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

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。

更多项目实战在项目实战网：java突击队

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：

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：

java体验AI代码助手代码解读复制代码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：

java体验AI代码助手代码解读复制代码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：

java体验AI代码助手代码解读复制代码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：

java体验AI代码助手代码解读复制代码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：

java体验AI代码助手代码解读复制代码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：

java体验AI代码助手代码解读复制代码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”：

java体验AI代码助手代码解读复制代码// 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。

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

java体验AI代码助手代码解读复制代码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

java体验AI代码助手代码解读复制代码// 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。

作者：苏三说技术
链接：https://juejin.cn/post/7614205951297732654
来源：稀土掘金
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。