如果你最近关注 AI 领域，一定会被一堆新名词“轰炸”：Agent、MCP、Function Call……
每个人的说法都不一样——有人把 Agent 翻译成 智能体，有人把 MCP 比喻成 AI 时代的 USB 协议，还有人说 Function Call 是大模型最关键的能力之一。

但它们到底是什么？之间又有什么关系？
别担心，今天我会用一篇文章，把 Agent、MCP、Prompt 和 Function Call 全部串联起来，让你彻底不再混淆。

1. Prompt

1.1. User Prompt

在最初用 GPT 的时候，我们只是单纯地跟它聊天。

比如说：

“我今天考试没考好。”

这句话，就是 User Prompt（用户提示词） —— 用户直接说出口的内容。

1.2. System Prompt

单靠 User Prompt，AI 的回答往往都是中规中矩、客观理性的：

• “别灰心，可以总结一下错题。”
• “考不好没关系，努力就好。”

但现实中，不同的人会给出截然不同的反应：

• 老师：你要复习基础知识，多刷题。
• 好朋友：哈哈，没事，下次我带你去玩，放松一下。
• 妈妈：是不是手机玩太多了？

为了让 AI 带上这些“角色感”，我们需要额外告诉它：

“你现在是我的好朋友友。”

再输入同样的 User Prompt：

“我今天考试没考好。”

AI 这时就可能说：

哈哈，没事，下次我带你去玩，放松一下。

这种“角色设定”的信息，就是 System Prompt（系统提示词）。
它专门用来规定 AI 的身份、语气和风格。

System Prompt 主要用来描述 AI 的 角色、性格、背景、信息、语气 等等——总之，凡是不是用户直接说出来的内容，都可以放进 System Prompt。每次用户发送 User Prompt 时，系统都会自动把 System Prompt 一起发送给 AI 模型，这样整个对话就显得更加 自然、连贯。

在网页端的聊天机器人中，System Prompt 往往是 系统预设，用户无法随意更改。但通常平台会提供一些自定义功能，比如 ChatGPT 里的 Customize ChatGPT，用户可以在其中写下自己的偏好，这些偏好会自动成为 System Prompt 的一部分，从而影响 AI 的表现风格。

2. Agent

在前面我们讲了 User Prompt 和 System Prompt，也就是 AI 的输入和角色设定。即使 System Prompt 再完美，AI 本质上还是一个聊天机器人——它可以给你答案，或者告诉你该怎么做，但实际动手的还是你自己。

那么问题来了：

能不能让 AI 自己去完成任务，而不是只给出建议呢？

这就引出了 Agent 的概念。

第一个尝试让 AI 自主执行任务的开源项目是 Auto-GPT。
Auto-GPT 本质上是一个 本地运行的小程序，它的核心思想是：把 AI 的思考和操作分开，让 AI 可以调用工具完成任务。

举个例子：
如果你想让 Auto-GPT 帮你管理电脑里的文件，你需要先准备一些函数：

• list_files：列出目录
• read_file：读取文件
• ……其他文件管理函数

然后，你把这些函数以及它们的功能描述和使用方法 注册到 Auto-GPT 中。
Auto-GPT 会根据这些信息生成一个 System Prompt，告诉 AI：

• 用户给了你哪些工具
• 这些工具是干什么的
• 如果想使用它们，AI 应该返回什么格式的调用信息

接下来，当用户发送请求，例如：

“帮我找一下元神的安装目录”

AI 会根据 System Prompt 判断：

• 调用哪个函数（比如 list_files）
• 返回指定格式的信息

Auto GPT 解析 AI 的输出后，会自动调用对应函数，然后把结果再返回给 AI。AI 会根据函数结果继续决定下一步操作，这个循环不断进行，直到任务完成。

这个过程就这样反复，直到任务完成为止，人们把 Auto GPT这种负责在模型工具和最终用户之间传话的程序，就叫做AI Agent, 而这些提供给AI调用的函数或者服务就叫做 Agent Tool

• AI Agent：负责在模型、工具和最终用户之间传话的程序，让 AI 能够自主执行任务
• Agent Tool：提供给 AI 调用的函数或服务，AI 可以通过它们完成具体操作

简单来说 AI 类似于大脑，Agent 相当于传话员，Tool 类似于手和脚（执行操作）。

3. Function Calling —— 规范化的工具调用方式

在前面介绍的 AI Agent 架构中，我们通过 System Prompt 告诉模型有哪些工具、该怎么调用、返回的格式是什么。但问题是：
AI模型本质上是一个概率模型，它并不总是按照你要求的格式返回结果，经常会出现“答非所问”或者“格式不对”的情况。为了纠正这种“调皮”的行为，很多Agent框架会在发现AI返回错误时进行 自动重试。虽然这种办法能解决问题，但重试过多会浪费 Token 成本，也显得不够稳定。

于是，大模型厂商开始出手，推出了 Function Calling 功能。它的核心思想就是：统一格式、规范描述。

• 在 Function Calling 中，每个工具都用 JSON 对象来定义：
• 工具名写在 name 字段
• 功能说明写在 description 字段
• 所需参数写在 parameters 字段
• 这些工具描述被单独放在一个字段中，不再混在 system prompt 里。
• 模型在调用工具时，也必须返回符合规定的 JSON 格式

这样一来：

1. 工具描述和调用结果都标准化，方便 AI 理解。
2. 服务器可以自动检测和纠正错误的回复，用户几乎无感知。
3. 减少了用户端的开发复杂度，也节省了 Token。

不过，Function Calling 也有一个明显问题：没有统一标准。不同大厂（OpenAI、Anthropic、Google 等）定义的 API 格式各不相同，很多开源模型甚至完全不支持 Function Calling。这意味着如果你要写一个跨模型通用的 AI Agent，会非常麻烦。

4. MCP —— 让 Agent 和工具解耦的通信协议

到这里，我们讲的都是 AI Agent 和模型之间的通信方式。接下来我们看 另一边：Agent 是怎么和 Agent Tools 交互的。

最简单的方式是：把 Agent 和 Tools 写在一个程序里，直接用函数调用解决。这也是大多数框架一开始的做法。但问题是：

• 有些工具功能很通用，比如“浏览网页”、“读取文件”，可能多个 Agent 都需要。
• 如果每个 Agent 都内置一份代码，就会造成重复和维护困难。

于是人们提出了一个更优雅的方案：把 Tools 做成服务，统一托管，让多个 Agent 来调用。这就是 MCP (Model Context Protocol)。

MCP 的核心作用是：

• 规定 Agent（MCP Client） 和 Tool 服务（MCP Server） 之间的交互方式。
• MCP Server 需要提供接口，说明自己有哪些工具、功能描述、参数格式等等。
• 除了普通的工具（函数调用），MCP Server 还能提供：

• • Resource：文件读写类的数据接口
  • Prompt：提示词模板

通信方式也很灵活：

• Agent 和 MCP Server 可以跑在同一台机器上，用标准输入输出（stdio）通信；
• 也可以部署在网络上，用 HTTP 通信。

这里要注意一点：MCP 本身和 AI 模型没有关系。它不管 Agent 用的是什么模型，只负责帮 Agent 管理工具、资源和提示词。

总结来说：Function Calling：解决“AI 调用工具时不规范”的问题，但各家标准不一。MCP：解决“Agent 和工具耦合太紧”的问题，用统一协议管理工具和资源。

5. 总结

最后，把整个流程梳理一下。假设我明天要考试，但还没复习，于是我问 AI Agent（也就是 MCP Client）：“我明天考试该怎么复习比较高效？”

• 用户提问
  这个问题会被包装成 User Prompt，交给 AI Agent。
• Agent 获取工具信息
  Agent 通过 MCP 协议，从 MCP Server 那里获取所有工具的信息。
  这些工具信息可能会被 Agent 转换成 System Prompt 的形式，也可能转成 Function Calling 的 JSON 格式，然后和用户的 User Prompt 一起打包，发送给 AI 模型。
• AI 模型决定用哪个工具
  AI 模型收到后，发现有一个名叫 Web Browse 的网页浏览工具。它便产生一个调用请求（普通回复或 Function Calling 格式），表示要上网搜索“考试复习方法”。
• 工具调用
  Agent 收到这个请求，再通过 MCP 协议去调用 MCP Server 里的 Web Browse 工具。
  Web Browse 访问指定网站，把内容返回给 Agent。
• AI 模型生成答案
  Agent 把搜索结果交还给 AI 模型，模型结合网页内容和自身知识，最后给出答案：“先整理重点，再做历年真题，最后保证充足睡眠。”
• 结果展示
  Agent 再把最终结果展示给用户。

这就是 System Prompt、User Prompt、AI Agent、Agent Tool、Function Calling、MCP、AI 模型 之间的联系与区别。它们不是互相取代的关系，而是像一个个齿轮一样，彼此配合，最终构成了完整的 AI 自动化协作完整体系。