一文带你搞懂 Prompt、Tools、Workflow、Skill、MCP 等 AI 概念之间的区别。
AI 领域发展飞速，这些概念经常混在一起，让人头大。它们不是互相替代，而是不同层面的“积木”，组合起来才能让 AI 从“会聊天”变成“真能干活”。下面用最通俗的比喻 + 对比表 + 实际例子，一次性讲清楚。
1. Prompt（提示词）—— “你对 AI 说的话”
- 核心：用户给 AI 的输入指令，告诉它“做什么”和“怎么想”。
- 特点：纯文本、一次性或短期使用、灵活但不稳定（每次都要重复写）。
- 类比：给新员工的口头交代，“今天帮我写一份报告，语气正式点”。
- 作用：引导 AI 的思考过程（Chain of Thought、Role Play 等）。
- 局限：AI 容易忘、容易漂移、重复工作多。
例子：
“你是一个资深文案，帮我写一篇推广小米手机的短文，突出续航长。”
2. Tools（工具 / Function Calling）—— “AI 能拿来用的具体工具”
- 核心：AI 可以主动调用的外部功能，比如搜索网页、计算器、画图 API、读文件等。
- 特点：原子级、执行具体动作、有参数规范（JSON Schema）。
- 类比：给员工配备的锤子、螺丝刀、电脑这些实物工具。
- 作用：让 AI 突破语言模型的知识截止日期，能真正“动手”做事。
- 局限：单个 Tool 只能干一件事，AI 自己决定什么时候用、用哪个，但流程不固定。
例子：
AI 需要查最新天气，就会调用“get_weather” Tool；需要生成图片，就调用 Midjourney 或 DALL·E Tool。
注意：早期 Tools 多指 OpenAI 的 Function Calling，现在很多平台把通过 MCP 暴露的工具也叫 Tools。
3. Workflow（工作流）—— “固定的做事步骤和顺序”
- 核心：把多步任务标准化成流程图或编排脚本，规定“先干什么、再干什么”。
- 特点：强调顺序、分支、循环、可重复执行，常用于自动化。
- 类比：工厂的生产线 SOP（标准作业程序），“先领料 → 组装 → 质检 → 包装”。
- 作用：让复杂任务可控、可审计，减少 AI 胡乱跳步。
- 常见实现：LangChain 的 Chains、n8n、CrewAI 中的流程编排、AutoGen 等。
例子：
写一篇博客的 Workflow：
- 研究关键词（用搜索 Tool）
- 收集资料
- 生成大纲
- 撰写正文
- 润色 + SEO 检查
4. Skill（技能 / Agent Skill）—— “AI 的专业能力包 / SOP 手册”
- 核心：把领域知识、最佳实践、触发条件、步骤指南封装成一个可复用的“能力模板”。本质上是结构化的高级 Prompt + 参考材料，有时还包含小脚本。
- 特点：按需动态加载、语义触发（AI 自己判断什么时候用）、专业化、可组合。
- 类比：给老员工的岗位手册 / 经验宝典，“这是我们团队写代码审查的完整 SOP，包括检查清单、常见坑、模板”。
- 与 Prompt 的区别：Prompt 是一次性口头指令，Skill 是沉淀下来的可复用专业能力。
- 与 Workflow 的区别：Workflow 更偏刚性流程编排，Skill 更偏“如何思考 + 如何执行”的知识封装（可以包含 Workflow）。
- 常见平台：Anthropic Claude 的 Agent Skills（2025 年推出），支持文件夹形式（instructions + examples + artifacts）。
例子：
“代码审查 Skill”：包含触发条件（用户说“帮我 review 这段代码”）、详细检查清单、输出模板、常见反例。AI 一旦匹配，就自动加载这套技能，像资深工程师一样做事，而不用每次都重写 Prompt。
5. MCP（Model Context Protocol，模型上下文协议）—— “AI 连接外部世界的标准门禁卡 / USB-C 接口”
- 核心：Anthropic 2024 年底开源的开放协议，标准化 AI 如何安全地发现、连接、调用外部数据源、工具和服务（双向通信）。
- 特点：协议层（不是具体工具）、支持 JSON-RPC、强调安全（权限控制、Human-in-the-loop）、一次对接多处可用。
- 类比：给 AI 的通用门禁卡 / USB-C 接口。有了它，AI 不用为每个系统（GitHub、Notion、Slack、数据库）单独写适配器，就能安全“进门”拿数据或执行操作。
- 作用：解决“工具碎片化”问题，让 AI 真正触达真实世界（读代码仓库、查企业数据库、操作业务系统）。
- 与 Tools 的关系：MCP 是连接和暴露 Tools 的标准化方式；Tools 是通过 MCP 暴露的具体功能。MCP 更底层、更通用。
例子：
AI 想查项目代码，就通过 MCP 连接 GitHub MCP Server；想发 Slack 消息，就连接 Slack MCP Server。整个过程安全、可审计，不用每次自定义集成。
核心区别对比表（一目了然）
| 概念 | 一句话总结 | 类比 | 层次 | 控制权 | 稳定性 | 可复用性 | 典型例子 |
|---|---|---|---|---|---|---|---|
| Prompt | 告诉 AI “做什么、怎么想” | 口头指令 | 输入层 | 用户 | 低 | 低 | “写一篇推广文案” |
| Tools | AI 能调用的具体功能 | 锤子/螺丝刀 | 执行层 | AI 决定调用 | 高 | 中 | get_weather、send_email |
| Workflow | 固定的多步流程编排 | 工厂生产线 | 流程层 | 开发者定义 | 高 | 高 | 博客写作流水线（研究→大纲→撰写） |
| Skill | 封装的专业能力/SOP手册 | 员工经验宝典 | 知识层 | 开发者定义 + AI 触发 | 高 | 很高 | 代码审查 Skill、测试用例生成 Skill |
| MCP | 连接外部世界的标准协议 | USB-C / 门禁卡 | 集成层 | 协议控制权限 | 很高 | 最高（跨平台） | GitHub MCP Server、数据库连接 |
它们之间的联系与协作关系（像搭积木）
- Prompt 是起点，几乎所有东西都建立在 Prompt 之上（Skill 本质是结构化 + 可重用的 Prompt）。
- Tools 通过 MCP 标准化暴露给 AI。
- Skill 可以包含 Prompt + Workflow + 对 Tools/MCP 的调用指导（教 AI “何时、何地、如何”使用工具）。
- Workflow 可以由多个 Skill 组合而成，或直接用编排工具实现。
- 完整 Agent 系统：大模型（大脑） + Prompt/Rules（基本规范） + Skills（专业能力） + MCP/Tools（动手能力） + Workflow（流程控制）。
实际场景举例（写代码审查报告）：
- 用户给 Prompt：“帮我 review 这段代码”。
- AI 匹配到 Skill（代码审查技能包），加载 SOP：检查安全性、性能、规范等。
- Skill 指导 AI 通过 MCP 连接 GitHub，读取最新代码（Tool）。
- 按照 Workflow：先静态分析 → 运行测试 → 生成报告。
- 整个过程 AI 自主决策，但受 Skill 和 MCP 权限限制，不会乱来。
记忆口诀（超好记）
Prompt 说，Tools 做，Workflow 流程化，Skill 专业化，MCP 标准化！
总结建议
- 入门阶段：先学写好 Prompt。
- 进阶阶段：用 Tools + 简单 Workflow 自动化重复任务。
- 专业/生产阶段：沉淀 Skill（让 AI 像专家）、用 MCP 打通真实系统、编排 Workflow 保证可靠性。
- 这些概念不是对立的，而是层层递进。2026 年的 AI Agent 体系，本质就是在用 Skill + MCP 把“天才但不靠谱”的模型，变成“靠谱的专业数字员工”。
搞懂这几个概念后，你再看各种 AI 平台（Claude、Cursor、LangChain、CrewAI 等）的文档，就会觉得清晰很多。实际动手时，建议从写一个自己的 Skill 开始——它能立刻让你感受到效率的飞跃。
如果你有具体场景（比如 coding、写作、测试），我可以帮你举更多针对性例子，或者一起设计一个 Skill！
