先问一个问题：当你听说MCP、Function Call和Agent Skills这几个概念时，是不是也有点懵？这三者到底有啥区别，又各自扮演什么角色？

想象一下，可爱又疯狂的乌萨奇（Usagi）最近入职了一家高端家政公司，担任“全自动智能管家”。为了让乌萨奇能完美打理你的家，工程师们面临三个难题：一是怎么让乌萨奇的手插进各种品牌的电器插座（比如海尔、小米）；二是怎么让乌萨奇看懂不同电器的操作面板（有的叫“启动”，有的叫“Start”）；三是怎么让乌萨奇学会“大扫除”这种复杂的连招，而不是只会在地板上打滚。

这个故事，恰恰能帮你理清MCP、Function Call和Agent Skills三者之间的关系。

先说几个核心判断

MCP（Model Context Protocol，模型上下文协议）——由Anthropic提出的开放协议，旨在标准化AI如何接入外部数据（如Google Drive、GitHub、本地文件）。通俗点说，它就像家里的三孔插头/USB接口，规定了形状、电压，让电器和插座能接上。

Agent Skills——通常指AI智能体所具备的具体功能模块，包括调用API、执行代码、使用工具等。通俗点说，就像电器的具体功能：扫地机器人的“扫地”、空调的“制冷”。

Function Call——是通过特定格式的指令来调用某个具体函数的过程。它解决的是“怎么说”的问题。

一个装修房子的例子

假设你买了一台全自动管家（也就是AI Agent）。

Agent Skills（管家本身会的活儿）
这是管家大脑里自带的本领。比如管家会缝衣服、会做饭、会记账。但问题是，如果管家没见过你家的智能洗衣机，他空有一身“洗衣服”的本领，却不知道怎么启动那台机器——因为接口对不上。

MCP（万能转换头/协议）
这是你家装修时统一的一套标准插座。不管你买的是海尔的洗衣机，还是小米的灯泡，只要它们都支持MCP标准插头，管家只要把手插上去，就能瞬间“读取”这台机器的所有状态，并控制它。你不需要教管家“如何控制海尔”，也不用教他“如何控制小米”——插头一插，自动就能沟通了。

Function Call（说明书）
虽然管家的手插进了洗衣机的MCP插座（物理连通了），但管家还得知道洗衣机能听懂哪些指令。洗衣机的“说明书”上写着：“你想洗衣服，请喊start_wash(mode="快速", temperature=40)”“你想甩干，请喊spin_dry(speed=1200)”。这个“喊出特定格式指令”的过程，就是Function Call。

三者的关系可以用一句顺口溜来概括：

Skills是我想干活，MCP是我能摸到活，Function Call是我告诉活儿该怎么干。

深入理解MCP

MCP的出现，是为了打破“孤岛”。在没有MCP之前，如果你想让Claude读你的Notion，开发者得写一套代码；想让ChatGPT读，又得写一套。标准化的优势在于：只要你的数据库或工具支持MCP协议，任何支持该协议的AI客户端（如Claude Desktop、Cursor等）都能瞬间拥有读取该数据的能力。

MCP的内容包含三个核心要素：

• 资源（Resources）——应用控制。数据源，为AI提供上下文信息，由应用决定什么时候去加载。
• 提示词（Prompts）——用户控制。用户显式触发这些提示，比如用户说“请使用XXX MCP搜索网络数据”。
• 工具（Tools）——模型控制。比如可执行的函数，AI可以调用来执行操作。AI决定什么时候调用这些工具，比如需要查询数据库时，就会调用数据库查询工具。

MCP与Function Calling的关系

Function Calling，本质上是LLM自带的一项能力——把人类的自然语言，翻译成结构化的函数调用请求。LLM本身不执行函数，它只告诉你应该调用什么函数、参数是什么。

而MCP是运行在函数调用之上的协议层。MCP标准化了函数在哪里、怎么调用、怎么发现的问题。

两者的关系可以理解为：Function Calling是“翻译官”，MCP是“交通规则”。

MCP的传输协议

MCP支持两种主要的传输方式：

常见的MCP服务

文件系统与版本控制

• Filesystem（官方实现）：允许AI在本地受限目录下列出文件、读取内容、写入代码、搜索文本（支持grep风格搜索）。它是Cursor和Claude Code的核心能力。
• Git：提供对本地仓库的深度访问，包括查看diff、检索提交日志、列出分支以及执行简单的Commit操作。
• GitHub：支持跨仓库搜索、管理Issue、审查Pull Request、读取远程文件内容，常用于自动化处理GitHub Workflow。

数据库与存储

• Postgres / MySQL / SQLite：允许AI查看表结构（Schema）、解释索引，并执行只读查询以分析数据。
• Neo4j / Redis：针对图形数据库和键值存储的专项连接器。
• Supabase：管理云端后端资源，操作数据库和存储。

云原生与容器

• Docker：管理本地容器、镜像、网络和数据卷。AI可以帮你查看日志或诊断容器启动失败的原因。
• Kubernetes：查看集群状态、Pod日志及配置，适合进行云原生开发排错。
• AWS / Azure / GCP：部分第三方服务器支持查询云资源状态（如S3存储桶、EC2实例等）。

浏览器自动化与监控

• Puppeteer / Playwright：允许AI启动浏览器、导航到页面、截图、点击元素并抓取动态生成的内容。
• Sentry：读取错误堆栈追踪（Stack Traces），让AI针对特定的生产环境报错进行代码修复。

搜索与知识检索

• Fetch：即时将在线文档（如React/Next.js的最新API文档）转化为Markdown供AI学习。
• Exa / Ta vily：AI优化的搜索引擎，专门用于查找技术博客和最新的库版本信息。
• arXiv：检索最新的计算机科学论文，适合研究算法和前沿技术。

深入理解Agent Skills

Skills是模块化的能力扩展包，让AI Agent从“通用助手”变成“领域专家”。

可以把Skills理解为：

• 入职培训手册——告诉Agent如何完成特定任务
• 工具箱——提供脚本、模板、参考资料
• 领域知识库——存储专业知识和最佳实践

有了Skills，就不用每次在让AI写代码时都强调一遍：“不要给我使用蓝紫色渐变！！！”

一个标准的Skill长这样：

my-skill/
├── SKILL.md           # 必需：元数据 + 主要指令
├── reference.md       # 可选：详细参考文档
├── examples.md        # 可选：使用示例
├── scripts/
│   └── helper.py      # 可选：可执行脚本
└── templates/
    └── template.txt   # 可选：模板文件

SKILL.md是核心，必须包含YAML格式的元数据：

---
name: code-review
description: >
  Review code for bugs, security issues, and style violations.
  Use when asked to review code, check for bugs, or audit PRs.
---
# Code Review Skill

## Instructions
When reviewing code, follow these steps:
1. First check for security vulnerabilities...
2. Then check for performance issues...
3. Finally check for code style...

关键字段：

• name：Skill的唯一标识，小写字母+数字+连字符，最多64字符
• description：描述做什么、什么时候用，最多1024字符——description的质量直接决定Skill能不能被正确触发。

总结一下

核心要点概括

• MCP（接口标准）：解决“怎么连”。它是万能插座，让AI能摸到外部的数据和工具。
• Skills（办事逻辑）：解决“怎么做”。它是AI的一套复合绝招，包含思考步骤、参考文档和执行脚本。
• Function Call（沟通语法）：解决“怎么说”。它是AI调用工具时必须遵守的特定代码格式（说明书）。

详细对比

三者的“合力”过程

以“帮我订一张去北京的机票”为例：

1. Skills（大脑发动）：Agent识别到你的需求，启动了它的“出差助手Skill”。这个Skill里写着：先查票、再比价、最后下单。
2. MCP（建立连接）：Agent通过MCP协议连接到了你的“携程接口服务”和“个人行程日历”。
3. Function Call（下达指令）：Agent按照携程要求的格式，喊出一句：search_flight(from="上海", to="北京")。

一句话总结：如果你想让AI更聪明、会处理复杂流程，你需要给它写Skills（也就是那个文件夹结构）。如果你想让AI能访问更多外部软件/数据，你需要给这些软件配上MCP。如果你在写代码定义AI怎么调用你的函数，你就是在处理Function Call。