Prompt、Agent、Function Call、Skill、MCP，傻傻分不清楚？

前言

最近AI越来越火了。

我发现里面有很多概念有些小伙伴有点分不清楚，比如：Prompt、Agent、Function Call、Skill、MCP等。

今天这篇文章专门跟大家一起聊聊这个话题，希望对你会有所帮助。

核心概念关系图

先上干货，这张图让你从整体上理解这五个概念是如何分层递进的：

更多项目实战在Java突击队网：susan.net.cn

一句话概括：

• Prompt 是你跟AI说的“人话”
• Function Call 让AI能“动手干活”
• Agent 让AI会“思考规划”
• Skill 是AI的“职业技能证书”
• MCP 是AI世界的“USB接口”

下面我们一层一层拆开揉碎了讲，每层都有Java代码示例。

第一层：Prompt——和AI对话的“普通话”

1.1 什么是Prompt？

Prompt（提示词） 就是你输入给AI的文本指令。

它就像你去餐厅点菜时说的“来一份宫保鸡丁”，AI就是那个服务员，听懂你的话然后给你上菜。

在Java里，调用AI模型的第一步就是构造Prompt。

我用最简单的Spring AI示例来演示：

import org.springframework.ai.chat.ChatClient;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.ai.chat.prompt.SystemPrompt;
import org.springframework.ai.chat.prompt.UserPrompt;

@Service
public class AIService {
    
    private final ChatClient chatClient;
    
    public AIService(ChatClient chatClient) {
        this.chatClient = chatClient;
    }
    
    public String askAI(String question) {
        // 构造Prompt：可以包含系统消息和用户消息
        Prompt prompt = new Prompt(
            new SystemPrompt("你是一个Java架构师，擅长用通俗的语言解释技术概念。"),
            new UserPrompt(question)
        );
        
        // 调用AI并返回结果
        return chatClient.call(prompt).getResult().getOutput().getContent();
    }
}

这里的SystemPrompt和UserPrompt就是最基础的Prompt形式。

它们决定了AI的身份和你要问的问题。

1.2 Prompt的高级玩法

光有基础Prompt还不够，在实际应用中我们经常需要提示词工程来引导AI做出更好的回答。比如：

public String generateJavaCode(String requirement) {
    String promptTemplate = """
        你是一个资深的Java开发工程师。
        请根据以下需求生成Java代码，代码要包含必要的注释，并考虑异常处理：
        
        需求：%s
        
        请输出完整的Java类代码。
        """;
    
    String prompt = String.format(promptTemplate, requirement);
    return chatClient.call(new Prompt(prompt)).getResult().getOutput().getContent();
}

Prompt的本质：它是人类意图与AI能力之间的“翻译官”。

Prompt写得好，AI才能干得好。

第二层：Function Calling——让AI从“说话”到“动手”

Prompt只能让AI“说话”，但AI想干点实事（比如查数据库、发邮件、调用第三方API）时，就无能为力了。

Function Calling（函数调用） 就是来解决这个问题的。

2.1 什么是Function Calling？

Function Calling允许开发者在调用大模型时，注册一系列函数（工具），模型在生成回复时如果判断需要调用外部工具，就会返回一个结构化的请求，由开发者执行真实的函数，再把结果返回给模型生成最终答案。

原理图如下：

2.2 Java实现Function Calling

我用LangChain4j来演示，因为它对Java开发者很友好。首先定义工具函数：

import dev.langchain4j.agent.tool.Tool;
import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;

public class WeatherTool {
    
    @Tool("获取指定城市的实时天气")
    public String getWeather(String city) {
        // 这里应该是真实的API调用，为了演示我们模拟数据
        if ("北京".equals(city)) {
            return "北京当前天气：晴，温度25℃，湿度40%";
        } else if ("上海".equals(city)) {
            return "上海当前天气：小雨，温度22℃，湿度80%";
        } else {
            return "抱歉，暂不支持该城市天气查询";
        }
    }
    
    @Tool("获取当前时间")
    public String getCurrentTime() {
        return LocalDateTime.now().format(DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss"));
    }
}

然后创建AI服务并绑定工具：

import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;

public class WeatherAssistant {
    
    interface Assistant {
        String chat(String userMessage);
    }
    
    public static void main(String[] args) {
        ChatLanguageModel model = OpenAiChatModel.builder()
            .apiKey(System.getenv("OPENAI_API_KEY"))
            .modelName("gpt-4")
            .build();
        
        Assistant assistant = AiServices.builder(Assistant.class)
            .chatLanguageModel(model)
            .tools(new WeatherTool()) // 注册工具
            .build();
        
        // 用户提问
        String response = assistant.chat("北京现在天气怎么样？");
        System.out.println(response);
        
        response = assistant.chat("现在几点了？");
        System.out.println(response);
    }
}

当用户问天气时，模型会判断需要调用getWeather函数，LangChain4j自动处理了函数调用的整个流程，最后把结果整合成自然语言返回。

2.3 Function Calling的核心价值

让AI从“静态知识”变成“动态能力”。

没有Function Calling，AI只能回答训练数据里的内容；有了它，AI可以实时获取最新信息，甚至可以操作你的系统。

第三层：Agent——会思考、会规划的“智能体”

Function Calling让AI能调用工具，但它还是被动的一问一答。

如果遇到复杂任务，比如“帮我规划一次杭州三日游”，需要查天气、查景点、查酒店、算预算……这时候就需要Agent（智能体） 出场了。

3.1 什么是Agent？

Agent是一个能够感知环境、做出决策并执行动作的自主系统。

它不像Function Calling那样只是“单次工具调用”，而是具备完整的“思考-行动-观察”闭环能力。

通俗说，Function Calling是“会用手”，Agent是“有大脑”。

3.2 ReAct：Agent的核心决策模式

目前主流Agent都采用ReAct（Reasoning + Acting）框架。

它的工作流程是：

1. 思考（Thought）：分析当前状态，决定下一步要做什么
2. 行动（Action）：调用某个工具
3. 观察（Observation）：获取工具返回的结果
4. 循环：直到任务完成

3.3 Java实现一个简单的ReAct Agent

我们用LangChain4j的AiServices结合工具来实现Agent。

首先定义多个工具：

import dev.langchain4j.agent.tool.Tool;

public class TravelTools {
    
    @Tool("查询某城市未来一周的天气")
    public String queryWeather(String city) {
        // 模拟天气查询
        return city + "未来一周天气：前三天晴，后四天多云，气温20-28℃";
    }
    
    @Tool("查询某城市的知名景点")
    public String queryAttractions(String city) {
        // 模拟景点查询
        if ("杭州".equals(city)) {
            return "杭州知名景点：西湖、灵隐寺、西溪湿地、宋城";
        } else if ("上海".equals(city)) {
            return "上海知名景点：外滩、东方明珠、迪士尼乐园";
        }
        return "暂无该城市景点信息";
    }
    
    @Tool("计算预算")
    public String calculateBudget(String city, int days) {
        // 模拟预算计算
        int base = 500;
        int total = base * days;
        return city + days + "天游预算约为：" + total + "元（不含大交通）";
    }
}

然后创建Agent：

import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;
import dev.langchain4j.memory.chat.MessageWindowChatMemory;

public class TravelAgent {
    
    interface TravelPlanner {
        String planTrip(String request);
    }
    
    public static void main(String[] args) {
        ChatLanguageModel model = OpenAiChatModel.builder()
            .apiKey(System.getenv("OPENAI_API_KEY"))
            .modelName("gpt-4")
            .build();
        
        TravelPlanner agent = AiServices.builder(TravelPlanner.class)
            .chatLanguageModel(model)
            .tools(new TravelTools())
            .chatMemory(MessageWindowChatMemory.withMaxMessages(20)) // 记忆，让Agent能记住上下文
            .build();
        
        String result = agent.planTrip("帮我规划一个3天的杭州游，包括天气、景点和预算");
        System.out.println(result);
    }
}

这个Agent会自己决定先查天气、再查景点、再算预算，然后把所有信息整合成一份完整的旅行计划。整个过程是自主的，不需要我们写死流程。

3.4 Agent与Function Calling的关系

Function Calling是Agent的“手”，Agent是拥有“大脑”的完整系统。

Agent通过Function Calling调用工具，但Agent多了“规划”和“记忆”能力，能处理更复杂的任务。

第四层：Skill——封装专业知识的“技能包”

当Agent需要处理不同领域的任务时，如果让一个Agent掌握所有知识和工具，会变得臃肿且容易出错。

这时候就需要Skill（技能） 的概念。

4.1 什么是Skill？

Skill是一套封装了特定领域知识、最佳实践和工具组合的“技能包”。

它就像我们人类的职业资格证书——一个医生有“看病技能”，一个程序员有“写代码技能”。

Anthropic最早提出Skill概念，一个Skill通常包含：

• 领域专用的提示词模板
• 一组相关的工具函数
• 特定的工作流逻辑

4.2 Java中如何组织Skill？

我们可以把Skill定义为一个独立的模块，包含自己的工具类和提示模板。

例如，一个“前端开发Skill”：

// 前端技能专属工具
public class FrontendTools {
    
    @Tool("生成React组件代码")
    public String generateReactComponent(String componentName, String props) {
        return """
            import React from 'react';
            
            const %s = (%s) => {
                return <div>Hello, {props.name}</div>;
            };
            
            export default %s;
            """.formatted(componentName, props, componentName);
    }
    
    @Tool("检查CSS命名规范")
    public String checkCssNaming(String cssCode) {
        // 模拟CSS检查逻辑
        return "CSS规范检查通过";
    }
}

// 前端技能的提示词模板
public class FrontendPrompts {
    public static final String SYSTEM_PROMPT = """
        你是一个资深前端开发工程师，精通React、Vue、CSS等前端技术。
        请严格按照前端最佳实践生成代码，确保代码可维护。
        """;
}

// 创建前端专家Agent
public class FrontendAgent {
    public static void main(String[] args) {
        ChatLanguageModel model = OpenAiChatModel.builder()
            .apiKey(System.getenv("OPENAI_API_KEY"))
            .modelName("gpt-4")
            .build();
        
        Developer assistant = AiServices.builder(Developer.class)
            .chatLanguageModel(model)
            .tools(new FrontendTools())
            .systemMessageProvider(ignored -> FrontendPrompts.SYSTEM_PROMPT)
            .build();
        
        String code = assistant.generateCode("创建一个计数器组件，有加一减一按钮");
        System.out.println(code);
    }
}

4.3 Skill与Agent的关系

在大型系统中，我们通常会有多个Agent，每个Agent加载不同的Skill：

• 前端Agent：加载ReactSkill、CSSSkill
• 后端Agent：加载SpringSkill、DatabaseSkill
• 运维Agent：加载K8sSkill、MonitoringSkill

每个Agent只拥有完成自己领域任务所需的最小知识集，既提高了精准度，又保障了安全。

更多项目实战在Java突击队网：susan.net.cn

4.4 Function Call和Skill有什么区别？

一句话说清本质：

• Function Call 是一种能力：让AI能够调用外部函数（工具）
• Skill 是一个模块：封装了特定领域的知识、最佳实践和一组相关的Function Call

用个比喻：

• Function Call 像锤子、螺丝刀、扳手这些具体工具
• Skill 像木工工具箱：里面有锤子、锯子、尺子，还附带一本《木工操作手册》

下面从代码看看它们的区别。

Function Call：单个工具

public class WeatherTool {
    @Tool("获取天气")
    public String getWeather(String city) {
        // 调用天气API
        return callWeatherAPI(city);
    }
}

这个工具只能干一件事：查天气。

Skill：完整的专业能力包

// 前端开发Skill - 包含多个工具 + 专业知识
public class FrontendSkill {
    
    // 工具1：生成React组件
    @Tool("生成React组件")
    public String generateComponent(String name) {
        return "React组件代码...";
    }
    
    // 工具2：检查CSS规范
    @Tool("检查CSS规范")
    public String checkCss(String css) {
        return "检查结果...";
    }
    
    // 工具3：优化性能建议
    @Tool("提供前端性能优化建议")
    public String performanceAdvice(String code) {
        return "优化建议...";
    }
    
    // 还有领域知识（不是工具，而是提示词模板）
    public static final String SYSTEM_PROMPT = 
        "你是一个资深前端专家，精通React、Vue、CSS优化...";
}

这个Skill包含了多个工具，还带有领域知识。

核心区别对比表：

为什么需要区分这两个概念？

1. 设计层面的解耦：Function Call是底层能力，Skill是业务封装。底层能力稳定，上层业务可以灵活组合。
2. 复用性：好的Skill可以跨项目复用，就像代码库里的工具包。
3. 安全性：可以给不同的Agent分配不同的Skill，实现权限隔离（前端Agent不能调用后端数据库）。

总结：

• Function Call：AI的“手”，能干活
• Skill：AI的“职业培训证书”，让AI知道怎么干好某个领域的事

Function Call + 领域知识 + 最佳实践 = Skill

下次再有人问这个问题，你可以直接甩给他这张表，然后说：“锤子是Function Call，工具箱是Skill，懂了吗？”

第五层：MCP——统一工具调用的“世界语”

随着Agent越来越多，每个Agent都要接入不同的工具，每个AI模型（OpenAI、Claude、文心一言）的Function Calling格式还不一样。

这就导致开发者要针对每个模型写一套工具适配代码，非常痛苦。

MCP（Model Context Protocol，模型上下文协议） 就是来解决这个问题的。

5.1 什么是MCP？

MCP是Anthropic提出的一个标准化协议，它定义了一套统一的接口，让AI模型可以像USB设备一样动态发现和调用工具。

核心思想：

• 工具以Server的形式暴露（MCP Server）
• AI应用作为Client（MCP Client）连接Server
• Server提供工具清单和调用接口
• Client统一格式调用，无需关心底层工具具体实现

5.2 MCP的工作流程

5.3 Java中使用MCP

Spring AI 2.0已经原生支持MCP，可以非常方便地构建MCP客户端和服务器。

定义MCP Server（工具提供方）：

import org.springframework.ai.mcp.server.McpServer;
import org.springframework.ai.mcp.server.McpServerFeatures;
import org.springframework.ai.mcp.server.McpServerRegistrar;
import org.springframework.ai.mcp.spec.McpSchema;

@Component
public class WeatherMcpServer {
    
    @Bean
    public McpServerRegistrar weatherServer() {
        // 定义工具
        McpSchema.Tool weatherTool = new McpSchema.Tool(
            "getWeather",
            "获取城市天气",
            new McpSchema.JsonSchema(Map.of(
                "type", "object",
                "properties", Map.of(
                    "city", Map.of("type", "string", "description", "城市名称")
                ),
                "required", List.of("city")
            ))
        );
        
        // 创建Server
        McpServerFeatures.AsyncServerSpec serverSpec = McpServerFeatures.async()
            .tool(weatherTool, (request) -> {
                String city = request.arguments().get("city").asText();
                // 执行真实逻辑
                String weather = "北京当前天气：晴，25℃";
                return CompletableFuture.completedFuture(
                    new McpSchema.CallToolResult(List.of(
                        new McpSchema.TextContent(weather)
                    ), false)
                );
            });
        
        return McpServerRegistrar.builder()
            .name("weather-server")
            .server(serverSpec)
            .build();
    }
}

MCP Client调用：

import org.springframework.ai.mcp.client.McpClient;
import org.springframework.ai.mcp.client.McpClientFeatures;

@Service
public class AIServiceWithMCP {
    
    private final ChatClient chatClient;
    private final McpClient mcpClient;
    
    public AIServiceWithMCP(ChatClient chatClient) {
        this.chatClient = chatClient;
        // 连接到MCP Server
        this.mcpClient = McpClientFeatures.async()
            .connect("weather-server", "http://localhost:8080/mcp");
    }
    
    public String askWeather(String city) {
        // 通过MCP调用工具
        McpSchema.CallToolResult result = mcpClient.callTool("getWeather", 
            Map.of("city", city)).join();
        
        String weather = result.content().get(0).text();
        
        // 也可以让AI自动决定是否调用工具
        Prompt prompt = new Prompt("查询" + city + "天气");
        return chatClient.call(prompt).getResult().getOutput().getContent();
    }
}

5.4 MCP与Skill的关系

MCP和Skill是互补的：

• MCP 解决“怎么连”的问题——标准化工具调用协议
• Skill 解决“连什么”的问题——封装专业知识和工具集合

一个典型的架构是：Agent通过MCP调用各种Skill暴露的工具。

这样，无论底层工具如何变化，Agent都不需要修改代码，只需要通过MCP动态发现即可。

一张表彻底分清五个概念

这五个概念构成了AI应用开发的完整分层：

• Prompt是地基，没有它AI听不懂人话
• Function Call是第一层楼，让AI能动手
• Agent是第二层，让AI会思考
• Skill是装修，让AI更专业
• MCP是连接各层的管道，让整个系统灵活可扩展

总结

有些小伙伴可能会问：“我现在应该先学哪个？”

我的建议是：从Prompt开始，这是所有AI应用的基础。

理解了Prompt，再逐步接触Function Call，然后尝试搭建简单的Agent。

至于Skill和MCP，可以先了解概念，等你的应用复杂到需要多个Agent协作时，再深入学习也不迟。

Prompt、Function Call、Agent、Skill、MCP，正是AI应用开发的“五层楼”，每一层都让我们离业务更近，离底层细节更远。

开源地址：

开源地址：

Spring AI：https://github.com/spring-projects/spring-ai

LangChain4j：https://github.com/langchain4j/langchain4j

MCP规范：https://github.com/modelcontextprotocol

更多项目实战在Java突击队网：susan.net.cn