本文用通俗易懂的语言和图解，详细讲解了Prompt、Function Call、Agent、Skill、MCP这些大模型核心概念。Prompt是用户给AI的指令，Function Call让AI能调用外部工具，Agent能自主决策完成任务，Skill是封装了专业知识的技能包，而MCP则是统一工具调用的标准协议。通过这篇文章，即使是小白也能轻松入门大模型的世界。

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@Slf4jpublic 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。

3. 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

最后

2026年技术圈的分化愈发明显：降薪裁员潮持续蔓延，传统开发、测试等岗位大批缩水，不少从业者陷入职业焦虑；与之形成鲜明对比的是，AI大模型相关岗位迎来疯狂扩招，薪资逆势飙升150%，大厂更是直接开出70-100W年薪，疯抢具备实战能力的大模型人才，甚至放宽年龄限制，只求能快速落地技术、创造价值！

很多程序员、职场新人纷纷入局大模型领域，绝非盲目跟风，而是实实在在看到了不可替代的价值优势，这也是2026年最值得抓住的职业风口：

1、窗口期红利，入门门槛友好：不同于成熟赛道的“内卷式招聘”，2026年大模型人才缺口巨大，简历只要达标（掌握基础AI应用+具备简单项目经验），年龄、学历均非硬性要求，小白可快速入门，转行程序员也能无缝衔接；

2、技术可复用，上手速度翻倍：如果你有前后端开发、测试、数据分析等基础，在大模型落地、系统部署、Prompt工程等环节会更具优势，无需从零开始，复用原有技术能力就能快速进阶；

3、懂业务更吃香，竞争力翻倍：单纯懂技术已不够，2026年大厂更看重“技术+业务”的复合型人才，有垂直领域（金融、医疗、工业等）经验者，能精准定位模型落地痛点，薪资比纯技术岗高出30%以上；

更重要的是，即便没有转型需求，用AI大模型工具为工作赋能、提升效率，也已经成为80%企业的硬性要求——不会用大模型提效，未来很可能被行业淘汰！

那么2026年，小白/程序员该如何高效学习大模型？

很多人想入门大模型，却陷入两大困境：要么到处搜集零散资料，不成体系，越学越懵；要么被收费高昂的课程割韭菜，花了钱却学不到实战技能，白白浪费时间走弯路。

今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包，覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程，所有资料均已整理归档，无需拼凑，直接领取就能上手学习，小白可照做，程序员可进阶！

👇👇扫码免费领取全部内容👇👇

1、大模型系统化学习路线

这份学习路线结合2026年行业趋势和新手学习规律，由行业专家精心设计，从零基础到精通，每一步都有明确指引，帮你节省80%的无效学习时间，少走弯路、高效进阶，避免踩坑。

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、大模型学习书籍&电子文档

涵盖2026年最新技术要点，包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容

4、AI大模型最新行业报告

报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容，还有2026年中文大模型基准测评报告、AI Agent行业研究报告等，帮你站在行业前沿，把握技术风口。

5、大模型项目实战&配套源码

项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向，还有视频配套代码，手把手教你从0到1完成项目开发，既能练手提升技术，又能丰富简历，为求职和职业发展加分。

6、2026大模型大厂面试真题

2026年大模型面试已全面升级，不再单纯考察基础原理，而是转向侧重技术落地和业务结合的综合考察，很多程序员和新手因为缺乏针对性准备，明明技术不错，却在面试中失利。

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

👇👇扫码免费领取全部内容👇👇

7、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

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】