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。

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

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

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】