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:
- • 角色扮演("你是一位资深 Python 工程师")
- • 思维链("请逐步推理")
- • 示例学习(Few-shot Learning)
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:
- • ❌ 无法访问外部系统(文件、数据库、API)
- • ❌ 没有持久记忆(每次对话从零开始)
- • ❌ 无法执行动作(只能"说",不能"做")
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:
- • ✅ 工具调用:AI 可以执行搜索、读写文件、调用 API
- • ✅ 状态保持:会话期间记住上下文和中间结果
- • ✅ 自主决策:根据任务拆解,选择调用哪些技能
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:
-
- 调用
feishu_im_user_search_messages搜索上周消息
- 调用
-
- 调用
feishu_bitable_app_table_record创建表格记录
- 调用
-
- 调用
feishu_task_task为每个待办创建任务
- 调用
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:
- • 文件读取 → 自己写文件系统 API
- • 数据库查询 → 自己实现 SQL 连接
- • Git 操作 → 自己封装 Git 命令
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:
-
- 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..."}
-
- Resources:可读的数据源
{ "uri": "file:///project/src/main.py", "mimeType": "text/x-p…