Prompt、Agent、Function Call、Skill、MCP，傻傻分不清楚？

前言

最近AI越来越火了。

我发现里面有很多概念有些小伙伴有点分不清楚，比如：Prompt、Agent、Function Call、Skill、MCP等。

今天这篇文章专门跟大家一起聊聊这个话题，希望对你会有所帮助。

更多项目实战在项目实战网：Java突击队

核心概念关系图

先上干货，这张图让你从整体上理解这五个概念是如何分层递进的：

一句话概括：

• Prompt 是你跟AI说的“人话”
• Function Call 让AI能“动手干活”
• Agent 让AI会“思考规划”
• Skill 是AI的“职业技能证书”
• MCP 是AI世界的“USB接口”

下面我们一层一层拆开揉碎了讲，每层都有Java代码示例。

第一层：Prompt——和AI对话的“普通话”

1.1 什么是Prompt？

Prompt（提示词） 就是你输入给AI的文本指令。

它就像你去餐厅点菜时说的“来一份宫保鸡丁”，AI就是那个服务员，听懂你的话然后给你上菜。

在Java里，调用AI模型的第一步就是构造Prompt。

我用最简单的Spring AI示例来演示：

importorg.springframework.ai.chat.ChatClient;importorg.springframework.ai.chat.prompt.Prompt;importorg.springframework.ai.chat.prompt.SystemPrompt;importorg.springframework.ai.chat.prompt.UserPrompt;@ServicepublicclassAIService{privatefinalChatClient chatClient;publicAIService(ChatClient chatClient){this.chatClient = chatClient;}publicStringaskAI(String question){// 构造Prompt：可以包含系统消息和用户消息Prompt prompt =newPrompt(newSystemPrompt("你是一个Java架构师，擅长用通俗的语言解释技术概念。"),newUserPrompt(question));// 调用AI并返回结果return chatClient.call(prompt).getResult().getOutput().getContent();}}

这里的SystemPrompt和UserPrompt就是最基础的Prompt形式。

它们决定了AI的身份和你要问的问题。

1.2 Prompt的高级玩法

光有基础Prompt还不够，在实际应用中我们经常需要提示词工程来引导AI做出更好的回答。比如：

publicStringgenerateJavaCode(String requirement){String promptTemplate =""" 你是一个资深的Java开发工程师。 请根据以下需求生成Java代码，代码要包含必要的注释，并考虑异常处理： 需求：%s 请输出完整的Java类代码。 """;String prompt =String.format(promptTemplate, requirement);return chatClient.call(newPrompt(prompt)).getResult().getOutput().getContent();}

Prompt的本质：它是人类意图与AI能力之间的“翻译官”。

Prompt写得好，AI才能干得好。

第二层：Function Calling——让AI从“说话”到“动手”

Prompt只能让AI“说话”，但AI想干点实事（比如查数据库、发邮件、调用第三方API）时，就无能为力了。

Function Calling（函数调用） 就是来解决这个问题的。

2.1 什么是Function Calling？

Function Calling允许开发者在调用大模型时，注册一系列函数（工具），模型在生成回复时如果判断需要调用外部工具，就会返回一个结构化的请求，由开发者执行真实的函数，再把结果返回给模型生成最终答案。

原理图如下：

2.2 Java实现Function Calling

我用LangChain4j来演示，因为它对Java开发者很友好。首先定义工具函数：

importdev.langchain4j.agent.tool.Tool;importjava.time.LocalDateTime;importjava.time.format.DateTimeFormatter;publicclassWeatherTool{@Tool("获取指定城市的实时天气")publicStringgetWeather(String city){// 这里应该是真实的API调用，为了演示我们模拟数据if("北京".equals(city)){return"北京当前天气：晴，温度25℃，湿度40%";}elseif("上海".equals(city)){return"上海当前天气：小雨，温度22℃，湿度80%";}else{return"抱歉，暂不支持该城市天气查询";}}@Tool("获取当前时间")publicStringgetCurrentTime(){returnLocalDateTime.now().format(DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss"));}}

然后创建AI服务并绑定工具：

importdev.langchain4j.model.chat.ChatLanguageModel;importdev.langchain4j.model.openai.OpenAiChatModel;importdev.langchain4j.service.AiServices;publicclassWeatherAssistant{interfaceAssistant{Stringchat(String userMessage);}publicstaticvoidmain(String[] args){ChatLanguageModel model =OpenAiChatModel.builder().apiKey(System.getenv("OPENAI_API_KEY")).modelName("gpt-4").build();Assistant assistant =AiServices.builder(Assistant.class).chatLanguageModel(model).tools(newWeatherTool())// 注册工具.build();// 用户提问String response = assistant.chat("北京现在天气怎么样？");System.out.println(response); response = assistant.chat("现在几点了？");System.out.println(response);}}

当用户问天气时，模型会判断需要调用getWeather函数，LangChain4j自动处理了函数调用的整个流程，最后把结果整合成自然语言返回。

2.3 Function Calling的核心价值

让AI从“静态知识”变成“动态能力”。

没有Function Calling，AI只能回答训练数据里的内容；有了它，AI可以实时获取最新信息，甚至可以操作你的系统。

第三层：Agent——会思考、会规划的“智能体”

Function Calling让AI能调用工具，但它还是被动的一问一答。

如果遇到复杂任务，比如“帮我规划一次杭州三日游”，需要查天气、查景点、查酒店、算预算……这时候就需要Agent（智能体） 出场了。

3.1 什么是Agent？

Agent是一个能够感知环境、做出决策并执行动作的自主系统。

它不像Function Calling那样只是“单次工具调用”，而是具备完整的“思考-行动-观察”闭环能力。

通俗说，Function Calling是“会用手”，Agent是“有大脑”。

3.2 ReAct：Agent的核心决策模式

目前主流Agent都采用ReAct（Reasoning + Acting）框架。

它的工作流程是：

1. 思考（Thought）：分析当前状态，决定下一步要做什么
2. 行动（Action）：调用某个工具
3. 观察（Observation）：获取工具返回的结果
4. 循环：直到任务完成

3.3 Java实现一个简单的ReAct Agent

我们用LangChain4j的AiServices结合工具来实现Agent。

首先定义多个工具：

importdev.langchain4j.agent.tool.Tool;publicclassTravelTools{@Tool("查询某城市未来一周的天气")publicStringqueryWeather(String city){// 模拟天气查询return city +"未来一周天气：前三天晴，后四天多云，气温20-28℃";}@Tool("查询某城市的知名景点")publicStringqueryAttractions(String city){// 模拟景点查询if("杭州".equals(city)){return"杭州知名景点：西湖、灵隐寺、西溪湿地、宋城";}elseif("上海".equals(city)){return"上海知名景点：外滩、东方明珠、迪士尼乐园";}return"暂无该城市景点信息";}@Tool("计算预算")publicStringcalculateBudget(String city,int days){// 模拟预算计算int base =500;int total = base * days;return city + days +"天游预算约为："+ total +"元（不含大交通）";}}

然后创建Agent：

importdev.langchain4j.model.chat.ChatLanguageModel;importdev.langchain4j.model.openai.OpenAiChatModel;importdev.langchain4j.service.AiServices;importdev.langchain4j.memory.chat.MessageWindowChatMemory;publicclassTravelAgent{interfaceTravelPlanner{StringplanTrip(String request);}publicstaticvoidmain(String[] args){ChatLanguageModel model =OpenAiChatModel.builder().apiKey(System.getenv("OPENAI_API_KEY")).modelName("gpt-4").build();TravelPlanner agent =AiServices.builder(TravelPlanner.class).chatLanguageModel(model).tools(newTravelTools()).chatMemory(MessageWindowChatMemory.withMaxMessages(20))// 记忆，让Agent能记住上下文.build();String result = agent.planTrip("帮我规划一个3天的杭州游，包括天气、景点和预算");System.out.println(result);}}

这个Agent会自己决定先查天气、再查景点、再算预算，然后把所有信息整合成一份完整的旅行计划。整个过程是自主的，不需要我们写死流程。

3.4 Agent与Function Calling的关系

Function Calling是Agent的“手”，Agent是拥有“大脑”的完整系统。

Agent通过Function Calling调用工具，但Agent多了“规划”和“记忆”能力，能处理更复杂的任务。

更多项目实战在项目实战网：Java突击队

第四层：Skill——封装专业知识的“技能包”

当Agent需要处理不同领域的任务时，如果让一个Agent掌握所有知识和工具，会变得臃肿且容易出错。

这时候就需要Skill（技能） 的概念。

4.1 什么是Skill？

Skill是一套封装了特定领域知识、最佳实践和工具组合的“技能包”。

它就像我们人类的职业资格证书——一个医生有“看病技能”，一个程序员有“写代码技能”。

Anthropic最早提出Skill概念，一个Skill通常包含：

• 领域专用的提示词模板
• 一组相关的工具函数
• 特定的工作流逻辑

4.2 Java中如何组织Skill？

我们可以把Skill定义为一个独立的模块，包含自己的工具类和提示模板。

例如，一个“前端开发Skill”：

// 前端技能专属工具publicclassFrontendTools{@Tool("生成React组件代码")publicStringgenerateReactComponent(String componentName,String props){return""" import React from 'react'; const %s = (%s) => { return <div>Hello, {props.name}</div>; }; export default %s; """.formatted(componentName, props, componentName);}@Tool("检查CSS命名规范")publicStringcheckCssNaming(String cssCode){// 模拟CSS检查逻辑return"CSS规范检查通过";}}// 前端技能的提示词模板publicclassFrontendPrompts{publicstaticfinalStringSYSTEM_PROMPT=""" 你是一个资深前端开发工程师，精通React、Vue、CSS等前端技术。 请严格按照前端最佳实践生成代码，确保代码可维护。 """;}// 创建前端专家AgentpublicclassFrontendAgent{publicstaticvoidmain(String[] args){ChatLanguageModel model =OpenAiChatModel.builder().apiKey(System.getenv("OPENAI_API_KEY")).modelName("gpt-4").build();Developer assistant =AiServices.builder(Developer.class).chatLanguageModel(model).tools(newFrontendTools()).systemMessageProvider(ignored ->FrontendPrompts.SYSTEM_PROMPT).build();String code = assistant.generateCode("创建一个计数器组件，有加一减一按钮");System.out.println(code);}}

4.3 Skill与Agent的关系

在大型系统中，我们通常会有多个Agent，每个Agent加载不同的Skill：

• 前端Agent：加载ReactSkill、CSSSkill
• 后端Agent：加载SpringSkill、DatabaseSkill
• 运维Agent：加载K8sSkill、MonitoringSkill

每个Agent只拥有完成自己领域任务所需的最小知识集，既提高了精准度，又保障了安全。

4.4 Function Call和Skill有什么区别？

一句话说清本质：

• Function Call 是一种能力：让AI能够调用外部函数（工具）
• Skill 是一个模块：封装了特定领域的知识、最佳实践和一组相关的Function Call

用个比喻：

• Function Call 像锤子、螺丝刀、扳手这些具体工具
• Skill 像木工工具箱：里面有锤子、锯子、尺子，还附带一本《木工操作手册》

下面从代码看看它们的区别。

Function Call：单个工具

publicclassWeatherTool{@Tool("获取天气")publicStringgetWeather(String city){// 调用天气APIreturncallWeatherAPI(city);}}

这个工具只能干一件事：查天气。

Skill：完整的专业能力包

// 前端开发Skill - 包含多个工具 + 专业知识publicclassFrontendSkill{// 工具1：生成React组件@Tool("生成React组件")publicStringgenerateComponent(String name){return"React组件代码...";}// 工具2：检查CSS规范@Tool("检查CSS规范")publicStringcheckCss(String css){return"检查结果...";}// 工具3：优化性能建议@Tool("提供前端性能优化建议")publicStringperformanceAdvice(String code){return"优化建议...";}// 还有领域知识（不是工具，而是提示词模板）publicstaticfinalStringSYSTEM_PROMPT="你是一个资深前端专家，精通React、Vue、CSS优化...";}

这个Skill包含了多个工具，还带有领域知识。

核心区别对比表：

为什么需要区分这两个概念？

1. 设计层面的解耦：Function Call是底层能力，Skill是业务封装。底层能力稳定，上层业务可以灵活组合。
2. 复用性：好的Skill可以跨项目复用，就像代码库里的工具包。
3. 安全性：可以给不同的Agent分配不同的Skill，实现权限隔离（前端Agent不能调用后端数据库）。

总结：

• Function Call：AI的“手”，能干活
• Skill：AI的“职业培训证书”，让AI知道怎么干好某个领域的事

Function Call + 领域知识 + 最佳实践 = Skill

下次再有人问这个问题，你可以直接甩给他这张表，然后说：“锤子是Function Call，工具箱是Skill，懂了吗？”

更多项目实战在项目实战网：Java突击队

第五层：MCP——统一工具调用的“世界语”

随着Agent越来越多，每个Agent都要接入不同的工具，每个AI模型（OpenAI、Claude、文心一言）的Function Calling格式还不一样。

这就导致开发者要针对每个模型写一套工具适配代码，非常痛苦。

MCP（Model Context Protocol，模型上下文协议） 就是来解决这个问题的。

5.1 什么是MCP？

MCP是Anthropic提出的一个标准化协议，它定义了一套统一的接口，让AI模型可以像USB设备一样动态发现和调用工具。

核心思想：

• 工具以Server的形式暴露（MCP Server）
• AI应用作为Client（MCP Client）连接Server
• Server提供工具清单和调用接口
• Client统一格式调用，无需关心底层工具具体实现

5.2 MCP的工作流程

更多项目实战在项目实战网：Java突击队

5.3 Java中使用MCP

Spring AI 2.0已经原生支持MCP，可以非常方便地构建MCP客户端和服务器。

定义MCP Server（工具提供方）：

importorg.springframework.ai.mcp.server.McpServer;importorg.springframework.ai.mcp.server.McpServerFeatures;importorg.springframework.ai.mcp.server.McpServerRegistrar;importorg.springframework.ai.mcp.spec.McpSchema;@ComponentpublicclassWeatherMcpServer{@BeanpublicMcpServerRegistrarweatherServer(){// 定义工具McpSchema.Tool weatherTool =newMcpSchema.Tool("getWeather","获取城市天气",newMcpSchema.JsonSchema(Map.of("type","object","properties",Map.of("city",Map.of("type","string","description","城市名称")),"required",List.of("city"))));// 创建ServerMcpServerFeatures.AsyncServerSpec serverSpec =McpServerFeatures.async().tool(weatherTool,(request)->{String city = request.arguments().get("city").asText();// 执行真实逻辑String weather ="北京当前天气：晴，25℃";returnCompletableFuture.completedFuture(newMcpSchema.CallToolResult(List.of(newMcpSchema.TextContent(weather)),false));});returnMcpServerRegistrar.builder().name("weather-server").server(serverSpec).build();}}

MCP Client调用：

importorg.springframework.ai.mcp.client.McpClient;importorg.springframework.ai.mcp.client.McpClientFeatures;@ServicepublicclassAIServiceWithMCP{privatefinalChatClient chatClient;privatefinalMcpClient mcpClient;publicAIServiceWithMCP(ChatClient chatClient){this.chatClient = chatClient;// 连接到MCP Serverthis.mcpClient =McpClientFeatures.async().connect("weather-server","http://localhost:8080/mcp");}publicStringaskWeather(String city){// 通过MCP调用工具McpSchema.CallToolResult result = mcpClient.callTool("getWeather",Map.of("city", city)).join();String weather = result.content().get(0).text();// 也可以让AI自动决定是否调用工具Prompt prompt =newPrompt("查询"+ city +"天气");return chatClient.call(prompt).getResult().getOutput().getContent();}}

5.4 MCP与Skill的关系

MCP和Skill是互补的：

• MCP 解决“怎么连”的问题——标准化工具调用协议
• Skill 解决“连什么”的问题——封装专业知识和工具集合

一个典型的架构是：Agent通过MCP调用各种Skill暴露的工具。

这样，无论底层工具如何变化，Agent都不需要修改代码，只需要通过MCP动态发现即可。

一张表彻底分清五个概念

这五个概念构成了AI应用开发的完整分层：

• Prompt是地基，没有它AI听不懂人话
• Function Call是第一层楼，让AI能动手
• Agent是第二层，让AI会思考
• Skill是装修，让AI更专业
• MCP是连接各层的管道，让整个系统灵活可扩展

总结

有些小伙伴可能会问：“我现在应该先学哪个？”

我的建议是：从Prompt开始，这是所有AI应用的基础。

理解了Prompt，再逐步接触Function Call，然后尝试搭建简单的Agent。

至于Skill和MCP，可以先了解概念，等你的应用复杂到需要多个Agent协作时，再深入学习也不迟。

Prompt、Function Call、Agent、Skill、MCP，正是AI应用开发的“五层楼”，每一层都让我们离业务更近，离底层细节更远。

开源地址：

• Spring AI：https://github.com/spring-projects/spring-ai
• LangChain4j：https://github.com/langchain4j/langchain4j
• MCP规范：https://github.com/modelcontextprotocol

更多项目实战在项目实战网：Java突击队