目录
Function Call是啥？
Function Call工作原理
Function Call解决了什么问题？
Function Call 与 Agent
MCP是啥？
Function Call集成困境
MCP的诞生
MCP 的工作方式
Skills是啥？
Skills的工作方式
Skills的价值
Function Call是啥？
编程里的 function call = 代码调用函数；大模型领域 Function Call（也常叫 Tool Call）是大模型主动识别用户意图，然后去调用外部工具 / 函数，拿到结果再整合回答的能力。
2023年6月OpenAI正式发布Function Call。从此以后， LLM 不仅能生成文字，还能告诉外部程序【我想调用某个函数，参数是这些】。
举例来说：
在没有 Function Call 之前，LLM 就像一个只记得菜单的店员。你问他：“店里还有草莓蛋糕吗？” 他只能凭旧印象回答：“我们店售卖草莓蛋糕。”
有了 Function Call 之后，这个店员学会了查看后厨实时库存。你问他，他就查询库存系统（调用库存 API），拿到实时数据后告诉你：“草莓蛋糕今天已经售罄，芒果蛋糕还有 2 份。”
Function Call工作原理
Function Call的工作流程可以分为四步。
1、定义函数。开发者预先告诉LLM有哪些可用的工具/函数（用JSON格式描述函数名字、功能、参数），例如，下面是一个get_weather函数，接收参数为城市名称，返回天气信息。
{
"tools": [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "获取指定城市的实时天气",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称，比如：上海"
}
},
"required": ["city"]
}
}
}
]
}
2、模型判断。用户提问后，LLM会分析【要不要调用函数？调用哪些函数？】
例如：用户问：“南京今天多少度？”模型识别：这个问题需要实时天气，我自己知识库没有，需要调用get_weather，生成一段结构化 JSON。
{
"tool_calls": [
{
"type": "function",
"function": {
"name": "get_weather",
"arguments": "{\"city\": \"南京\"}"
}
}
]
}
3、函数执行。后端代码捕捉到上面的JSON，调用真实函数/API【get_weather("南京")】，拿到结果[26℃，晴]
注意！JSON 是模型输出，但是执行函数的是你的后端代码，不是模型！
4、生成结果。后端代码把拿到的真实温度数据传给LLM，有了真实数据支撑后，LLM就会用自然语言回复你：“南京今天 26 度，天气晴朗。”
Function Call解决了什么问题？
第一是何时调用、调用哪个工具的意图判断。LLM能够读懂用户自然语言，自主推理是否需要启用外部工具，以及选择对应的工具，无需开发者手写大量复杂的条件分支判断代码。
第二是提取并生成结构化入参。模型可以从用户口语化提问里，自动解析出工具所需要的结构化参数。例如用户说 “帮我查一下南京后天的天气”，LLM 能自动提取出city=南京 和 data=后天。
两项能力结合，让 LLM 不再仅仅是单纯的文本生成聊天机器人，而是可以理解用户意图、驱动外部系统运行的决策引擎。
可以说，Function Call 就是 Agent 能力的最底层技术基础，没有 Function Call，Agent 就无法调用工具，也就没法真正【干活】。
Function Call 与 Agent
Function Call：是 “单次调用工具” 的基础能力。它负责两件事：LLM要不要调用工具、提取参数并输出结构化指令，完成单轮工具调用。只有单次决策，没有任务规划、多轮思考循环。
Agent：是一套完整的自主任务执行框架。它可以拆解复杂目标、多次连续调用 Function Call，根据工具返回结果调整下一步计划，直到任务完成。
因此，Function Call 是 Agent 的原子操作，而 Agent 是对 Function Call 的高级编排。Agent 在完成一项复杂任务时，可能需要连续发起十几次 Function Call。
MCP是啥？
Function Call集成困境
Function Call 使LLM具备调用工具的能力。不过随着 Agent 能力愈发强大，需要接入的工具和服务越来越多，一个新的难题随之浮现：工具集成的成本过高、流程繁琐。
在 MCP 之前，每一款 AI 应用（N 个，如 ChatGPT、Claude、Cursor）对接每一个外部数据源 / 工具（M 个，如数据库、飞书、GitHub、本地文件），都需要单独编写定制化连接器，总开发与维护成本是N×M的量级，重复劳动严重，系统扩展性极差。且不同 AI 厂商都有私有的插件 / 工具体系（如 OpenAI 插件、Claude 原生工具、VS Code 扩展），彼此标准不兼容，一个工具无法跨多个 AI 平台复用，开发者需要多套适配方案。
MCP的诞生
2024 年 7 月，Anthropic 工程师受限于 Claude 无法直接调用外部工具，只能手动将模型回复复制到代码编辑器，工作效率低下。团队由此启动统一连接协议的设计，打通模型与外部系统。
MCP （模型上下文协议）的解决方案是将复杂的网状集成，简化为线性的连接模式。工具提供方只需按照 MCP 标准实现一次“服务端”，任何支持 MCP 的 AI 应用都能直接连接并使用它。这就像为 AI 世界建立了一个通用的“USB-C 接口”，实现了即插即用
MCP 的工作方式
MCP 基于 JSON-RPC 2.0 通信标准，采用主机 - 客户端 - 服务器三层架构，通过三类核心原语实现能力交互。
主机（Host）：即 AI 应用本身（如 Claude Desktop、Cursor），是用户直接使用的载体。负责创建和管理客户端、执行安全策略、处理用户授权、聚合多源上下文、协调模型推理。
客户端（Client）：Host为每个 MCP 服务器创建的独立连接实例，与Server一一对应。负责协议协商、消息双向路由、会话维护、订阅管理，在Host与Server之间起到桥梁作用。
服务器（Server）：外部能力与数据的提供方（如数据库、企业 OA、GitHub、本地文件系统），按照 MCP 标准对外暴露自身的能力，供 AI 模型调用。
整个流程就是：用户在 AI 应用中提问 → AI 应用（Host）通过 MCP Client 发现有哪些可用工具 → AI 决定调用某个工具→ MCP Client 向对应的 MCP Server 发送请求 → Server 执行操作返回结果 → AI 基于结果生成回答。
Skills是啥？
借助 Function Call 和 MCP，Agent 已经具备调用工具的能力，但它尚且无法合理运用工具来落地解决实际业务问题。而 Skills 正是用来补齐这一环的。Skill（技能）相当于一份面向 AI Agent 的工作手册与操作说明书：其本质是结构化提示词（Prompt），并不会提升大模型本身的基础能力，而是通过注入标准化业务流程与领域知识，让通用人工智能精准完成各类特定任务。
Skills通常以SKILL.md文件的形式存在，里面用 YAML 写元数据（名字、描述），用 Markdown 写具体的操作步骤、规则，还可以附带脚本和参考文档。你可以把它理解为一份即插即用的“专业操作手册”，喂给 AI 后，它就能按照手册里的流程干活了。下面是具体的行为指令，用自然语言写成。
---
name: Code_Review_Expert
description: 当用户要求进行代码审查时，自动触发此技能。
triggers:
- "帮我 review 一下这段代码"
- "代码审查"
---# 身份设定
你是一个拥有 10 年开发经验的资深后端架构师，你极其看重代码的可读性、性能和安全性。# 审查工作流
当你进行代码审查时，你必须严格按照以下步骤进行排查：
1. 看结构：检查代码是否符合单一职责原则，有没有超过 100 行的超长方法。
2. 查漏洞：重点检查是否存在 SQL 注入风险、越权访问风险或空指针异常风险。
3. 审性能：是否有在 for 循环里查数据库的愚蠢操作？是否有流对象没有及时 close 释放？
4. 给方案：你绝对不能只挑毛病，必须针对每个问题给出具体的修改建议，并且附带优化后的代码片段。# 输出规范
语气要专业、极其直接，不要说废话。直接输出一份 Markdown 格式的审查报告，分点列出问题和修改方案。
Skills的工作方式
Skill 的运行依托 Agent 的核心架构，遵循 “注册 - 匹配 - 执行 - 反馈” 的完整流程，并且与 MCP 等底层工具协议深度协同。
1、技能注册与动态发现。Agent 启动时加载本地技能库，或从远程企业技能仓库动态拉取可用 Skill；每个 Skill 的元数据会注册到 Agent 的能力目录中，规划器可通过语义检索快速匹配。
2、任务分解与技能匹配。当用户下达复杂任务时，Agent 的规划模块（Planner）会优先复用已有能力：拆解任务目标，识别任务类型与核心诉求；在技能库中检索是否有现成 Skill 可以直接覆盖该任务；匹配成功则直接调用对应 Skill；无匹配时，再拆解为原子工具调用。 这一机制大幅降低了大模型的规划压力，避免每次从零设计执行步骤。
3、技能执行与内部编排。Skill 被触发后，会按照预设工作流，依次调用依赖的 MCP 工具、子技能和外部资源。
4、结果返回与记忆同步。Skill 执行完成后，将结构化的最终结果返回给 Agent 主流程；执行过程中的关键中间状态、产出数据会写入 Agent 的工作记忆，支撑后续任务推理。
MCP 为 Skill 提供了标准化的底层原子能力接入。一个 Skill 可以跨服务器组合调用多个 MCP 工具与资源，比如 “生成月度经营分析报告” 这个 Skill，可以同时调用数据库 MCP 的查询工具、飞书 MCP 的文件读取工具、邮件 MCP 的发送工具 ——MCP 统一了底层连接标准，Skill 只需聚焦业务逻辑本身。
Skills的价值
Skills 的核心价值在于将专业知识和最佳实践编码成可复用的模块。
企业可以将内部标准业务流程封装成 Skill，形成企业级技能库，把零散的业务经验沉淀为可复用的 AI 能力资产。
Skill 内部流程是确定的，不需要每一步都等待大模型决策，执行时延显著降低。
