AI 去魅:Skills、MCP、Agent,到底是什么?

摘要： 会写提示词，不等于能执行任务；装上 Skills，也不等于训练了模型。从写一篇文章出发，拆开这些工具各自负责的事。

接触 AI 工具，很容易遇到一串名词：Prompt、Skills、MCP、RAG、Agent。名字都认识，放在一起，却不一定说得清谁在干什么。

一个容易产生的误会是：这些东西像游戏里的装备，装得越齐，AI 就越厉害。

我更愿意换一种看法：别先问装了多少，先问它替我解决了哪一步。

这篇文章，就用一个我们熟悉的任务来拆解：

把我提供的资料整理成一篇适合公众号的文章，穿插几张配图，先给我草稿，不要直接发布。

从这句话，到一份真正能打开、能修改、能核对的图文稿，中间究竟发生了什么？

01｜先分清：模型会回答，不等于应用能办事

假设两个应用接入了同一个模型。一个只提供聊天框；另一个还接入了文件读取、浏览器和代码执行工具。它们能完成的事，就可能很不一样。

在常见的工具调用流程里，模型提出“调用哪个工具、传什么参数”，应用或工具服务负责执行，再把结果返回给模型。写出一段操作说明，与真正完成操作，是两回事。［1］

所以，当一个 AI 说“图片已经保存好了”，我真正需要看的，是文件有没有生成、能不能打开，而不只是那句话听起来有多确定。

图 1｜以常见工具调用方式说明分工；不是某个产品的实际界面。

再看 Prompt，也就是提示词。它是在交代目标、背景、约束和输出要求。提供清晰指令与相关材料，是官方提示词指南强调的做法。［2］

对这篇文章，我会写“面向非技术读者，概念必须举例，数据注明来源，没有核实的地方标出来”，而不是只写“你是世界顶级科技作者”。

前一种写法，把我准备怎样验收说清楚了。

但写上“请联网核验”，不等于应用就有联网工具；写上“读取我的电脑”，也不会凭空建立文件访问能力。提示词可以提出要求，不能代替工具接入和授权。［1］

02｜Skills：把做事方法打包，不是给模型练功

这里说的 Skills，指采用 Agent Skills 格式的技能包。

按照开放规范，一个 Skill 至少是一个包含 SKILL.md 的文件夹。这个文件写明名称、描述和操作指引；文件夹里还可以放参考资料、模板以及可执行脚本。脚本是可选的，不是每个 Skill 都有。［3］

把它理解成一份“可复用的工作包”，比理解成“模型新长出来的本领”更准确。

以公众号写作为例，我会把这些要求收进一个写作 Skill：先明确读者和主题；核对事实、日期和数据来源；区分事实与评论；安排配图；检查成稿里有没有把设想写成亲身经历。

再把排版模板、图注格式、发布前检查表放进去。以后遇到同类任务，就不必重新交代一遍。

图 2｜示例技能包；文件夹中的做法和素材，需要兼容的应用读取、使用。

这里有两个关键区别。

第一，它通常是在提供上下文与执行指引，不是在重新训练模型。 模型在任务中读取这些内容，与通过训练更新模型参数，不是同一件事。［3］

第二，它不只是“把长提示词换个文件名”。 名称和描述帮助应用判断何时使用；详细步骤、参考文件和脚本可以按需加载。规范称这种方式为“渐进式披露”：先知道有哪些技能，再在需要时展开细节。［3］［4］

这种组织方式有价值。只是，方法写成文件，并不自动证明方法正确。

如果我的写作规范本来就含糊，打包之后只是把含糊保存了下来。一个需要运行脚本的 Skill，也仍要有相应环境和权限，不能因为文件夹已经装好，就认为功能已经跑通。［3］

我会把验收标准放得很实际：同样一份材料，它有没有减少重复交代？漏掉的来源是否变少？结果还能不能稳定修改？

03｜MCP：统一怎么接，不替你决定怎么做

MCP 的全称是 Model Context Protocol。它是一套连接 AI 应用与外部系统的开放协议。官方用“USB-C 接口”作类比，强调的是标准化连接，而不是给模型更换大脑。［5］

举个例子：文章素材放在一个文档系统里。如果有相应的 MCP 服务，AI 应用可以通过约定的方式发现和调用它提供的能力，而不必把每种接入都做成完全不同的一套。［5］［6］

更准确地说，MCP 服务可以提供可调用的工具、可读取的资源，以及可复用的提示模板。它可以运行在本机，也可以运行在远程服务器上。［6］

图 3｜Skill 提供做法，MCP 提供连接约定；两者可以配合，并不是互相替代。

继续拿写文章来说：

写作 Skill 规定“先核验来源，再组织正文”。文档服务提供“搜索资料、读取内容”的能力。AI 应用按照任务需要，读取 Skill，并通过 MCP 调用服务。

一个偏向“按什么方法做”，一个偏向“按什么方式接”。 它们可以出现在同一套流程里。［4］［6］

但 MCP 不是万能权限卡。服务有没有实现所需功能、应用是否支持、账号能访问什么，仍然是独立的问题。协议也不会替你判断，搜索到的那篇文章究竟靠不靠谱。［6］［7］

还有一点不必神化：工具调用不一定要走 MCP。 应用可以直接接 API 或本地函数；MCP 的价值是提供一套可复用的接入约定，而不是成为所有 AI 工具的必经之路。［1］［5］

04｜RAG：先翻资料，再回答；不是把资料永久学进脑子

RAG，通常译作“检索增强生成”。核心思路是：围绕当前问题检索相关内容，把找到的材料提供给模型，再生成回答。［8］

比如我问：“这份工具文档里，哪些功能需要付费？”

系统可以先找到与套餐、功能限制相关的段落，再让模型根据这些内容回答。它不必每次都把整个资料库一股脑塞进上下文。知识库也不等于某一种数据库；已有的文档系统或数据库，都可能成为检索来源。［8］

用“开卷答题”来理解就够了：不是先背完整本书，而是先找到相关页。

但开卷也会答错。找到了旧版说明，答案可能已经过时；漏掉关键限制，结论可能不完整；资料本身错误，附上来源也不能让错误变正确。因此，我不会把“有知识库”和“有引用”直接当成准确率保证。［9］

把资料存进去、能搜到相关内容、能据此正确回答，是三个不同的验收环节。

Skills 和 RAG 都可能向模型提供材料，但侧重点不同：前者通常组织“这类任务怎么做”，后者围绕当前问题“该找哪些材料来参考”。这是一种分工理解，不是禁止二者交叉。［3］［8］

05｜Workflow 和 Agent：差别不在名字，在下一步由谁决定

如果我把流程固定成：整理资料、核验信息、生成初稿、检查格式、交给我审核，这更接近 Workflow，也就是工作流。

它可以有条件分支、重试，也可以在某些步骤调用模型，不是只能从头走到尾。

如果系统需要根据执行结果决定下一步：资料冲突就再找来源，图片生成失败就换方案，缺少读者定位就停下来问我——而这些具体步骤主要由模型动态选择，就更接近这里说的 Agent。［10］

不同产品对 Agent 的叫法并不完全一致。这里采用的是 Anthropic 给出的工程区分：工作流主要沿预定义路径推进，Agent 则由模型动态组织过程和工具使用。实际系统可以混合两者。［10］

Agent 不是“自动正确”的另一种写法。

能根据反馈继续行动很有用，但也需要退出条件：最多尝试几次？预算到哪里停？什么时候必须问人？官方工程文档也强调环境反馈、停止条件和人工检查点。［10］

对公众号写作，我会保留最后的人工审核。不是因为生成草稿没有价值，而是“可以帮我准备”与“可以代我发布”，本来就应该是两种授权。

06｜把这些词放回同一个任务里，就没那么玄了

还是那句话：“用我提供的资料，整理一篇带图文章，先给草稿。”

Prompt 把读者、篇幅和交付要求说明白；Skill 提供可复用的写作规范；工具负责搜索、读文件、制作配图，其中一些连接可以使用 MCP；需要从大量资料中找依据时，再加入 RAG；整个过程可以用固定工作流推进，也可以让 Agent 在限定范围内调整步骤。

最后，我检查事实、图片和表达，再决定是否发布。

图 4｜一个可能的组合方案，不是所有任务都必须装齐的“配置清单”。依据上述官方定义整理。

这不是一条技术升级路线。不是会写 Prompt 才能学 Skill，也不是有了 MCP 就必须再配一个多 Agent 系统。

如果我只提供两段材料，想整理出一篇短文，直接输入材料、说清要求，可能已经够用。没有必要为了写一篇文章，先给自己搭一个内容生产平台。

顺带解释“插件”：它也不一定代表另一项模型能力。例如，OpenAI 的相关文档把插件作为分发 Skills 和连接器的方式，一个插件可以同时包含技能和 MCP 连接配置。具体装进了什么，要看具体产品与插件说明。［4］

所以，我不会再把“装了一个插件”“接了一个 MCP”“加了一个 Skill”都理解成同一件事。

07｜真正该看的，不是组件数量，而是交付和边界

给 AI 去魅之后，我会用三个问题判断一套工具值不值得留下。

它究竟少让我做了哪一步？

不是看演示里有多少个面板，而是看成稿缺不缺来源、文件能不能用、错误有没有减少。如果原来十分钟的任务，现在需要十五分钟检查，就至少值得重新评估。

失败以后，我能不能看懂发生了什么？

是资料没取到，还是取到了旧资料？是工具调用失败，还是模型误解了结果？我希望看到执行记录、文件和必要的错误提示，而不是一段始终很自信的总结。

它拿到了什么权限？

来路不明的 Skill 不一定只是几段文字，也可能带脚本，或者引导应用向外发送数据。Anthropic 的安全说明明确提醒，应审查技能来源、文件内容、依赖和外部连接。［11］

我会先让新流程生成建议和草稿，不自动删除原文件。涉及覆盖、发送、发布等操作，再设置单独的确认；同时用账号权限、工具限制和隔离环境约束它，而不只依赖一句“请谨慎操作”。［7］［11］

写在最后

AI 去魅，不是把所有新东西都说成“不过如此”。

把做事经验整理成可复用的 Skill，把外部能力通过 MCP 接进来，把资料检索和执行流程做好，都可能实实在在地减少重复劳动。

只是，这份价值应该体现在结果里，而不是体现在名字听起来有多复杂。

装了多少不重要。交付了什么、哪里还会错、哪些事情仍由自己决定，才重要。