Agent 工程化五件套:Prompt、Skill、MCP、CLI 到底怎么配合?
过去一年,很多团队都在做 Agent。
有的做成了聊天机器人,有的做成了代码助手,有的做成了企业知识库入口,也有的想做成个人工作台、数据分析助手、自动化运营助手。
但真正落地时,大家很快会遇到一个问题:
Agent 不是“把大模型接进产品”这么简单。
只靠一个大 Prompt,Demo 可以跑; 只靠几个 Function Calling,场景可以演示; 只靠一个工作流编排器,也能自动跑几步。
但只要进入真实业务环境,就会出现一堆工程问题:
上下文怎么组织? 工具怎么安全调用? 重复任务怎么沉淀? 执行过程怎么观察? 失败后怎么回滚? 企业内部系统怎么统一接入? 用户一句自然语言,怎么变成稳定可交付的结果?
要回答这些问题,就必须把 Agent 拆成几个关键部件来看:
Agent、Skill、CLI、MCP、Prompt。
这五个词经常被混在一起讲,但它们不是同一层东西。理解它们之间的边界,基本就理解了现代 Agent 应用的工程化方向。
一、先说结论:Agent 不是一个模型,而是一套运行系统
很多人第一次做 Agent,会把它理解成“更聪明的 ChatBot”。
这个理解只对了一半。
ChatBot 的核心动作是回答问题; Agent 的核心动作是完成任务。
两者最大的区别在于:Agent 不只是生成文本,它会规划、调用工具、读取外部状态、执行动作,并在多轮过程中不断修正。
OpenAI 对 Agents SDK 的定义中,也强调 Agent 是能够规划、调用工具、在不同专家之间协作,并维持足够状态来完成多步工作的应用。官方文档同时指出,当应用需要自己拥有编排、工具执行、审批和状态管理时,才更适合使用 Agents SDK 这类 Agent 框架。(OpenAI开发者)
所以,一个靠谱的 Agent 至少要有几个部件:
第一,目标理解。用户说“帮我分析这个产品机会”,这不是一个简单问答,而是一个目标。
第二,任务拆解。Agent 需要判断:要不要查资料?要不要读文件?要不要调用数据库?要不要生成报告?要不要让用户确认?
第三,工具调用。Agent 需要连接搜索、数据库、文件系统、代码仓库、CRM、工单系统、报表系统。
第四,状态管理。任务做到哪一步了?上一步工具返回了什么?有没有异常?是否需要重试?
第五,交付控制。最后输出的是一段话,还是一份报告、一个 PR、一个 PPT、一张图表、一个可执行脚本?
从这个角度看,Agent 更像一个“任务操作系统”,而不是一个聊天窗口。
二、Prompt:不是万能胶,而是运行时契约
Prompt 仍然重要,但它的角色要重新理解。
在早期大模型应用里,Prompt 经常被当成万能胶: 角色设定写进去,输出格式写进去,业务规则写进去,异常处理写进去,工具说明也写进去。
最后 Prompt 越写越长,越写越脆。
真正工程化之后,Prompt 应该更像一份运行时契约:
你是谁? 你要服务什么目标? 你必须遵守什么边界? 你应该如何表达不确定性? 你什么时候可以调用工具? 你什么时候必须请求用户确认? 你输出结果应该满足什么格式?
Prompt 更适合放“当下这次任务需要遵守的约束”,而不是塞进所有业务知识。
OpenAI 的 Prompt Engineering 文档中提到,Prompt 可以通过示例、上下文信息、检索增强等方式改善模型输出;Few-shot 是通过少量输入/输出样例引导模型完成新任务,RAG 则是把额外相关上下文加入生成请求。(OpenAI开发者)
这说明 Prompt 的价值不只是“写得漂亮”,而是要和上下文、工具、流程配合。
一个好的 Agent Prompt,应该回答三个问题:
第一,边界是什么。哪些事情可以直接做,哪些必须确认,哪些绝不能做。
第二,过程是什么。先理解目标,再拆解任务,再判断是否调用工具,最后输出结果。
第三,交付物是什么。是摘要、表格、代码、报告、方案,还是结构化 JSON。
但注意:Prompt 解决的是“本次怎么做”,不是“以后都怎么复用”。
后者要交给 Skill。
三、Skill:把经验从 Prompt 里拆出来
如果一个任务你反复让 Agent 做,就不应该每次都重新写 Prompt。
比如:
每次生成竞品分析,都要遵守同一套分析框架。 每次写公众号文章,都要遵守固定结构和表达风格。 每次分析销售数据,都要先清洗字段、再看趋势、再做归因。 每次生成 PPT,都要先定受众、再定故事线、再做页面结构。
这些重复流程,不适合一直塞在 Prompt 里。
它们应该沉淀为 Skill。
Agent Skills 官方说明中,Skill 是一种轻量、开放的格式,用来给 AI Agent 扩展专业知识和工作流。一个 Skill 的核心是一个包含 SKILL.md 的文件夹,里面至少包含 name 和 description,也可以携带脚本、参考资料、模板和其他资源。(Agent Skills)
一个典型 Skill 可以长这样:
market-analysis-skill/
├── SKILL.md
├── scripts/
│ └── clean_data.py
├── references/
│ └── analysis_framework.md
└── assets/
└── report_template.md
SKILL.md 里可以写:
---
name: market-analysis
description: 当用户需要分析一个行业、产品机会、竞品格局或增长策略时使用。
---
你是一个产品与市场分析助手。
执行流程:
1. 先澄清分析对象、目标用户和市场范围
2. 再从行业规模、用户需求、竞品格局、商业模式四个角度分析
3. 如果用户提供数据文件,优先读取并校验数据
4. 输出必须包含:核心结论、机会判断、风…