status
type
category
tags
slug
date
summary
icon
前言
AI 就像一个拥有丰富知识的大脑，但仅有知识还不够，我们需要让这个 “大脑” 能够真正地使用工具、完成任务。
人们很快发现了一个问题：同样的问题，不同的提问方式会得到截然不同的答案。有时 AI 的回答模糊不清，有时又过于冗长，有时甚至答非所问。
Prompt 就是你给 AI 的指令。一个好的 Prompt 应该:
- 明确目标：清楚地说明你想要什么
- 提供上下文：给出必要的背景信息
- 设定角色：告诉 AI 以什么身份回答
- 指定格式：说明输出的结构和样式
Agent
即使有了好的 Prompt，AI 仍然只能 “对话”，无法真正 “做事”。当你问 “今天北京天气怎么样”，它只能基于训练数据猜测。而无法查询实时天气。当你说 “帮我订一张去上海的机票”，它只能告诉你步骤，却无法真正下单。
人们意识到，需要给 AI 增加 “手和脚” —— 让它能调用外部工具、API，能执行多步骤任务，能自主规划和决策，这就是 Agent（智能体） 的概念。
MCP
随着 Agent 概念的普及，每个开发者都在自己造轮子：有人让 Agent 连接 Google Calendar，有人接入天气 API……但每种集成都需要写不同的代码，没有统一标准。
就像早期的电器，每个品牌的插头都不一样，你需要各种转接头。这导致:
- 开发成本高：每个工具都要单独适配
- 维护困难：工具更新后要改代码
- 无法复用：A 项目的集成无法用于 B 项目
为了解决这个问题，Anthropic 推出了 MCP（Model Context Protocol，模型上下文协议）—— 一个标准化的协议，让任何 AI 系统都能以统一方式访问各种工具和数据源。它就像 USB 标准,只要工具支持 MCP，任何 Agent 都能即插即用。
MCP 只回答三个问题：
- 我能做什么？（Tool）
- 我需要什么参数？（Schema）
- 你调用我，我给你结果
具体「什么时候」该调用「哪一个 MCP」，本质还是由 Agent 来控制。
MCP 是 “给模型看的协议”，不是给人看的文本。一个 MCP 工具，模型实际看到的是类似这样的内容：
MCP 工具不能假设模型 “已经知道我怎么用”
所以「工具名 / 参数含义 / 字段约束 / 返回结构」都必须反复暴露在上下文中 👉 这是协议的代价
当 Agent 的能力越来越复杂，一个问题就变得不可避免：如果每一次都让 Agent 从零开始理解这些工具、推理调用顺序、处理返回结果，那我们是不是在不断重复同样的思考？
Skill
2025 年年底，它的出现，正是为了解决上面提到的问题。Skill 并不是新的工具协议，而是一层更高的抽象。
Skills 底层实现：
AnthropicAIEquipping agents for the real world with Agent Skills
AnthropicAI
AnthropicAIEquipping agents for the real world with Agent SkillsEquipping agents for the real world with Agent Skills
Discover how Anthropic builds AI agents with practical capabilities through modular skills, enabling them to handle complex real-world tasks more effectively and reliably.
AnthropicAI它核心是一种简单的文件
SKILL.md ，它用自然语言描述如何使用特定工具完成特定任务。
- 如果说 MCP 回答的是：“我该如何被调用才能拿到结果？” （工具箱）
- 那么 Skill 回答是：“我通常该如何使用特定的工具，才能完成一件任务？”（施工手册）
Skill 并不是为了让 Agent “更聪明”，而是为了让 Agent “少想一点”。
- 即「减少（重复）推理」，而不是增强推理。
相比每次都详细描述 MCP 工具的完整 schema，Skill 提供了更紧凑的任务级描述，它只在初始时加载一次定义，减少了 token 消耗。