本文以通俗易懂的语言和图解，全面解析了AI领域的关键概念：Prompt是用户与AI的沟通指令，Function Call赋予AI调用外部工具的能力，Agent是具备自主决策和执行的智能体，Skill是封装特定领域知识的技能包，而MCP则是统一AI工具调用的标准协议。文章通过实例和对比，帮助读者清晰理解这些概念及其相互关系，为开发高效AI应用打下坚实基础。

随着大模型和 AI 应用的爆火，AI 技术圈、产品圈天天都在蹦出新名词。

  • 我的 Agent 安装了几个 Skill？
  • 你这个助手小工具支持 MCP 协议？
  • 有了 MCP 为什么还要用 Function Call？

很多人听得云里雾里的。别慌！今天我用这篇文章，用最通俗易懂的语言、以及一目了然的图解，彻底讲解 Prompt、Function Call、Agent、Skill、MCP 核心概念！

核心概念全景图

在深入细节前，先通过一张图，从整体上理解核心概念是如何分层递进的：

  • Prompt：就是你跟 AI 说的普通话
  • Function Call：让 AI 具有了动手干活的能力
  • Agent：让 AI 进化出思考和规划的大脑
  • Skill：是 AI 针对特定领域的职业技能证书
  • MCP：是统一 AI 世界工具调用的USB接口

一、Prompt（提示词）

1. 什么是 Prompt？

Prompt（提示词） 就是用户输入给 AI 的文本指令。

就像去餐厅点餐时说的“给我来一份麻婆豆腐”。AI 就是那个厨师，听懂你的话，然后给你上菜。

在应用开发中，Prompt 是人类意图与 AI 能力之间的桥梁。Prompt 写得越精准，AI 出来的效果就越好。

2. 开发中的 Prompt

通常把 Prompt 分为不同的角色来管理：

  • System Prompt（系统提示词）：定义 AI 的人设。例如：你是一个 Java 架构师。
  • User Prompt（用户提示词）：用户具体的提问。例如：什么是微服务？

在Spring AI中的使用：

package com.yl.aiagent.app;
import com.yl.aiagent.advisor.MyLoggerAdvisor;
import jakarta.annotation.Resource;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;
import org.springframework.ai.chat.client.advisor.QuestionAnswerAdvisor;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.memory.InMemoryChatMemory;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.chat.model.ChatResponse;
import org.springframework.ai.tool.ToolCallback;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.stereotype.Component;
import reactor.core.publisher.Flux;
import java.util.List;
import static org.springframework.ai.chat.client.advisor.AbstractChatMemoryAdvisor.CHAT_MEMORY_CONVERSATION_ID_KEY;
import static org.springframework.ai.chat.client.advisor.AbstractChatMemoryAdvisor.CHAT_MEMORY_RETRIEVE_SIZE_KEY;
@Component
@Slf4j
public class LoveApp {
@Resourceprivate VectorStore loveAppVectorStore;
private final ChatClient chatClient;
private static final String SYSTEM_PROMPT = "扮演深耕恋爱心理领域的专家。开场向用户表明身份，告知用户可倾诉恋爱难题。"        + "围绕单身、恋爱、已婚三种状态提问：单身状态询问社交圈拓展及追求心仪对象的困扰；"        + "恋爱状态询问沟通、习惯差异引发的矛盾；已婚状态询问家庭责任与亲属关系处理的问题。"        + "引导用户详述事情经过、对方反应及自身想法，以便给出专属解决方案。";
public LoveReport doChatWithReport(String message, String chatId) {
LoveReport loveReport = chatClient
.prompt()
.system(SYSTEM_PROMPT) // 系统提示词
.user(message) // 用户提示词
.advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId)
.param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10))
.entity(LoveReport.class);
log.info("context: {}", loveReport);
return loveReport;
}
}

二、Function Calling（函数调用）

Prompt 只能让 AI 动嘴说话，但如果让 AI 干点实事，比如：查一下成都今天最新的天气、调用第三方API，它就无能为力，因为大模型的训练数据是静态的。

**Function Calling（函数调用）**就是为了让 AI 能动手而生的。函数调用过程：

1. 什么是 Function Calling？

它允许开发者在调用大模型时，注册一系列外部工具（函数）。大模型在理解用户意图后，如果发现需要查外部信息，它不会胡编乱造，而是返回一个结构化的请求（JSON），告诉开发者：“我需要调用这个函数，参数是XX”。

开发者在后台执行真实的函数（比如调用天气 API）并拿到结果，再把结果喂回给模型，最终由模型整合成自然语言回复给用户。

2. 核心价值

让 AI 从静态知识变成了动态能力。有了 Function Call，AI 就能获取外部数据、调用企业 API。自定义工具：

/**
* 网页内容抓取工具
*/
public class WebScrapingTool {
@Tool(description = "Scrape the content of a web page")
public String scrapeWebPage(@ToolParam(description = "URL of the web page to scrape") String url) {
try {
Document document = Jsoup.connect(url).get();
return document.html();
} catch (IOException e) {
e.printStackTrace();
return "Error scraping web page: " + e.getMessage();
}
}
}

Spring AI中使用工具调用：

/**
* 工具调用
*
* @param message
* @param chatId
* @return
*/
public String doChatWithTools(String message, String chatId) {
ChatResponse chatResponse = chatClient
.prompt().
user(message)
.advisors(spec -> spec.param(CHAT_MEMORY_CONVERSATION_ID_KEY, chatId)
.param(CHAT_MEMORY_RETRIEVE_SIZE_KEY, 10))
// 开启日志，便于观察效果
.advisors(new MyLoggerAdvisor())
.tools(allTools) //工具调用
.call()
.chatResponse();
String content = chatResponse.getResult().getOutput().getText();
log.info("content： {}", content);
return content;
}

三、Agent（智能体）

Function Call 赋予了 AI 动手的技能，但它依旧是被动的一问一答。如果遇到一个复杂任务，比如：“帮我规划一次重庆一周游，包含天气、景点和预算”，需要调用多次工具，怎么办？这时候就需要智能体了。

1. 什么是 Agent？

Agent 是一个能够感知环境、做出决策并自主执行动作的完整系统。

  • Function Call 是会用手。
  • Agent 是长了大脑。

目前主流的 Agent 都采用 ReAct（Reasoning + Acting，推理+行动） 框架。它自己会形成一个闭环工作流：

  1. 思考：分析当前状态，决定下一步做什么。
  2. 行动：通过 Function Call 调用某个工具。
  3. 观察：看一眼工具返回的结果，继续思考。
  4. 循环：直到把复杂任务拆解并执行完毕，给出最终答案。

四、Skill（技能）

当我们的 Agent 越来越强大，需要处理各行各业的复杂任务时，如果把所有的工具和提示词都堆给同一个 Agent，它的大脑会变得臃肿，极易产生幻觉和混乱。于是，我们引入了 Skill（技能包） 的概念。

1. 什么是 Skill？

Skill 是把指令、脚本、模板一体化打包打包成可复用能力包的机制，也就是一套封装了特定领域知识。就像人类的职业资格证书：一个医生有“看病技能”，一个程序员有“写代码技能”。

2. Function Call 和 Skill 的区别

很多人在这里最容易绕晕。一句话点透本质：

  • Function Call 是一种原子能力（相当于单把的螺丝刀）。
  • Skill 是一个业务功能模块（相当于一整套电工工具箱，里面不仅有螺丝刀、电笔，还附带一本《电工安全操作手册》）。
维度 Function Call (函数调用) Skill (技能)
本质 单一的底层能力 能力集合 + 领域知识 + 最佳实践
粒度 原子操作（如：查天气、发邮件） 业务模块（如：前端开发、财务审计）
是否包含知识 不包含，只负责执行 包含特有的角色提示词（System Prompt）
代码表现 单个标注了 @Tool 的具体方法 多个工具方法 + 领域提示词模板的组合封装

3. Skill 与 Agent 的关系

在企业级大模型应用里，一个复杂的 Agent 会根据场景动态挂载不同的 Skill。比如一个“全栈开发智能体”，可以同时加载 前端开发 Skill 和 数据库管理 Skill，实现能力解耦和权限隔离。

五、MCP（模型上下文协议）

随着 Agent 和工具的爆发式增长，开发者遇到了极其痛苦的瓶颈OpenAI 的 Function Call、Anthropic Claude、文心一言和通义千问的格式不一样。每换一个模型，或者每加一个新工具，你都要重写一遍适配代码。为了终结这个乱象，Anthropic 提出了****MCP（Model Context Protocol 模型上下文协议）。

1. 什么是 MCP？

MCP 是 AI 世界的 USB 接口协议。过去，鼠标、键盘、打印机都有各自的接口，电脑连接非常麻烦；有了 USB 协议后，所有设备拔插即用。MCP 也是这个逻辑：

  • MCP Server（工具提供方）：把所有的工具（如 GitHub API、数据库查询、天气服务）统一按照 MCP 标准暴露出来。
  • MCP Client（AI 应用）：无论是哪个大模型，只要实现了 MCP 客户端，就能直接动态发现并调用这些工具。

2. MCP 与 Skill 的关系

  • MCP 解决的是怎么连的问题 —— 它是标准化的管道、通信协议。
  • Skill 解决的是连什么的问题 —— 它是业务内涵、专业知识的集合。

一个标准架构中，Agent 往往正是通过 MCP 管道动态去调用各种 Skill 里的工具。

  1. Function Calling与MCP的区别
  • Funcation Calling需要写在应用代码里面的，工具定义和调用逻辑在你的项目代码中，换了应用就得重新写一边。
  • MCP是独立的，做成单独运行的进程，只要支持MCP的客户端都能直接使用，对外提供标准统一的接口，独立部署、维护、一次实现到处复用。

总结

如果上面内容看的有点懵懂，那就收藏好下面这张对比表，面试或开发时随时翻看。

概念 一句话定义 核心核心作用 比喻
Prompt 给 AI 的指令 告诉 AI 要做什么、以什么身份说话 餐厅点菜的订单
Function Call 让 AI 调用外部工具的能力 赋予 AI 跨越文本、动手干活的桥梁 干活用的单把工具（如锤子）
Agent 能自主决策的智能体系统 独立完成复杂任务的闭环大脑 能够独立搞定项目的项目经理
Skill 封装了专业知识的技能包 固化特定领域的高级组合能力与最佳实践 专业打包好的职业工具箱
MCP 统一工具调用的标准协议 消除不同模型、工具之间的接入壁垒 电子设备通用的 USB 接口

2026年AI行业最大的机会，毫无疑问就在应用层！

字节跳动已有7个团队全速布局Agent

大模型岗位暴增69%，年薪破百万！

腾讯、京东、百度开放招聘技术岗，80%与AI相关……

如今，超过60%的企业都在推进AI产品落地，而真正能交付项目的 大模型应用开发工程师 **，**却极度稀缺！

落地AI应用绝对不是写几个prompt，调几个API就能搞定的，企业真正需要的，是能搞定这三项核心能力的人：

✅RAG：融入外部信息，修正模型输出，给模型装靠谱大脑

✅Agent智能体：让AI自主干活，通过工具调用（Tools）环境交互，多步推理完成复杂任务。比如做智能客服等等……

✅微调：针对特定任务优化，让模型适配业务

目前，脉脉上有超过1000家企业发布大模型相关岗位，人工智能岗平均月薪7.8w！实习生日薪高达4000！远超其他行业收入水平！

技术的稀缺性，才是你「值钱」的关键！

具备AI能力的程序员，比传统开发高出不止一截！有的人早就转行AI方向，拿到百万年薪！👇🏻👇🏻

图片

AI浪潮，正在重构程序员的核心竞争力！现在入场，仍是最佳时机！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传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】

在这里插入图片描述

⭐️从大模型微调到AI Agent智能体搭建

剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！

大模型微调

  • 掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。

  • 学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。

RAG应用开发

  • 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。
  • 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。

AI Agent智能体搭建

  • 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
  • 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。

图片

如果你也有以下诉求：

快速链接产品/业务团队，参与前沿项目

构建技术壁垒，从竞争者中脱颖而出

避开35岁裁员危险期，顺利拿下高薪岗

迭代技术水平，延长未来20年的新职业发展！

……

那这节课你一定要来听！

因为，留给普通程序员的时间真的不多了！

立即扫码，即可免费预约

「AI技术原理 + 实战应用 + 职业发展」

「大模型应用开发实战公开课」

👇👇

在这里插入图片描述

👍🏻还有靠谱的内推机会+直聘权益！！

完课后赠送：大模型应用案例集、AI商业落地白皮书

# 人工智能 # 产品经理 # AI
Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

GXUST AI通识课 | 4类AI工具深度体验与实战测评

avatar AtomGit开源社区

构网型（GFM-VSG）与跟网型（GFL-PQ）逆变器混合并联并网系统（Simulink仿真实现）

随着新型电力系统建设持续推进，新能源并网渗透率不断提升，传统跟网型逆变器并网模式在电网弱阻尼、频率扰动场景下存在稳定性不足、无主动调频能力等问题。构网型逆变器可模拟同步发电机组运行特性，具备自主建压、虚拟惯量支撑能力，能够有效弥补传统并网设备的运行短板。本文以1MW级、50Hz、690V升压220kV的构网型（GFM-VSG）与跟网型（GFL-PQ）逆变器混合并联并网系统为研究对象，搭建完整的混合

avatar AtomGit开源社区

我用Trae在7天内做了一个外卖调度AI Agent

我用Trae在7天内做了一个外卖调度AI Agent美团校园AI Hackathon 2026 · 赛道四（配送分配优化）参赛项目复盘关键词：多智能体架构 · 自适应进化 · LLM熔断器 · Spec驱动开发 · 10秒硬时限

avatar AtomGit开源社区