这两年 AI 圈冒出不少新词：Agent、Function Calling、Skill、MCP……看着都跟"让 AI 能干更多事"有关，但到底是什么关系？

这篇把它们串起来说清楚。

---

Agent 不只是聊天框

大部分人用 AI 还是对话模式：你问一句，它答一句。这叫 Chat。

Agent 不一样。Agent 是你给一个目标，它能自己规划步骤、调用工具、检查结果，中间不太需要你插手。

举个例子：

• • Chat 模式：你问"帮我查一下这周的天气"，它回答你它不能实时查天气
• • Agent 模式：你问同样的话，它自己调用天气 API，拿到数据，整理成表格返回给你

区别就是：Agent 能主动做事，而不只是"说话"。

Agent 的核心能力可以拆成三块：

1. 1. 规划：把大目标拆成小步骤
2. 2. 工具调用：调用外部 API 或函数来获取信息、执行操作
3. 3. 记忆：记住上下文和中间结果

这三块里，工具调用是最关键的一步——没有工具，Agent 再会规划也只能想想。

---

让 AI 学会用工具：Function Calling

要让 AI 调用工具，得先让它知道"有哪些工具可用、每个工具是干什么的"。

这就是 Function Calling，也叫 Tool Use。

实现方式很简单：你把工具的"说明书"以结构化的方式告诉模型。比如：

工具名称：search_web功能描述：搜索互联网，返回相关网页摘要参数：  - query（字符串，必填）：搜索关键词  - count（整数，可选）：返回结果数量，默认5

模型看到这个，就知道"当用户问我一个我不知道的事情时，我可以调用 search_web 来获取答案"。

Function Calling 不是某个模型的专属功能。OpenAI、Claude、DeepSeek、通义千问……主流模型基本都支持，只是各家实现略有差异。

但 Function Calling 有个局限：每个工具的"说明书"是写在代码或配置里的，你得提前把所有可能用到的工具都定义好。如果要加一个新工具，得改代码、重新部署。

这就引出了两个更灵活的方案——Skill 和 MCP。

---

Skill：给 Agent 写"使用说明书"

Skill 这个概念在 Claude Code 里用得最多。它本质上是一份文档，告诉 AI：当你遇到这类任务时，应该怎么做。

一份 Skill 文件可能是这样的：

# Skill: Python 代码审查当你被要求审查 Python 代码时，请按以下步骤：1. 先检查语法错误和类型标注2. 再检查是否有未处理的异常3. 最后检查是否符合 PEP 8 规范注意事项：- 优先关注逻辑错误，风格问题次之- 如果代码超过 200 行，先问用户是否需要只看关键部分

Skill 不是代码，是自然语言写的指令。Agent 在启动时会加载这些 Skill 文件，把它们作为上下文的一部分。这样当用户说"帮我 review 一下这段代码"时，Agent 就知道该按什么流程走。

实用场景：

• • 代码审查 Skill：定义审查流程和标准
• • 数据库操作 Skill：告诉 AI 如何安全地查询数据库
• • 部署 Skill：定义部署前需要检查的步骤
• • 写作 Skill：定义文章风格和格式要求

Skill 的好处是零门槛——写一篇文章就能让 AI 学会一个新技能，不需要写代码、不需要部署服务。

但它也有局限：Skill 本身只是提示词，不给 AI 新的能力。要让 AI 真正获取外部数据或操作外部系统，要么自己写脚本让 AI 调用，要么用 MCP。

自己写脚本不行吗？

有人会问：我在 Skill 里写"当需要查询数据库时，运行 python query_db.py --sql ‘xxx’"，然后通过执行结果拿数据，这不也能实现吗？

确实能。很多人早期的 Agent 配置就是这么玩的——Skill 里描述一个脚本的路径、参数和用法，AI 调用系统命令来执行。

但这套方案有几个问题：

1. 1. 你写的东西别人用不了——脚本路径、参数格式都是你自己的配置，换台机器就得改
2. 2. 通信方式很粗糙——脚本输出个 JSON 到 stdout，AI 再解析，出错不好排查
3. 3. 没法流式交互——一个脚本跑完就结束了，不能做"先查表结构、再建索引、再查数据"这种连续操作
4. 4. 复用成本高——换个场景想复用别人的能力，你得读人家的 Skill 配置、看懂脚本、拷贝过来改

MCP 就是把这套"写脚本 + Skill 描述"的模式给标准化了：别人写好的 MCP 服务器你直接拿来用，不用自己写脚本；你写好的 MCP 服务器别人也能用，不用看你的 Skill 配置。

---

MCP：AI 的工具协议

MCP（Model Context Protocol）是 Anthropic 在 2025 年推出的开放协议，目的是统一 AI 和外部工具之间的通信方式。

可以把 MCP 理解为"AI 界的 USB 接口"——不管是什么设备（工具），只要插上这个接口（实现了 MCP 协议），AI 就能用。

实际运行中需要一个 MCP 服务器（就是跑在你电脑上的一个后台程序，不是物理服务器）来提供具体能力。一个 MCP 服务器可能提供：

• • 文件系统操作（读、写、搜索文件）
• • 数据库查询
• • 网页搜索和抓取
• • Git 操作
• • API 调用（飞书、Jira、GitHub……）

MCP 的工作流程是这样的：

用户请求 → AI 判断需要调用工具 → 通过 MCP 协议向 MCP 服务器发送请求 → MCP 服务器执行操作 → 返回结果 → AI 整合结果回复用户

MCP vs Function Calling

	Function Calling	MCP
定义方式	在代码里写 JSON Schema	通过 MCP 服务器提供
灵活性	需要改代码才能加工具	随时启停，不需要改 AI 配置
谁在用	所有主流模型都支持	主要 Claude 生态，社区在扩展
能力范围	单次函数调用	可以做多步操作、保持状态
部署方式	内嵌在应用代码里	独立服务，通过 stdio 或 HTTP 通信
开箱即用	需要自己写每个工具	社区有大量现成 MCP 服务器

实际使用中，两者不是互斥的。很多 Agent 系统会同时用：Function Calling 处理简单的单次调用，MCP 处理需要多步交互的复杂操作。

实际能干什么

一个写代码的场景：

用户："帮我把这个项目部署到服务器"Agent 的流程：1. 读取项目配置（MCP - 文件系统）2. 检查代码有没有错误（Skill - 代码审查）3. 连接到服务器（MCP - SSH）4. 传输文件（MCP - 文件系统）5. 执行部署命令（MCP - SSH）6. 检查服务是否正常运行（MCP - HTTP 请求）

这个过程中，Agent 不需要用户每一步都手动干预。它自己规划、自己执行、自己确认结果。

社区里已经有很多现成的 MCP 服务器，比如联网搜索、操作数据库、读写飞书文档、管理 GitHub 仓库、控制浏览器等等。要加一个新能力，跑一个 MCP 服务器就行，不用改 AI 本身的任何代码。

---

连起来看：完整的工作流

把上面几块拼起来，就是一个完整的 Agent 工作流：

你提出需求    ↓Agent 理解需求，拆解步骤（自身能力）    ↓参考 Skill 指导（知道"这类事该怎么做"）    ↓调用工具或 MCP 服务器（获取外部数据或执行操作）    ↓拿到结果，整合输出    ↓如果需要，继续下一步

每一步做了什么，Agent 都可以告诉你。这也是 Agent 和"自动脚本"的区别——它不是黑盒执行，每一步有上下文、有判断。

---

现在能做和做不了的

能做：

• • 操控文件、数据库、API
• • 多步自主完成任务
• • 联网获取实时信息
• • 结合 Skill 做有流程约束的工作
• • MCP 已经有很多现成服务和客户端

做不了或做不好：

• • 需要物理世界交互的（点外卖、修电脑）
• • 需要长期记忆和学习的（Agent 每次对话基本从零开始）
• • 需要精确付费的（调用外部 API 可能产生费用，目前没有统一的计费机制）
• • 安全与权限边界还在摸索中（Agent 有全部工具的权限，误操作的风险很高）

最后这一点值得多说一句：Agent 很强，但给它开太多权限很危险。一个能读写文件、能联网、能操作数据库的 Agent，理论上也能删库跑路。2026 年的 Agent 安全还是很大课题，权限最小化原则是每个人都该注意的。

---

说真的，这两年看着身边一个个搞Java、C++、前端、数据、架构的开始卷大模型，挺唏嘘的。大家最开始都是写接口、搞Spring Boot、连数据库、配Redis，稳稳当当过日子。

结果GPT、DeepSeek火了之后，整条线上的人都开始有点慌了，大家都在想：“我是不是要学大模型，不然这饭碗还能保多久？”

我先给出最直接的答案：一定要把现有的技术和大模型结合起来，而不是抛弃你们现有技术！掌握AI能力的Java工程师比纯Java岗要吃香的多。

即使现在裁员、降薪、团队解散的比比皆是……但后续的趋势一定是AI应用落地！大模型方向才是实现职业升级、提升薪资待遇的绝佳机遇！

这绝非空谈。数据说话

2025年的最后一个月，脉脉高聘发布了《2025年度人才迁徙报告》，披露了2025年前10个月的招聘市场现状。

AI领域的人才需求呈现出极为迫切的“井喷”态势

2025年前10个月，新发AI岗位量同比增长543%，9月单月同比增幅超11倍。同时，在薪资方面，AI领域也显著领先。其中，月薪排名前20的高薪岗位平均月薪均超过6万元，而这些席位大部分被AI研发岗占据。

与此相对应，市场为AI人才支付了显著的溢价：算法工程师中，专攻AIGC方向的岗位平均薪资较普通算法工程师高出近18%；产品经理岗位中，AI方向的产品经理薪资也领先约20%。

当你意识到“技术+AI”是个人突围的最佳路径时，整个就业市场的数据也印证了同一个事实：AI大模型正成为高薪机会的最大源头。

最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包【允许白嫖】：

• ✅从入门到精通的全套视频教程
• ✅AI大模型学习路线图（0基础到项目实战仅需90天）
• ✅大模型书籍与技术文档PDF
• ✅各大厂大模型面试题目详解
• ✅640套AI大模型报告合集
• ✅大模型入门实战训练

这份完整版的大模型 AI 学习和面试资料已经上传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】

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（0基础到项目实战仅需90天）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤640套AI大模型报告合集

⑥大模型入门实战训练

👉获取方式：
有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓