Skill 技能开发与应用 · 工具与业务应用 · 2026-03-17

从提示词到智能体:Agent Skills、MCP 与 Prompt 的实战演进之路

AI正从问答工具进化为自主代理,掌握Agent Skills、MCP与Prompt Engineering的差异,才能构建真正实用的智能体。

核心内容:

  1. 传统Prompt模式的局限与天花板
  2. Agent Skills如何赋予AI"工具箱"与自主能力
  3. MCP协议在智能体开发中的关键作用

摘要:当 AI 从"问答工具"进化为"自主代理",开发者需要掌握哪些新范式?本文深度解析 Agent Skills、MCP(Model Context Protocol)与 Prompt Engineering 的核心差异、适用场景与实战案例,带你构建真正能干活儿的智能体。


2024 年,很多开发者还在用这样的方式调用大模型:

response = client.chat.completions.create( model="gpt-4", messages=[{"role": "user", "content": "帮我写个 Python 脚本"}])

问题在于:每次对话都是"失忆"的。模型不知道你的项目结构、没有文件访问权限、无法执行代码。用户不得不反复粘贴上下文,AI 输出的代码可能根本跑不起来。

这就是传统 Prompt 模式的天花板——它把 AI 当成一个"聪明的实习生",每次布置任务都要重新介绍背景。

而 Agent(智能体)范式 的核心突破在于:让 AI 拥有"手脚"和"记忆"。


二、三种范式的本质区别

2.1 Prompt Engineering:对话的艺术

定义:通过精心设计的提示词,引导模型输出符合预期的内容。

核心能力:

适用场景:

场景 典型案例
内容生成 写文章、翻译、润色
知识问答 解释概念、总结文档
创意辅助 头脑风暴、起名、写诗
单次任务 代码片段生成、SQL 查询

局限:

案例:用 Prompt 让 AI 写一个爬虫

你是一位 Python 专家。请写一个爬取知乎热榜的脚本,要求:1) 使用 requests 库 2) 解析 HTML 3) 保存为 CSV

输出:一段代码。但可能缺少异常处理、没有考虑反爬、无法直接运行。


2.2 Agent Skills:给 AI 装上"工具箱"

定义:为智能体预定义可执行的功能模块,AI 可以自主决定何时调用哪个技能。

核心突破:

OpenClaw Agent Skills 架构:

┌─────────────────────────────────────────┐│ 用户消息 ││ "帮我分析这个项目的代码结构" │└─────────────────┬───────────────────────┘ │┌─────────────────▼───────────────────────┐│ Agent 路由层 ││ - 理解意图 ││ - 规划任务步骤 ││ - 选择技能 │└─────────────────┬───────────────────────┘ │ ┌─────────────┼─────────────┐ │ │ │┌───▼───┐ ┌────▼────┐ ┌───▼───┐│文件读取│ │代码分析 │ │ 生成 ││ 技能 │ │ 技能 │ │ 报告 │└───┬───┘ └────┬────┘ └───┬───┘ │ │ │ └─────────────┼─────────────┘ │┌─────────────────▼───────────────────────┐│ 最终响应 ││ "项目共 128 个文件,核心模块在 src/..." │└─────────────────────────────────────────┘

适用场景:

场景 典型案例
开发助手 代码审查、Bug 定位、重构建议
数据分析 读取 CSV、生成图表、统计洞察
自动化运维 日志分析、健康检查、告警响应
内容运营 多平台发布、SEO 优化、配图生成

实战案例:OpenClaw 的 feishu-bitable 技能

用户说:"把上周的会议纪要整理成多维表格"

Agent 自主执行:

    1. 调用 feishu_im_user_search_messages 搜索上周消息
    1. 调用 feishu_bitable_app_table_record 创建表格记录
    1. 调用 feishu_task_task 为每个待办创建任务

关键代码结构(SKILL.md 定义):

## feishu-bitable**当以下情况时使用此 Skill**:(1) 需要创建或管理飞书多维表格 App(2) 需要在多维表格中新增、查询、修改、删除记录(3) 需要批量导入数据或批量更新多维表格

Agent 根据这个描述,自主判断何时调用该技能,无需用户显式指定。


2.3 MCP(Model Context Protocol):AI 的"通用接口"

定义:Anthropic 提出的开放协议,标准化 AI 与外部数据源/工具的连接方式。

为什么需要 MCP?

在 MCP 之前,每个 AI 应用都要自己实现:

MCP 的统一抽象:

┌──────────────┐ MCP Protocol ┌──────────────┐│ AI 模型 │ ◄──────────────────► │ MCP Server ││ (Claude 等) │ │ (文件系统) │└──────────────┘ └──────────────┘ │ ▼ ┌──────────────┐ │ 实际资源 │ │ (磁盘文件) │ └──────────────┘

MCP 的三种资源类型:

    1. Prompts:预定义的提示词模板
{ "name": "code-review", "arguments": ["file_path", "language"], "template": "请审查 {file_path} 的 {language} 代码..."}
    1. Resources:可读的数据源
{ "uri": "file:///project/src/main.py", "mimeType": "text/x-p…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/tishicikuangjia/2026031797051.html