Skill（技能）、MCP（模型上下文协议） 和 Function Call（函数调用） 这三个概念。
简单来说，你可以这样理解：
 
  
    
    
 
     
Function Call 是基础的、标准的“能力调用机制”。
 
     
Skill 是面向用户的、打包好的“功能产品”。
 
     
MCP 是连接 AI 与外部资源和工具的“新一代通信协议”。
 
    
1. Function Call（函数调用）
这是最基础、最广泛使用的概念，主要由 OpenAI 在 2023 年 6 月引入并普及。
 
  
    
    
 
     
是什么： 一种让大语言模型（如 GPT-4）能够智能地决定在何时、以何种参数调用开发者预先定义好的函数（或工具） 的机制。它不是直接执行代码，而是输出一个结构化的调用请求。
 
     
如何工作： 
      
 
       
定义： 开发者向模型描述一系列可用的函数（包括函数名、描述、参数列表及参数类型）。
 
       
决策： 用户提问后，模型根据对话上下文判断是否需要调用函数，以及调用哪个函数、参数是什么。
 
       
响应： 模型返回一个结构化的 JSON 对象（如 }），而不是自然语言。
 
       
执行： 应用程序收到这个 JSON 后，在本地或服务器端实际执行对应的代码，获取结果（如调用天气 API）。
 
       
回复： 将执行结果返回给模型，模型再组织成自然语言回复给用户。
 
      
 
     
特点： 
      
 
       
标准化： 已成为众多模型（OpenAI， Anthropic， 国内大模型等）支持的标准特性。
 
       
核心机制： 是实现 AI 与外部世界交互的基石。
 
       
开发层： 主要面向开发者，用户感知不强。
 
      
 
    
示例：你问“北京天气怎么样？”，模型不是瞎猜，而是“调用”了你定义的 get_weather(location) 函数，并将 API 返回的真实数据告诉你。
 
  
    
    
 
     
2. Skill（技能）
 
     
这是一个更高层、更产品化的概念，常见于 AI 智能体（AI Agent）和 AI 应用平台（如扣子/Coze, GPTs, Dify）。
 
     
 
      
是什么： 一个封装好的、可重复使用的功能模块或 AI 能力。一个 Skill 内部可能包含提示词、知识库、一个或多个 Function Call、工作流等。
 
      
如何工作： 
       
 
        
构建： 在平台上通过可视化或配置化的方式，将一个完整的能力打包。例如，一个“订机票”Skill 可能包含：查询航班、获取价格、填写订单等多个步骤或函数。
 
        
调用： 用户通过自然语言触发（如“我想去上海”），AI 智能体自动识别并调用最匹配的 Skill。
 
        
执行： Skill 作为一个整体在后台运行，可能串联多个动作，最终返回结果。
 
       
 
      
特点： 
       
 
        
产品化： 是终端用户可以直接理解和使用的东西（如“翻译技能”、“画图技能”）。
 
        
可组合性： 可以在智能体中安装多个 Skills，让它具备多种能力。
 
        
封装性： 隐藏了底层复杂的函数调用和逻辑，提供端到端的体验。
 
       
 
     
 
     
示例：在 Coze 平台上，你安装了一个“全网搜索” Skill。当用户问“最近有什么科技新闻？”时，你的 Bot 会自动使用这个 Skill 去搜索并返回结果。这个 Skill 底层就是通过 Function Call 来调用搜索 API。
 
     
 
      
3. MCP（Model Context Protocol，模型上下文协议）
 
      
这是一个由 Anthropic 提出并主导的开放协议，旨在标准化 AI 模型与外部资源（服务器、数据库、API 等）的交互方式。可以看作是 Function Call 的“进化版”或“标准化版本”。
 
      
 
       
是什么： 一个客户端-服务器协议。它定义了一套标准，让任何兼容 MCP 的“服务器”（提供资源的工具）都能轻松地被任何兼容 MCP 的“客户端”（AI 应用或 IDE）使用。
 
       
如何工作： 
        
 
         
服务器： 任何工具（如文件系统、数据库、日历 API）都可以实现为 MCP 服务器，它向客户端宣告自己提供哪些“资源”和“工具”。
 
         
客户端： AI 应用（如 Claude Desktop， Cursor IDE）作为 MCP 客户端，启动时可以连接一个或多个 MCP 服务器。
 
         
通信： 客户端和服务器通过标准的 JSON-RPC 消息进行通信。当用户需要时，客户端会从服务器获取资源列表或调用工具，并将结果提供给 AI 模型。
 
        
 
       
特点： 
        
 
         
协议化与标准化： 解决了不同 AI 模型和工具之间“各自为政”的问题。工具开发者只需实现一次 MCP 接口，就能被所有支持 MCP 的 AI 使用。
 
         
动态发现： 客户端可以动态地发现服务器提供的工具，无需在提示词中硬编码。
 
         
资源概念： 不仅限于“工具/函数”，还引入了“资源”（如文件、数据库条目）的概念，AI 可以读取资源内容作为上下文。
 
         
安全性： 连接通常本地化，资源访问可控，比传统的将 API 密钥暴露给模型更安全。
 
        
 
      
 
      
示例： 你在本地运行了一个 sqlite MCP 服务器和一个 filesystem MCP 服务器。当你使用 Claude Desktop 时，你可以直接说：“请查询我/projects目录下的schema.sql文件，然后根据它告诉我数据库中有哪些表。” Claude 会通过 MCP 协议读取文件内容，并调用 SQLite 工具执行查询，整个过程无需你手动配置复杂的 Function Call。
 
      
 
      
总结对比
 
     
    

• Function Call 是”脑”：决定做什么
• MCP 是”神经系统”：传递信号到手脚
• Skill 是”职业技能”：知道如何专业地做事

关系与趋势

• Skill 建立在 Function Call 之上：一个复杂的 Skill 内部会利用多次 Function Call 来完成工作。
• MCP 可以视为 Function Call 的标准化演进：它提供了更丰富、更安全、更动态的工具调用和资源访问方式。未来，AI 应用的“Function Call”能力很可能通过 MCP 协议来实现。
• MCP 赋能 Skill 开发：在支持 MCP 的平台上，开发 Skill 可以更简单，直接接入丰富的 MCP 服务器资源，而无需从零编写每一个函数。

演进趋势（截至 2026 年）

1. 短期：Function Call + Skill 是主流（如 LangChain + OpenAI）。
2. 中期：MCP 逐渐被 IDE（如 Cursor）、AI 平台（如 Databricks）采用，成为“AI 操作系统”的一部分。
3. 长期：MCP 可能成为类似 HTTP 的基础协议——任何 AI 都能通过 MCP 访问世界上的服务。

💡 类比：Function Call ≈ 浏览器原生的  fetch()Skill ≈ 封装好的 Axios 或 SDKMCP ≈ RESTful API 标准 + OpenAPI 规范

• Function Call 是能力基础：没有它，LLM 无法与外部世界交互
• MCP 是连接标准：没有它，每个工具都需要定制开发集成（N×M 问题）
• Skill 是价值封装：没有它，AI 只是工具的执行者，而非业务专家