今天我们来聊聊 AI Agent 开发中经常会遇到的几个概念：LLM、Agent、Tool、Skill 和 MCP。
这几个概念看起来比较复杂，但其实理解起来并不困难。接下来我会通过一些简单的例子，带大家了解它们分别是什么，以及它们之间有什么区别。

一、大模型（LLM）

大模型英文全称叫 Large Language Model，翻译成中文就是大型语言模型。
它是一个具备强大语言理解、推理和生成能力的模型。
对于传统的文本大模型来说，最基本的交互方式就是输入文字，然后输出文字。比如你给它输入一个问题，它就会根据你的输入和上下文，生成相应的回答。
当然，随着大模型技术的发展，现在也出现了很多多模态大模型，可以支持输入图片、音频、视频等不同类型的信息，也可以生成图片、音频等内容。
但是，无论大模型的能力如何发展，它本质上还是一个负责理解、推理和生成内容的模型。
大模型本身并不能直接操作你的电脑、访问你的数据库，或者帮你执行一个具体的程序。
所以我们可以简单理解为：大模型很聪明，但是它本身并不具备直接操作外部世界的能力。

二、Agent（智能体）

Agent 翻译成中文就是智能体，也可以理解为代理程序。后来开发者们在用户和大模型之间增加一个代理程序。用户输入的信息不再直接交给大模型，而是先交给这个代理程序。
这个代理程序除了负责把用户的输入转发给大模型以外，还可以给大模型提供额外的提示词，告诉它有哪些工具可以使用，以及这些工具分别能做什么。
举个例子：

假设我们开发了一个文件合并工具，可以把两个文件合并成一个文件。
那么我们就可以告诉大模型：
我这里有一个工具，可以帮你合并两个文件。如果用户需要合并文件，你就可以调用这个工具。调用时请按照指定的 JSON 格式返回工具名称和参数。
例如：

{
  "action": "merge_files",
  "parameters": {
    "file1": "path/to/file1",
    "file2": "path/to/file2"
  }
}

这时，如果用户告诉大模型：帮我把这两个文件合并起来。

代理程序就会把用户的请求转发给大模型。

大模型根据之前提供的提示词，知道有一个文件合并工具可以使用，于是就会返回一个结构化的工具调用请求，告诉代理程序需要调用哪个工具，以及需要传递什么参数。

代理程序收到大模型的输出后，就会判断是不是一个工具调用请求。

如果是，就会根据工具名称和参数，找到对应的工具程序并执行。

工具执行完成后，会把执行结果返回给大模型。大模型再根据执行结果组织语言，把最终结果返回给代理程序，代理程序最后再把结果返回给用户。

这样，用户就可以通过大模型的能力，完成一些实际的任务了。

所以，从用户的角度来看，就像是给一个智能体安排了一个任务，这个智能体就会帮我们完成任务一样。

这里的代理程序，就是我们所说的 Agent。

它的作用就是在用户和大模型之间进行协调，给大模型提供工具和提示词，并在大模型提出工具调用请求时，负责执行对应的工具程序。

三、Tool（工具）

理解了 Agent 之后，第三个概念 Tool 就很好理解了。Tool 翻译成中文就是工具。

Tool 的作用就是帮助大模型完成一些实际的任务。

比如前面提到的文件合并工具，以及文件格式转换、数据库查询、数据分析、发送邮件等等。

Tool 本质上就是一个能够完成特定任务的程序或者功能接口。

它可以是一个普通的函数、一个 API 接口，也可以是一个 Python 脚本。

只要它能够完成某个具体的任务，并且可以被外部程序调用，就可以把它封装成一个 Tool。

这里需要注意，Tool 本身是依赖 Agent的，它脱离Agent后是不能直接被大模型调用的。

只不过在 Agent 开发中，我们可以把这些 Tool 注册给大模型，让大模型知道有哪些工具可以使用。

当大模型判断需要使用某个工具时，就会生成对应的工具调用请求，再由 Agent 负责执行这个工具。

所以简单来说，Tool 提供的是具体的执行能力，而 Agent 负责协调大模型和这些工具，让它们配合起来完成任务。

四、Skill（技能）

接下来第四个概念，Skill。Skill 翻译成中文就是技能。

很多人可能会把 Skill 和 Tool 搞混，其实它们是有区别的。

Tool 是一个具体的工具或者功能程序，而 Skill 可以理解为大模型的技能说明书。

比如我们要开发一个 Excel 数据分析 Skill。这个 Skill 可以告诉大模型：

当用户需要分析 Excel 文件时，应该先读取文件，了解表格结构，然后根据用户的需求选择合适的统计方法，最后生成分析结果和图表。

这些操作步骤、规范和说明，就可以定义在 Skill 里面。

Skill 通常可以通过一个 Markdown 文档来定义，比如 SKILL.md。

当然，Skill 不仅仅可以包含 Markdown 文档，还可以包含一些脚本、参考资料、模板等资源。

例如，我们可以在 Skill 里面放一个 Python 脚本，告诉大模型在需要进行某项数据分析时，可以使用这个脚本。

不过这里需要注意，Skill 里面的脚本并不是大模型自己执行的，实际执行仍然需要依赖 Agent 提供的脚本执行工具。

所以我们可以这样理解：

• Skill 负责告诉大模型某件事情应该怎么做。

• Tool 负责提供具体的执行能力。

• Agent 负责协调它们完成任务。

另外，一个 Skill 也不一定只对应一个 Tool。一个比较复杂的 Skill，可能需要调用多个 Tool 才能完成任务。

所以，Skill 更像是一套操作手册或者工作流程，它可以让大模型在处理某一类任务时更加专业。

五、MCP（模型上下文协议）

最后一个概念，就是 MCP。MCP 全称 Model Context Protocol，翻译成中文就是模型上下文协议。

通俗地讲，我们可以把 MCP 理解为 AI 应用与外部服务之间的一套标准化通信协议。

为什么需要 MCP 呢？

我们举个例子。假设我是一个天气服务商，我提供了一个天气查询 API。

如果一个 Agent 开发者想要使用我的天气查询能力，就需要研究我的 API 文档，然后自己编写对应的 HTTP 请求代码，处理参数和返回结果。

如果以后还需要对接其他服务商的 API，又需要重复进行类似的开发工作。

那么，有没有一种方式，可以让不同的服务商按照统一的协议对外提供能力，让不同的 Agent 都可以按照统一的方式去发现和调用这些能力呢？

于是就有了 MCP。

服务商可以开发一个 MCP Server，把自己的天气查询能力通过 MCP 协议暴露出来。

Agent 这边只需要实现 MCP Client，就可以按照统一的协议与 MCP Server 通信，发现和调用它提供的能力。

这样，不同的服务商只要按照 MCP 协议提供服务，Agent 就不需要针对每一家服务商单独开发一套对接代码了。

另外，MCP 不仅可以提供工具调用能力，还可以提供上下文资源和提示词模板。

所以，MCP 最大的价值就是标准化，它降低了 AI 应用与外部服务之间的集成成本。

这里再补充一个容易混淆的地方：

Tool 和 MCP 并不是本地调用和远程调用的区别。

Tool 是一个具体的功能或者工具，而 MCP 是一种标准化的通信协议。

Tool 既可以是本地函数，也可以封装远程 API；MCP Server 也既可以部署在本地，也可以部署在远程服务器。

它们实际上是两个不同层面的概念。

六、总结

好了，以上就是今天介绍的五个概念。

最后我们再简单总结一下：

希望通过本文，能够帮助大家理解这几个概念之间的关系和区别。