什么时候用MCP,什么时候用Skills。
看完,你就会清楚他们的使用场景和区别。
首先,我们先从大模型本身说起。
你可以把大模型理解成一个预测机器。它读过很多书、网页、文档、论坛帖子,然后根据这些信息里的模式,去回答各种问题。
比如你问它,唐朝的发展历史。它会知道。
你问它,怎么检查一个数据库。它也知道一些通用做法。
但真正想让它给出正确答案,光靠“它知道很多”是不够的。
更关键的是,你要给它正确的上下文。
这个上下文可能包括很多东西。
比如你希望数据按什么格式输出。
比如你们团队的数据库是怎么配置的。
又比如某个工具刚刚去数据库里查了一次,把查到的结果返回给模型。
如果只是告诉模型一个角色、一个任务,让它回答问题,这通常叫提示词工程。
但如果你开始把格式要求、外部数据、工具返回、业务规则这些信息一起给它,让它基于这些上下文做判断,这就更接近上下文工程。
简单说,提示词工程更像是“怎么问”。
上下文工程更像是“怎么把它做判断需要的信息准备好”。
那问题就来了:
我们到底怎么把正确的上下文交给 AI?
又怎么在这个基础上,去做一个真正能干活的 Agent?
先看 MCP。
假设你的 Agent 需要读取 CRM,也就是客户关系管理系统里的数据。
一种很粗糙的做法是,把这个系统的 API 文档复制给大模型,再把访问凭证也给它,然后跟它说:
请你更新一下这个客户的联系方式,千万别出错。
这听起来就不太稳。
因为你其实是在让模型自己理解文档、自己判断怎么调用接口、自己处理认证和请求格式。
MCP,也就是 Model Context Protocol,解决的就是这个问题。
它做的事情,是把 AI 模型和各种数据源之间的沟通方式标准化。
你可以把它理解成一个中…