Skill（技能）、MCP（模型上下文协议） 和 Function Call（函数调用） 是构建现代 AI 应用时绕不开的三个概念。
通俗点讲，这三者的关系可以这么看：
- Function Call 是基础的'能力调用机制'，让模型知道何时该调接口。
- Skill 是面向用户的'功能产品'，把复杂逻辑打包成可复用的模块。
- MCP 则是连接 AI 与外部资源的'新一代通信协议'，解决标准化问题。
1. Function Call（函数调用）
这是这一套体系里的基石，主要由 OpenAI 在 2023 年 6 月引入并普及。
它本质上是一种机制，让大语言模型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。注意，模型本身不执行代码，而是输出一个结构化的调用请求。
工作流程大致如下：
- 定义：开发者向模型描述可用函数（包括名称、描述、参数列表及类型）。
- 决策：用户提问后，模型根据上下文判断是否需要调用函数，以及具体参数。
- 响应：模型返回结构化 JSON（如
{"name": "get_weather", "arguments": {"location": "Beijing"}}），而非自然语言。 - 执行：应用程序收到 JSON 后，在本地或服务器端实际执行对应代码（如调用天气 API）。
- 回复：将结果返回给模型，模型再组织成自然语言反馈给用户。
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。
- 开发层：主要面向开发者，普通用户感知不强。
举个例子，你问'北京天气怎么样？'，模型不会瞎猜，而是'调用'了你定义的 get_weather(location) 函数，拿到真实数据后再告诉你。
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（Agent）和应用平台（如 Coze, GPTs, Dify）。
简单来说，Skill 就是一个封装好的、可重复使用的功能模块。一个 Skill 内部可能包含提示词、知识库、多个 Function Call 甚至工作流。
如何运作：
- 构建：在平台上通过可视化配置，将一个完整的能力打包。比如一个'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。
- 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，串联多个动作，最终返回结果。
特点：
- 产品化：终端用户可以直接理解和使用（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。
比如在 Coze 上安装一个'全网搜索'Skill。当用户问'最近有什么科技新闻？'时，Bot 会自动使用这个 Skill 去搜索并返回结果，底层其实是通过 Function Call 来调用搜索 API。
3. MCP（Model Context Protocol）
这是由 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。
它是一个客户端 - 服务器协议，定义了一套标准，让任何兼容 MCP 的'服务器'都能被任何兼容 MCP 的'客户端'使用。
工作机制：
