面试官MCP 和 Agent Skill 有什么区别♂️我它们都是给 Agent 加能力的吧MCP 是用工具列表来描述 Agent 能做什么Skill 也是描述 Agent 能做什么本质上差不多只是格式不同。面试官「本质上差不多」那你觉得为什么要搞两套东西一套不就够了如果真的差不多为什么 MCP 和 Skill 的结构、加载方式、使用场景完全不一样♂️我嗯……可能 Skill 就是一种更高级的 prompt 模板把常用的指令保存下来比 MCP 多了一些描述信息面试官你又把 Skill 降格成「prompt 模板」了。Skill 可不只是一段指令文字它是一个完整的文件夹里面有指令、脚本、模板、参考文档而且能被 Agent 自动发现和按需加载。MCP 给 Agent 提供的是工具和数据的访问能力Skill 教 Agent 拿到这些工具之后该怎么用。一个是「能力」一个是「知识和流程」层次完全不同。你把这两者的定位和分工搞清楚。好这段对话的误区很典型很多人把 MCP 和 Skill 当成同类概念。下面我把两者各自的定位和配合方式拆开讲清楚。 简要回答MCP 和 Agent Skill 不是同类概念不是竞争关系而是互补的。MCP 解决的是「Agent 怎么获得外部能力」它把数据库、API、文件系统这些外部工具标准化封装成服务Agent 通过 MCP 就能查数据、调接口、读写文件。Skill 解决的是「Agent 拿到这些能力之后该按什么步骤、什么标准来完成任务」它把完成某类工作的知识和流程打包成可复用的模块。简单记MCP 是给 Agent 配的电脑和软件Skill 是给 Agent 发的操作手册和 SOP。在实际系统里两者经常同时工作Skill 定义流程流程中调用 MCP 提供的工具。 详细解析从定位说起两者解决的不是同一个问题很多人第一次接触这两个概念会觉得它们都跟「Agent 能做什么」有关但仔细一想会发现两者的目的和工作层次完全不同。MCP 解决的是「Agent 怎么获得外部能力」。没有 MCP 之前Agent 就是一个只会说话的语言模型你让它查数据库它查不了让它读文件它读不了让它调 API 它也调不了。MCP 把这些外部工具标准化封装成独立的服务Agent 连上 MCP Server 就能用这些工具了。所以 MCP 解决的是「从无到有」的问题让 Agent 有能力去操作外部世界。Skill 解决的是另一类问题「Agent 有了这些能力之后该怎么用」。你想Agent 现在能查数据库了、能读文件了、能调 API 了但面对一个「帮我做代码审查」的任务它该先做什么后做什么检查哪些维度用什么格式输出这些「知识和流程」就是 Skill 要提供的。用一个类比就很好理解。MCP 就像给新员工配电脑、装软件、开各种系统权限这些是他「能做事」的前提。但光有电脑和权限是不够的你还得给他一份操作手册告诉他做代码审查的时候先检查什么、后检查什么、用什么标准判断、最后用什么模板写报告。这份操作手册就是 Skill。MCP让 Agent 有「手」理解了两者的定位差异先来展开看看 MCP。为什么说它是 Agent 的「手」因为如果没有 MCPAgent 就只会「说话」不会「做事」。MCP Server 暴露的 Tools、Resources、Prompts 就是 Agent 操作外部世界的手段。模型通过 Function Calling 触发这些工具工具执行完把结果喂回对话。MCP 的粒度是「原子操作」read_file(path)是一个 Toolquery_database(sql)是一个 Tool每次调用做一件明确完整的事执行结果立刻返回。模型能看到每个 Tool 的完整 schema包括它叫什么名字、接受什么参数、返回什么格式。这种精确的可见性正是模型能准确判断「这个问题该调哪个工具」的基础。简单说MCP 让 Agent 从「只会聊天」进化成了「能真正干活」这是一切上层能力的前提。Skill给 Agent 一份「操作手册」有了 MCP 之后Agent 确实能查数据、调 API 了但面对一个复杂任务它怎么知道该按什么顺序用这些工具该关注哪些维度该用什么标准判断质量这就是 Skill 要解决的问题。Agent Skill 是 Anthropic 在 2025 年 10 月推出的概念同年 12 月把规范作为开放标准发布目标是让这套能力模块格式能在不同 Agent 平台之间通用。每个 Skill 是一个文件夹核心是一份 SKILL.md 文件用 YAML frontmatter 声明名字和描述正文写具体的执行指令和步骤。除了指令文件Skill 还可以带上脚本比如一个安全检查的 Python 脚本、参考文档比如团队的审查标准、模板比如报告的输出格式。这些东西打包在一起就构成了一个完整的「操作手册」。Skill 和普通 prompt 最大的区别在于两点。第一Skill 能被 Agent 自动发现。Agent 启动的时候会扫描可用的 Skill 列表当用户提了一个任务Agent 自己判断哪个 Skill 和这个任务相关主动去加载不需要你手动告诉它「用 code-review 这个 Skill」。第二Skill 用了一套「渐进式加载」的机制来节省 context window。启动时只加载每个 Skill 的名字和一句话描述大概每个 Skill 只占 30 到 50 个 token只有当 Agent 判断某个 Skill 和当前任务相关时才会加载完整的指令正文执行过程中需要用到模板或参考文档时才会进一步加载这些资源文件。这样就避免了把所有 Skill 的内容一股脑塞进上下文浪费宝贵的 context window 空间。所以 Skill 的粒度比 MCP 工具粗得多。MCP 的粒度是单个函数调用比如read_file、query_databaseSkill 的粒度是一个完整的工作流程比如「代码审查」「数据分析报告」内部可能涉及好几个步骤、调用好几个工具。两者怎么配合工作看到这里你可能会想既然 MCP 提供工具、Skill 提供流程那它们在实际系统里是怎么配合的咱们用一个代码审查的场景走一遍就清楚了。用户对 Agent 说「帮我审查一下这次提交的代码」。Agent 收到任务后先扫描自己可用的 Skill 列表发现有一个叫 code-review 的 Skill 和这个任务匹配度很高。于是 Agent 加载它的 SKILL.md 正文读取里面的执行流程。这份 SKILL.md 长这个样子---name:code-reviewdescription:对代码进行全面审查识别 bug、安全漏洞和性能问题---# 代码审查## 第一步读取待审查的代码文件读取用户指定的代码文件理解功能和修改范围。## 第二步执行安全检查运行scripts/check_security.py对代码做自动化安全扫描。## 第三步输出审查报告使用assets/report_template.md的模板格式输出结构化审查报告。你看SKILL.md 的作用就是告诉 Agent「做什么、按什么顺序做」它就是一份操作手册。但 Skill 只定义了流程真正「动手」的时候还是得靠 MCP。Agent 执行第一步「读取代码文件」需要调用文件系统 MCP Server 提供的工具# Skill 第一步说读取待审查的代码文件# Agent 发现 MCP 有 read_file 工具于是调用它code mcp_client.call_tool(read_file, { path: src/auth.py # 要审查的文件路径})执行第二步「安全检查」时Agent 加载 Skill 自带的脚本scripts/check_security.py并执行。这就是 Skill 比普通 prompt 强的地方它不只有文字指令还能带可执行的脚本。执行第三步「输出报告」时Agent 加载 Skill 的assets/report_template.md模板按照里面定义的格式把审查结果整理成结构化报告返回给用户。整个流程的分工非常清晰Skill 扮演「编排者」定义了做什么、按什么顺序做、用什么标准做MCP 扮演「执行者」提供了每一步需要调用的具体工具。两者配合起来Agent 才能既知道「该怎么做」又有能力「真正去做」。再看一个稍复杂的场景你就能感觉到这种分工的威力。假设 Skill 定义的流程里有一步「如果改动涉及数据库表结构额外执行权限合规检查」这就是条件分支。Agent 读到这条指令时会先调用一个 MCP Tool 去扫描这次提交有没有改数据库 schema拿到结果布尔值之后再决定要不要走那条分支如果要走就再调另一个 MCP Tool比如query_permission_policy去查合规规则最后根据结果决定审查报告里是否要加一条严重级警告。整个过程里Skill 就像项目经理拿着流程图和判断标准指挥执行MCP 提供的每个 Tool 就像专业工人各自只管做好一件小事。缺了 SkillAgent 拿着一堆工具不知道该什么时候用缺了 MCPSkill 再详细的流程也只是纸上谈兵。 面试总结回到开头对话踩的雷最大的误区就是把 MCP 和 Skill 当成同类概念来对比。面试回答这道题第一个必须说清楚的是两者的定位差异MCP 提供工具和数据的访问能力解决的是「Agent 怎么做事」Skill 提供完成任务的知识和流程解决的是「Agent 该怎么做事」。一个是能力一个是知识。第二个关键点是粒度差异。MCP 的粒度是原子操作每次调用做一件明确的事schema 对模型完全可见Skill 的粒度是工作流程定义的是完成某类任务的完整步骤和标准还可以附带脚本、模板等资源通过渐进式加载按需使用。第三个加分点是讲清楚两者的配合方式。Skill 编排流程MCP 提供工具Skill 指令里经常会调用 MCP 的工具来完成具体操作。如果能用代码审查这样的完整场景把两者的配合串起来面试官能看出你不只是背了概念而是真正理解了它们在系统里怎么协作的。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】
