本文从历史角度梳理了 Agent-ReAct-Skills-MCP-Tool 的演进关系，重点介绍了 Agent Skills 的概念、功能和落地方法。Agent Skills 是一种面向场景的 SOP，通过指令、工具链和工作流的复合体，解决了 Agent 在复杂任务中的执行问题。文章还探讨了 Skills 与 MCP 的区别与配合，以及 Skills 在企业建设智能体平台中的应用策略。对于想要了解大模型如何更有效地执行任务的小白和程序员来说，本文提供了宝贵的参考。

发展历史

当概念太多理不清的时候，我们可以从历史的角度去分析，会发现技术演进是有迹可循的，每个技术的出现都有它的时代背景：

1. 2022-10-06(学术突破)：姚顺雨在论文 Synergizing Reasoning and Acting in Language Models 中系统性地提出了 ReAct（将 Reasoning 与 Acting 结合的范式），通过 Reason + Act 的循环，让模型学会了 想一步，做一步，看一眼反馈，再想下一步，从而解决了CoT缺乏外部反馈以及传统决策模型缺乏更高层规划的问题。
2. 2022-11-30（技术突破）：OpenAPI 的GPT-3.5 诞生，提供了强大的底座，证明了模型具备理解复杂指令并进行逻辑推理的基础能力。
3. 2023-02 (学术突破)：Meta 发布 Toolformer 论文 Toolformer: Language Models Can Teach Themselves to Use Tools。它证明了模型可以通过自监督学习，学会在什么时候调用什么 API（如计算器、日历）来增强自身能力。
4. 2023-03-23 (产品落地)：OpenAI 发布 ChatGPT Plugins。帮助 ChatGPT 访问最新信息、运行计算或使用第三方服务，比如网页浏览器和代码解释器。
5. 2023-06-13 (技术标准化)：OpenAI 推出 Function Calling。它不再纯依赖模糊的 Prompt 完成任务，而是让模型原生支持输出结构化的 JSON，从而让模型能连接到外部工具和系统。
6. 2023.07 - 2024.10（爆发期）：LangChain, AutoGPT, AutoGen 等框架蓬勃发展，工具定义碎片化，Agent 框架生态处于 烟囱式 增长。
7. 2024-11-05（技术标准化）：Anthropic 发布 MCP 开放标准统一 Tool 发现和调用方式，将工具（Tools）和数据（Resources）从特定的 Agent 框架中解耦；
8. 2025-12-16(技术标准化)：cli 工具 claude code 为了解决 Token-Efficency 问题和任务执行的成功率，提出了 Agent Skills 开放标准，让 ReAct 等思维框架能更有效的执行 SOP；

从这个历程看，Agent 的执行能力的标准化 （Function Calling/MCP/Skills） 是在工程化落地过程中会自然发生的。

基础概念

逻辑概念

• Function Calling：LLM 原生的结构化能力，通过训练使模型能理解 JSON Schema 并在指令下 生成规范的工具调用请求。
• Tool Calling：Agent 层 执行工具并获取反馈的过程，是 Function Calling 在应用逻辑中的具体执行链路。
• Agent：Agent 具备规划（Planning）、记忆（Memory）和工具使用（Tool use）能力，能够根据模糊的目标自主决定调用哪些 Skill 和 Tool 来达成目标。
• ReAct：Agent 的一种思维方式，ReAct = loop(Reason + Act)。模型在每一步都会交替进行 推理（Reason） 和 行动（Act）。它不仅在脑子里想，还会通过 动态执行循环 并根据外部工具的反馈来修正下一步的思考。

技术名词

• Tool：执行任务的具体实现，通常是具体的 API 接口，负责解决原子的问题，使用工程化封装确定性的解决现实问题。
• MCP：模型与工具连接方式，通过 统一工具描述和调用标准，实现 一次开发，多框架通用 的生态兼容。
• Skills：面向场景的Skills（SOP/最佳实践）。它是指令（Prompt）、工具链（Tools）与工作流（Workflow）的复合体。Skill 通过预设的逻辑框架（Instruction），解决了 Agent 在复杂任务中 先做什么、后做什么、如何评估好坏 的确定性问题。它是 Agent 实现从单一接口调用到复杂业务流程自动化转换的关键模块。

	概念	角色	描述
Agent	自治实体	决策主体	负责接收指令、感知环境、并驱动整个决策闭环的独立计算实体。
ReAct	认知架构	编排引擎	系统的运行逻辑。动态解决问题的机制（规划 -> 执行 -> 修正）
Skills	领域策略	逻辑封装层	针对特定垂直场景，预定义好的处理流程（SOP）
Tools	原子能力	执行单元	改变环境或获取信息的具体手段（如 API 调用）
MCP	互联标准	连接协议	解耦模型与数据源，建立 AI 与数据/工具之间标准化的连接通道。

Skill 执行示例

以一个后端代码审查的 Agent 为例，介绍 CodeReview Skills 和 React，MCP 的交互过程

渐进式披露

渐进式披露（Progressive disclosure）是 Skills 标准中最关键的设计。
它确保 简单理解，而不是预先加载所有内容，从而保持效率：

三阶段加载机制

1. Agent 在需要时准确获取所需内容（约 100 个 token）: 提供 Skills 的描述信息，快速判断相关性，如：类似书籍的目录
2. 元数据优先加载（< 5k tokens）：详细的工作流程指导，最佳实践和业务规则，如：类似书籍的章节内容
3. 完整指令加载：代码脚本，配置文件，示例数据，如：类似书籍的附录

Progressive disclosure 设计的优点

1. 按需加载资源：不浪费上下文窗口
2. Token 效率：只加载需要的内容
3. 性能优化：支持大量 Skills 同时存在

Skills 和 MCP 的关系

1. Skills 和 MCP 定位不同：

2. MCP 解决 能力接入 问题，如何让 AI 调用外部工具/数据源；

3. Skills 解决 Token-Efficency 问题，顺带优化了 能力选择 问题，能更好更省的组合能力完成特定领域任务。

4. Skills 和 MCP 都是arthropic提出并开放的行业标准。

5. MCP 的传输层有 stdio 和 streamable http 2 种具体的通信协议，有工程化规范（tools/list,tools/call,notifycation），而 Skills 比较轻量，它只在提示词定义标准和加载标准有要求，其他的 ReAct 的具体实现 agent 根据实际情况而定。

6. 在实现中，可先在上下文声明可用的 MCP 工具，然后在 Skills 的 instruction 中指定这些 MCP 工具的使用场景和调用时机。

Skills 和 MCP 如何工程化配合？

1. MCP 广场，配置 MCPServer（url、header），加载 Tool 列表
2. Skills 广场，配置 Skills 的 Skills.md(Metadata、Instruction)，Instruction 中可引用 MCP-tools，可选资源（reference，assets，文件引用配置为 OSS 地址）。
3. 智能体配置：配置 system prompt，选择 MCP-tools，选择 Skills。
4. 智能体执行：通过 ReAct，获取 oss 资源，执行的 MCP，多轮执行并获取最终结果

Skills 的局限性

开源的 Skills 中的脚本不具备通用的运行环境，比如 python 脚本，很多脚本的 requirements 对运行环境是有要求的，有的甚至还要本地编译，很可能本地运行不起来。
也就是说 Skills 这方面对用户是有要求的，如果用户不懂编程，最后只能使用 纯提示词的Skills。
而 MCP 可以解决这个环境问题，屏蔽所有的技术环境相关的细节（复杂度），对用户是透明的，开箱即用。

比如高得地图的 MCP，填写一个 key，MCP 地址，就能使用让大模型基于 MCP 进行路线规划。

不过这个局限性，在不确定性的任务场景中，却是 Skills 的优势，script 在本地对 AI 是白盒，Agent 可以按需修改 script 完成任务 (coding)，而 MCP 是已有的工具不具备这个灵活性。

对于需要执行 script 的 Skills，有 3 种处理策略：

1. 本地系统配置好环境，直接执行；
2. 配置特定的 docker 镜像执行；
3. 将 script 封装为 MCP 服务，在 instruction 中引用；

个人使用的话，我倾向于 1-本地执行；
企业工程化，我倾向于 3-MCP封装，这样能最大化复用已有的 MCP 基础设施；

企业 Skills 库的建设

Skills 在企业建设智能体平台过程中，会分 2 类：

1. 通用 Skills，通用的工具使用流程，比如 git 操作，office 文档处理，代码安全扫描，比如写文档的 obsidian Skills，编程用的 superpowers
2. 私有 Skills：企业内部 SOP 和合规规则，比如公司报销流程、考勤规则、客户分级标准；

通用的 Skills 通常从开源社区获取，私有 Skills 则需要企业自驱去做知识的积累沉淀。
注意：Skills 是能够抽象的高维知识（规则/方法论），和具备大量文档和分块的 RAG 知识库有所差别，企业里面混乱的 confluence 知识库是没法直接派上用场的，需要成结构化程度高的，简洁明了能实操的最佳实践才有价值。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

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。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？