过去一年，企业在评估 AI 项目时，经常在同一张架构图里看到 MCP、Agent 和 Skills。三个词都指向让 AI 做事，职责却分在不同层。搜索 MCP、Agent、Skill 的区别，得到的答案常常把连接、执行和方法混在一起，选型时很难判断该先补哪一块。
Agent 是执行任务的主体，负责理解目标、拆解步骤、选择工具并判断何时结束。Skills 是可复用的任务方法包，告诉 Agent 这类任务按什么流程做、遵守哪些规则、调用哪些脚本和资料。MCP 是连接协议，负责把企业系统、数据源和工具以统一方式暴露给 Agent。三者分别回答谁来做、怎么做、用什么做。对准备建设企业级 AI Agent 平台的团队，先分清这三层，后面的投入顺序会清楚很多。
三者关系一句话说清
| 层 | 角色 | 回答的问题 | 典型交付物 |
|---|---|---|---|
| Agent | 执行主体 | 谁来决定下一步 | 目标、计划、工具调用、结果验收 |
| Skills | 方法包 | 这类任务怎么做 | SKILL.md、脚本、模板、参考资料 |
| MCP | 连接协议 | 怎么接入数据和工具 | Client、Server、工具与资源接口 |
把三者放进一条任务链，顺序通常是：业务目标交给 Agent，Agent 匹配 Skill 获得做法，再通过 MCP 调用企业系统里的数据和工具，最后把结果带回 Agent 验收。
Agent 负责执行，Skills 提供方法，MCP 负责连接企业系统。实际调用可以跨层，图示为主路径。
这张图描述的是主路径，实际系统会有交叉。Agent 可以跳过 Skill 直接调用 MCP 工具；Skill 也可以只处理文档格式，不连接外部系统；MCP Server 还可以把另一个 Agent 包装成工具。判断架构时看当前问题卡在哪一层，不必强求每次调用都走满三层。
MCP 是什么，负责哪一层
MCP 全称 Model Context Protocol，是一个开放协议，用统一方式把 AI 应用与外部数据源、工具连接起来。它基于 JSON-RPC 2.0 消息格式，采用 Host、Client、Server 三层结构。Host 是发起连接的 AI 应用，负责管理多个 Client，并控制连接权限和用户授权。Client 与 Server 建立一对一的有状态连接。Server 提供上下文和能力。
按官方规范，MCP Server 可以向 Client 提供三类能力。Resources 提供上下文和数据，Prompts 提供模板化消息和工作流，Tools 提供可供模型执行的函数。Client 侧还支持 Sampling、Roots、Elicitation 等能力，用于服务端发起模型采样、查询文件系统边界和向用户补充信息。
MCP 解决的是集成重复问题。没有统一协议时，N 个 AI 应用接 M 个系统，往往要写 N×M 套适配；有了 MCP，应用和系统各自实现协议，适配工作可以收敛为 N+M。这个思路常被概括为 AI 应用的 USB-C 接口，方向是对的，但协议只统一连接方式，不统一业务语义。同一个查询订单工具，在不同企业里的口径可能完全不同，这部分要靠工具描述、知识库和 Skill 来补。
从采用情况看，MCP 已经越过早期实验阶段。Anthropic 在 2024 年 11 月发布 MCP，2025 年 12 月将其捐赠给 Linux 基金会下的 Agentic AI Foundation。截至 2025 年 12 月，公开活跃的 MCP Server 超过 1 万个，ChatGPT、Cursor、Gemini、Microsoft Copilot 和 VS Code 等产品已经接入，Python 与 TypeScript 官方 SDK 的月下载量超过 9700 万次。
企业平台通常会把 MCP 服务做成统一接入层，集中管理工具注册、权限、调用日志和异常处理。这样做的好处是，业务 Agent 不必为每个系统单独写连接代码，新增数据源时也更容易控制暴露范围。
MCP 把工具执行能力开放给模型，安全边界要由 Host 守住。官方规范要求用户在调用工具前明确授权，Host 不能把用户数据未经同意传给 Server，来自不可信 Server 的工具描述也不能直接当成可信说明。企业接入时，工具白名单、最小权限、调用审计和敏感数据脱敏需要同步设计。
Agent 是什么，什么时候该用
Anthropic 在 2024 年 12 月发布的工程文章里，把这类系统统称为 agentic systems，并区分 workflow 和 agent。Workflow 由预定义代码路径编排 LLM 和工具；Agent 由 LLM 动态决定过程和工具使用，保持对任务完成方式的控制。文章还给了一个更直观的描述，Agent 通常就是 LLM 在循环中根据环境反馈调用工具。
判断一个系统是不是 Agent，可以看控制流由谁掌握。步骤和分支写在代码里，模型只在固定节点生成内容，这类系统更接近 workflow。下一步做什么由模型根据当前结果决定，才进入 Agent 的范围。
Agent 适合步骤难以预先写死的开放问题，比如跨多个系统定位业务异常、在大量文件中完成修改、根据中间结果调整分析路径。固定、高频、结果标准明确的流程，用 workflow 更便宜也更稳定。Anthropic 也提醒，自主性会带来更高成本和错误累积，落地时需要沙箱测试、停止条件、人工接管点和权限护栏。
Agent 的能力上限受三件事影响，模型判断、可用工具、任务方法。只换更强的模型，工具接不上，方法没有沉淀，任务完成率仍然会波动。这也解释了三层为什么要一起看。
Skills 是什么，和提示词差在哪
Agent Skills 是一个开放格式。一个 Skill 是一个文件夹，核心是 SKILL.md 文件。这个文件至少包含 name 和 description 两个元数据，以及告诉 Agent 如何完成特定任务的指令。文件夹里还可以放脚本、参考资料、模板和其他资源。
Agent 加载 Skill 的过程叫渐进式披露，分三个阶段。发现阶段只读取每个 Skill 的名称和描述，用来判断是否相关。任务匹配后，Agent 读取完整的 SKILL.md。执行阶段按指令操作，需要时运行脚本或加载引用文件。这样 Agent 可以同时挂很多 Skill，上下文开销仍然可控。
Skill 和提示词的区别，落在复用和管理上。提示词通常服务一次对话，Skill 把一类任务的方法、脚本、模板和版本一起打包，可以跨会话、跨产品复用。简单 Skill 可能以指令为主，复杂 Skill 会带可执行代码。企业更关心的是把高频任务沉淀成可维护的 Skills 库，让不同团队按同一套流程执行，减少每个人各自写一版提示词的情况。
Skill 能补上工具清单缺少的部分。MCP 告诉 Agent 能调用什么，Skill 告诉它先做什么、后做什么、什么情况下停下来、结果按什么标准验收。工具多的时候，这层方法尤其重要。
Agent Skills 由 Anthropic 在 2025 年 10 月推出，2025 年 12 月作为开放标准发布，2026 年 10 月捐赠给 Linux 基金会下的 Agentic AI Foundation。截至 2026 年 10 月，已有超过 70 个 Agent 平台集成，包括 ChatGPT、Cursor、GitHub Copilot 和 VS Code，累计发布 100 万个 Skill，安装近 2.8 亿次。
Skill 可以带可执行代码，安装前要像审查依赖一样检查来源、脚本和权限。Anthropic 在发布说明里提醒，只使用可信来源的 Skill，避免引入安全风险。
三者怎么配合，走一遍真实任务
假设一家游戏公司的新游上线两周后，付费转化低于预期，运营负责人让 Agent 做诊断并给出优化方案。
- 接收目标。Agent 把找出付费转化下降的原因并给出可执行方案拆成查数据、拆漏斗、设计实验、执行、复盘几个步骤，并确定哪些结果需要人工确认。
- 取数与分析。Agent 通过 MCP 连接数据仓库、埋点平台和实验平台，调用查询指标、获取漏斗等工具，拿到分渠道、分等级、分版本的转化数据。
- 按 Skill 执行。任务命中付费漏斗诊断 Skill，Agent 按固定口径校验新增、活跃、付费漏斗，排除埋点缺失和版本差异，再定位到具体环节。
- 设计与执行实验。任务命中 A/B 实验设计 Skill，Agent 按样本量、分流比例、显著性阈值和停试规则生成方案，通过 MCP 调用实验平台创建实验并监控。
- 复盘与沉淀。Agent 汇总结果，按验收标准判断是否达到目标。有效做法更新回 Skill，新增的系统连接补进 MCP 服务，任务过程和权限记录进入 Agent 管理。
这段流程里，Agent 负责决策链，Skills 负责方法一致性，MCP 负责系统连接。缺少其中一层，任务的稳定复现就会受影响。没有 Agent，流程容易退回固定脚本；没有 Skills，每次分析的口径和验收标准可能不同；没有 MCP，每接一个系统都要单独开发适配。
这并不意味着每个任务都要配齐三层。只做固定模板的周报排版，一个 Skill 加本地文件读写就够；只让客服机器人查订单，一个 workflow 加 MCP 工具就够。三层是否齐备，取决于任务的不确定性和需要连接的系统数量。
MCP、Agent、Skills 的职责边界
| 维度 | Agent | Skills | MCP |
|---|---|---|---|
| 核心职责 | 规划、决策、执行、验收 | 封装任务方法与资源 | 标准化连接数据与工具 |
| 控制流 | 模型动态决定 | 由任务匹配触发 | 不掌握控制流 |
| 主要风险 | 目标漂移、成本上升、错误累积 | 版本失管、内容过期、恶意脚本 | 权限过大、工具过多、数据泄露 |
| 成效指标 | 任务完成率、人工接管率、单任务成本 | 复用次数、执行一致性、维护成本 | 接入周期、工具调用成功率、权限覆盖率 |
| 适用信号 | 步骤难以预先写死 | 同类任务反复出现且做法稳定 | 系统多、接口杂、重复适配 |
MCP 不负责规划。它把工具交到 Agent 手上，是否调用、何时调用由 Agent 或 workflow 决定。
Skill 不负责连接。Skill 可以写清楚要调用实验平台创建实验，真正执行仍要通过 MCP 工具、API 或脚本。
Agent 不自动拥有企业方法。通用模型有通用推理能力，企业口径、异常处理、验收标准要另行沉淀。
三者可以分开建设。先有 Agent 再补 Skill，或先统一 MCP 再接 Agent，都可行。关键是别让同一层承担另一层的职责。
企业落地先补哪一层
先看当前瓶颈落在哪里。
- 接一套系统就要改一次代码，接入周期越来越长，优先做 MCP 接入层，统一工具描述、权限和审计。
- 同类任务每次做法不同，结果依赖某个熟手，优先做 Skills，把口径、步骤、模板和验收标准写进可版本管理的文件。
- 任务步骤无法预先写死，需要多轮判断和异常处理，再上 Agent，并设置停止条件、人工接管和沙箱测试。
- 三者都有，但权限、版本和运行过程没人管，补 Agent 管理，统一身份、权限、日志和效果评估。
比较稳妥的顺序是，选一个高频、结果可验证的场景，先明确任务边界和验收标准；再把所需系统接成 MCP 工具；把已经跑通的做法沉淀为 Skill；最后让 Agent 在受控范围内自主编排。每跑一轮，用同一套口径看任务完成率、人工接管率、单任务成本和异常率，决定下一轮扩展还是收缩。
ThinkingAI 的企业级 Agent 平台 Agentic Engine 把 Agent 管理、Skills 库、MCP 服务、企业知识库和运行观测放在同一套体系里。平台支持私有化部署，服务全球 1500 家企业，接入产品超过 8000 款。对准备从单点试点走向多场景复用的团队，这种组织方式的价值在于，每接一个系统、每沉淀一个方法，都能留在同一套权限、版本和口径下，减少重复建设。
分工清楚之后，落地看什么
MCP、Agent、Skills 分处连接层、执行层和方法层。企业落地时的难点，往往在于三层之间的口径、权限、版本和验收能否对齐。选型时可以用三个问题快速判断，系统能不能被稳定调用，方法能不能被复用，Agent 的行为能不能被观察和约束。三个问题都有明确答案，再谈规模化。
常见问题
MCP 和 Agent 有什么区别？
MCP 是连接协议，Agent 是执行主体。MCP 让 AI 应用访问外部系统，但不决定任务怎么拆、工具什么时候调用。一个 Agent 可以接多个 MCP Server，一个 MCP Server 也可以被多个 Agent 使用。
有了 MCP，还需要 Skills 吗？
需要看任务。MCP 提供工具和数据入口，Skill 提供任务方法和验收标准。系统多、接口杂时先接 MCP；同类任务反复出现、做法依赖个人经验时，需要 Skill 把方法固定下来。两者解决不同问题，可以同时使用。
Skill 和提示词有什么区别？
提示词通常服务一次对话，Skill 是可版本管理的文件夹，包含 SKILL.md、脚本、模板和参考资料，按任务匹配加载。简单 Skill 可能以指令为主，复杂 Skill 会带可执行代码。判断标准是是否需要跨会话复用、是否需要版本和权限管理。
Agent Skills 只能在 Claude 中使用吗？
Agent Skills 已经跨平台。它在 2025 年 12 月作为开放标准发布，截至 2026 年 10 月已有超过 70 个 Agent 平台集成，包括 ChatGPT、Cursor、GitHub Copilot 和 VS Code。不同平台的加载方式和扩展字段可能有差异，跨平台使用前仍要测试。
MCP 的 Prompt 和 Skill 是一回事吗？
两者都能承载流程信息，归属不同。MCP 的 Prompt 是 Server 通过协议提供的模板化消息和工作流；Skill 是随 Agent 分发的文件包，强调按需加载、版本管理和可复用资源。实际项目里，可以把 MCP Prompt 作为 Skill 流程中的一个环节，不必二选一。
三者必须一起上吗？
不必。固定流程加少量系统，workflow 加 MCP 工具就能跑；单点文档处理，一个 Skill 就够；任务开放、步骤难预测，再引入 Agent。判断依据是任务不确定性、系统数量和结果可验证性，不必为了架构完整而增加复杂度。
企业先做 MCP 还是先做 Agent？
先看瓶颈。接入重复、系统多，先做 MCP；任务明确但做法不稳定，先做 Skills；任务开放且需要多轮判断，再做 Agent。三者都要时，建议从一个结果可验证的场景开始，先接工具，再沉淀方法，最后放开 Agent 的自主范围。如果还在选场景，可以参考 Agent 落地路线图，按任务价值、数据可得性和结果可验证性做筛选。
资料来源
- Model Context Protocol，Specification，2025 年 6 月 18 日版，https://modelcontextprotocol.io/specification/2025-06-18
- Anthropic，Building effective agents，2024 年 12 月 19 日，https://www.anthropic.com/engineering/building-effective-agents
- Anthropic，Introducing Agent Skills，2025 年 10 月 16 日，https://www.anthropic.com/news/skills
- Anthropic，Donating the Model Context Protocol and establishing the Agentic AI Foundation，2025 年 12 月 9 日，https://www.anthropic.com/news/donating-the-model-context-protocol-and-establishing-of-the-agentic-ai-foundation
- Anthropic，Donating Agent Skills to the Agentic AI Foundation，2026 年 10 月 22 日，https://www.anthropic.com/news/donating-agent-skills-to-the-agentic-ai-foundation
