前言
随着人工智能技术的快速发展，Prompt、Agent、Function Call、Skill、MCP 等概念常被混淆。本文旨在厘清这些概念的关系并提供 Java 实现方案。
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：
import org.springframework.ai.chat.ChatClient;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.ai.chat.prompt.SystemPrompt;
import org.springframework.ai.chat.prompt.UserPrompt;
@Service
public class AIService {
private final ChatClient chatClient;
public AIService(ChatClient chatClient) {
this.chatClient = chatClient;
}
public String askAI(String question) {
// 构造 Prompt：可以包含系统消息和用户消息
Prompt prompt = new Prompt(
new SystemPrompt("你是一个 Java 架构师，擅长用通俗的语言解释技术概念。"),
new UserPrompt(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：
public String generateJavaCode(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(new Prompt(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：
import dev.langchain4j.agent.tool.Tool;
import java.time.LocalDateTime;
import java.time.format.DateTimeFormatter;
public class WeatherTool {
@Tool("获取指定城市的实时天气")
public String getWeather(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%";
} else if ("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")
public String getCurrentTime() {
return LocalDateTime.now().format(DateTimeFormatter.ofPattern("yyyy-MM-dd HH:mm:ss"));
}
}
然后创建 AI 服务并绑定工具：
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;
public class WeatherAssistant {
interface Assistant {
String chat(String userMessage);
}
public static void main(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(new WeatherTool()) // 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。
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：
- 思考（Thought）：分析当前状态，决定下一步要做什么
- 行动（Action）：调用某个工具
- 观察（Observation）：获取工具返回的结果
- 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：
import dev.langchain4j.agent.tool.Tool;
public class TravelTools {
@Tool("查询某城市未来一周的天气")
public String queryWeather(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")
public String queryAttractions(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";
} else if ("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")
public String calculateBudget(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：
import dev.langchain4j.model.chat.ChatLanguageModel;
import dev.langchain4j.model.openai.OpenAiChatModel;
import dev.langchain4j.service.AiServices;
import dev.langchain4j.memory.chat.MessageWindowChatMemory;
public class TravelAgent {
interface TravelPlanner {
String planTrip(String request);
}
public static void main(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(new TravelTools())
.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。
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
public class FrontendTools {
@Tool("生成 React 组件代码")
public String generateReactComponent(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")
public String checkCssNaming(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
public class FrontendPrompts {
public static final String SYSTEM_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 Agent
public class FrontendAgent {
public static void main(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( ())
.systemMessageProvider(ignored -> FrontendPrompts.SYSTEM_PROMPT)
.build();
assistant.generateCode();
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
public class WeatherTool {
@Tool("获取天气")
public String getWeather(String city) {
// 调用天气 API
return callWeatherAPI(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
public class FrontendSkill {
// 工具 1：生成 React 组件
@Tool("生成 React 组件")
public String generateComponent(String name) {
return "React 组件代码...";
}
// 工具 2：检查 CSS 规范
@Tool("检查 CSS 规范")
public String checkCss(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")
public String performanceAdvice(String code) {
return "优化建议...";
}
// 还有领域知识（不是工具，而是提示词模板）
public static final String SYSTEM_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：
| 维度 | Function Call | Skill |
|---|---|---|
| 本质 | 单一能力 | 能力集合 + 知识 |
| 粒度 | 原子操作 | 业务模块 |
| 是否包含工具 | 本身就是工具 | 包含多个工具 |
| 是否包含知识 | 不包含 | 包含领域知识和最佳实践 |
| 类比 | 单个螺丝刀 | 电工工具箱 + 电工手册 |
| 应用场景 | 查天气、发邮件等单次操作 | 前端开发、运维管理、财务分析等专业领域 |
| 代码形式 | 单个 @Tool 方法 | 多个 @Tool 方法 + 系统提示词 |
为什么需要区分这两个概念？
- 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。
- 复用性：好的 Skill 可以跨项目复用，就像代码库里的工具包。
- 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？'
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
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）：
import org.springframework.ai.mcp.server.McpServer;
import org.springframework.ai.mcp.server.McpServerFeatures;
import org.springframework.ai.mcp.server.McpServerRegistrar;
import org.springframework.ai.mcp.spec.McpSchema;
@Component
public class WeatherMcpServer {
@Bean
public McpServerRegistrar weatherServer() {
// 定义工具
McpSchema.Tool weatherTool = new McpSchema.Tool(
"getWeather",
"获取城市天气",
new McpSchema.JsonSchema(Map.of(
"type", "object",
"properties", Map.of("city", Map.of("type", "string", "description", "城市名称")),
"required", List.of("city")
))
);
// 创建 Server
McpServerFeatures.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℃";
return CompletableFuture.completedFuture(
.CallToolResult(List.of( .TextContent(weather)), )
);
});
McpServerRegistrar.builder()
.name()
.server(serverSpec)
.build();
}
}
MCP Client 调用：
import org.springframework.ai.mcp.client.McpClient;
import org.springframework.ai.mcp.client.McpClientFeatures;
@Service
public class AIServiceWithMCP {
private final ChatClient chatClient;
private final McpClient mcpClient;
public AIServiceWithMCP(ChatClient chatClient) {
this.chatClient = chatClient;
// 连接到 MCP Server
this.mcpClient = McpClientFeatures.async()
.connect("weather-server", "http://localhost:8080/mcp");
}
public String askWeather(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 = new Prompt("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
| 概念 | 一句话定义 | 核心作用 | Java 生态代表 |
|---|---|---|---|
| Prompt | 给 AI 的指令 | 告诉 AI 要做什么 | Spring AI 的 Prompt 类 |
| Function Call | 让 AI 能调用外部工具 | 赋予 AI 行动能力 | LangChain4j 的 @Tool 注解 |
| Agent | 能自主决策的智能系统 | 完成复杂任务的闭环 | LangChain4j 的 AiServices + 记忆 |
| Skill | 封装专业知识的技能包 | 固化领域知识和最佳实践 | 模块化的工具集合 + 提示模板 |
| MCP | 统一工具调用的标准协议 | 让所有 AI 用同一套接口 | Spring AI 的 MCP 支持 |
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：
