AI编程核心概念：从Function Call到Agent

🤖 MCP、Skills、Function、Tool、Agent的区别与联系#

一、Function Call 与 Tool：能力与载体#

🔧 Function Call：底层能力#

定义： 大模型调用外部函数的能力。

大模型原本只能”说话”——它生成文字，但文字不能真正影响世界。Function Call 改变了这一点：让模型学会识别什么时候需要调用外部功能，并正确提取参数。

技术过程：

1. 用户提问

   用户向 AI 提出需要外部数据的问题

2. 模型判断

   模型分析问题，判断是否需要调用外部函数

3. 生成调用请求

   模型生成函数名和参数（JSON 格式）

4. 执行函数

   外部系统执行函数，返回结果

5. 整合回答

   模型把结果整合进自然语言回答

🛠️ Tool：可调用的功能单元#

定义： Function Call 的具体调用对象，即”能被调用的东西”。

每个 Tool 有名字、描述、输入参数、返回值：

{
  "name": "get_weather",
  "description": "查询指定城市的实时天气",
  "parameters": {
    "city": {
      "type": "string",
      "description": "城市名"
    }
  }
}

模型看到用户问天气，发现有匹配的 Tool 描述，就生成调用请求。

本质： 外部世界接入大模型的”接口”。

📊 核心区别#

二、Skills 与 MCP：协议与封装#

📦 Skills：封装好的工具集合#

定义： 一组相关 Tool 的统一封装。

Skills 是 Claude 生态的概念，可理解成”技能包”——把多个相关 Tool 打包，给一个统一的入口。

「数据分析」 Skill：
├── 📄 Tool: read_csv（读取数据）
├── 🧹 Tool: clean_data（清洗数据）
├── 📊 Tool: statistical_analysis（统计分析）
└── 📈 Tool: generate_chart（生成图表）

用户说”帮我分析这份销售数据”，Skills 系统自动调度内部 Tool 完成整个流程。

为什么需要 Skills？

1. 简化调用

   用户不用自己组合 Tool

2. 统一管理

   权限、上下文、资源都在 Skill 内部处理

3. 降低门槛

   普通用户也能使用复杂功能

🌐 MCP：通用协议#

定义： 大模型与外部系统交互的标准化协议。

MCP = Model Context Protocol，模型上下文协议。

MCP 的解决方案： 定义统一的 Tool 描述格式、调用方式、返回格式。只要遵循 MCP，Tool 就能在不同平台间复用。

Tool A → OpenAI 格式
Tool B → Claude 格式
Tool C → 本地格式

Tool A/B/C → MCP 协议 → 任意平台

❌ 常见误区#

三、Agent 与实际应用#

🧠 Agent：自主行动的系统#

定义： 能自主规划、执行、决策的智能系统。

Agent 和前面几个概念最大的区别：Agent 是系统，不是单个能力或工具。

核心特征：

1. 🎯 自主规划

   接到任务后，自己拆解步骤

2. 🔄 动态决策

   根据执行结果调整计划

3. 🔗 多步执行

   能完成需要多个工具协作的复杂任务

4. 🤔 自我反思

   能判断结果是否正确，必要时重试或换策略

📊 对比示例#

🌟 实际应用场景#

❌ 常见误区#

四、完整总结#

📝 一句话总结#

🔍 核心区别速查#