Forrest’s 博客🚪Function Calling、MCP、Skill 三者本质区别与适用场景
type
Post
status
Published
date
Jan 4, 2026
slug
skill
summary
category
agentic
tags
skill
LLM
agent
icon
password
AI summary
Blocked by
Blocking
Category
一、Skill 的本质与核心设计（2025.10 开放标准）
Skill 是一个文件夹，里面至少包含一个
SKILL.md 文件（YAML 前言 + Markdown 正文），可选包含：scripts/：可执行脚本（Python、Bash、JS 等）
references/：参考文档、模板
assets/：字体、图标、报告模板等
它的核心思想是 Progressive Disclosure（渐进式披露）：
- Level 1（元数据）：只有
name+description（<1024 字符），永远加载到系统提示中，用于意图匹配。
- Level 2（完整指令）：仅当用户查询匹配 description 时，才把整个 SKILL.md 加载进来。
- Level 3（附属文件）：脚本、模板等只有真正需要时才读取。
这样，100 个 Skill 的元数据加起来可能只占 ~300 tokens，实际激活 1–2 个也才 1500–2500 tokens，节省 95%+ 上下文。
Skill 的杀手特性（真正让 Agent “开窍”的地方）
- 千人千面、自动个性化
同一个“写企业邮件”任务，不同用户/组织的 Skill 会注入各自的品牌话术、合规条款、语气规范。输出天然带上用户风格，无需每次手动提示。
- 原生脚本 + Host 级 Sandbox 执行
脚本运行在 Claude/Code 提供的受限环境中（无网络、文件读写受控、错误隔离、依赖声明）。典型场景：PDF 旋转、Excel 复杂公式计算、文档批量格式转换、数据校验——全部确定性执行，不再靠 LLM 幻觉。
- 与 MCP 完美互补
- MCP = “安全调用外部能力”（工具、API、数据库）
- Skill = “知道怎么用这些能力 + 本地确定性执行” 两者结合 = 完整的“知道做什么 + 怎么做 + 可靠落地”闭环。
- 自文档、可审计、可版本化
整个 Skill 就是纯文本文件夹，可 Git 管理、代码审查、组织级分发。比硬编码提示或散落工具描述可靠太多。
三、对比：Function Calling、MCP、Skill 三者定位
维度 | Function Calling（原始） | MCP（2024.11 开放标准） | Skill（2025.10 开放标准） |
本质 | 硬编码的 API 调用 | 标准化工具协议（工具 = 外部能力） | 文件夹式知识 + 可执行脚本（知识 + 本地确定性执行） |
加载方式 | 静态写死在代码里 | 动态发现：list_tools() | 按需加载：元数据 → 匹配 → 完整内容 |
规范化与注册 | 无，开发者自己定义 | 强规范化（注册、调用、权限校验） | 文件系统定义（SKILL.md YAML + Markdown） |
权限与隔离 | 应用自己管 | 上下文隔离、凭证隔离 | Host 级 sandbox（脚本受限环境） |
对系统 Prompt 影响 | 永远占 tokens | 无直接影响 | 动态注入 → 千人千面、上下文极省 |
脚本支持 | 无 | 无（纯工具调用） | 原生支持（scripts/ 目录，sandbox 执行） |
主要解决的问题 | — | 工具重复开发、无法复用、凭证分散 | 知识爆炸、风格不统一、确定性任务易出错 |
一句话定位
- Function Calling：最早、最原始的“手”。
- MCP：给 AI 一套标准化的“手”（安全、复用地调用外部系统）。
- Skill：给 AI 一个可动态升级的大脑 + 本地执行引擎（知道怎么做 + 可靠执行）。
四、模型兼容度（2026 年实测）
- Claude 全系：100% 原生支持（Skill + MCP + sandbox 体验最佳）。
- OpenAI / Gemini / Cursor 等：MCP 支持良好；Skill 可通过兼容层或 MCP 间接使用。
- 国内模型（Qwen、DeepSeek、Kimi、GLM 等）：MCP 中等偏上；Skill 较弱（需自行实现动态加载 + sandbox），知识个性化与脚本执行流畅度明显不如 Claude。
五、最终结论
MCP 让 AI“能安全调用外部”，Skill 让 AI“知道怎么做 + 可靠执行本地任务”。
两者结合 + Claude 原生支持，才是目前最强 Agent 形态。
国内模型短期仍以 MCP 为主，要获得 Skill 级的个性化与确定性执行，需要额外适配机制。
Ref
Prev
KEDA
Next
2025年终总结
Loading...