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：
- 思考（Thought）：分析当前状态，决定下一步要做什么
- 行动（Action）：调用某个工具
- 观察（Observation）：获取工具返回的结果
- 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：
| 维度 | Function Call | Skill |
|---|
| 本质 | 单一能力 | 能力集合 + 知识 |
| 粒度 | 原子操作 | 业务模块 |
| 是否包含工具 | 本身就是工具 | 包含多个工具 |
| 是否包含知识 | 不包含 | 包含领域知识和最佳实践 |
| 类比 | 单个螺丝刀 | 电工工具箱 + 电工手册 |
| 应用场景 | 查天气、发邮件等单次操作 | 前端开发、运维管理、财务分析等专业领域 |
| 代码形式 | 单个@Tool方法 | 多个@Tool方法 + 系统提示词 |
为什么需要区分这两个概念？
- 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。
- 复用性：好的Skill可以跨项目复用，就像代码库里的工具包。
- 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
| 概念 | 一句话定义 | 核心作用 | Java生态代表 |
|---|
| Prompt | 给AI的指令 | 告诉AI要做什么 | Spring AI的Prompt类 |
| Function Call | 让AI能调用外部工具 | 赋予AI行动能力 | LangChain4j的@Tool注解 |
| Agent | 能自主决策的智能系统 | 完成复杂任务的闭环 | LangChain4j的AiServices + 记忆 |
| Skill | 封装专业知识的技能包 | 固化领域知识和最佳实践 | 模块化的工具集合+提示模板 |
| MCP | 统一工具调用的标准协议 | 让所有AI用同一套接口 | Spring AI的MCP支持 |
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
