端。用代码写死流程，通过标准的接口暴露给 AI。

• 优点：稳定、准确。
• 缺点：重、开发成本高、不够灵活。

• Skills 派（文字派）：倾向于把逻辑写在 Markdown 里。用文字定义流程，让 AI 动态决策调用哪些基础工具（Bash/Curl）。

• 优点：极其灵活、易于修改、利用了 AI 的理解力。
• 缺点：AI 可能会“幻觉”，执行不如代码稳定。

对比清单：

特性	Function Calling	MCP	Skills
角色	手 (基础能力)	USB 接口 (连接标准)	说明书 (流程定义)
解决痛点	人机语言不通	工具适配太累	复杂流程难控
核心载体	JSON	Server 代码	Markdown 文本
灵活性	高	低 (偏重标准)	极高 (偏重适应性)

05 我们的思考：回归本质 —— 一切皆函数

在 Lynxe (Spring AI Alibaba 的 Agent 框架) 的实践中，我们尝试了 Skills，发现它虽然爽，但有两个硬伤：

1. 不够精确：纯文字描述容易让 AI 误解，导致“听不懂人话”。
2. 是个孤岛：Skills 往往只能在聊天框里跑，很难嵌入到复杂的业务系统（比如审批流、ERP 表单）中。

“一切都是函数，函数才是第一公民。”

我们认为，未来的 Agent 不应该只是一个陪你聊天的 Bot。每一个 Agent 的能力（无论是查天气，还是复杂的发布流程），都应该被封装成标准的函数接口。

这样，Agent 既保留了 AI 处理不确定性的智慧，又拥有了传统软件的结构化和稳定性。它不再是一个玩具，而是能真正嵌入你业务系统里的**“数字员工”**。

---

最后唠两句

为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选

很简单，这些岗位缺人且高薪

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

那0基础普通人如何学习大模型 ？

深耕科技一线十二载，亲历技术浪潮变迁。我见证那些率先拥抱AI的同行，如何建立起效率与薪资的代际优势。如今，我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理，分享于此，为你扫清学习困惑，共赴AI时代新程。

我整理出这套 AI 大模型突围资料包【允许白嫖】：

• ✅从入门到精通的全套视频教程

• ✅AI大模型学习路线图（0基础到项目实战仅需90天）

• ✅大模型书籍与技术文档PDF

• ✅各大厂大模型面试题目详解

• ✅640套AI大模型报告合集

• ✅大模型入门实战训练

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（0基础到项目实战仅需90天）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤640套AI大模型报告合集

⑥大模型入门实战训练

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：
有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓