企业官网建设流程全解析

🎭 工位小剧场：工具已经接上，为什么任务还是做不稳？

格格把 CRM 查询、日历读取和群消息发送都接好了，测试时却发现：Agent 有时漏算环比，有时没核对统计周期，还会绕过审批直接发群。

格格问：“工具不是都能调了吗，为什么还要做 Skill？”

老K回答：“你解决的是能不能连接，还没有解决应该按什么顺序、什么标准完成。MCP 像统一插座，Skill 像团队的操作手册。”

能调到工具，不等于能把业务做对。

这个类比的边界是：MCP 不只是一个“插座”，它还定义能力发现、参数与结果等交互方式；Skill 也不只是文字说明，还可以包含脚本、模板和参考资料。

🧭 用一句话分清 MCP 和 Skill

MCP 解决“Agent 如何用统一方式连上外部系统”，Skill 解决“Agent 怎样稳定地完成某类任务”。

按照 MCP 的官方说明，MCP Server 可以向 AI 应用暴露三类主要能力：

• Tools：可执行的动作，比如查订单、发邮件、写文件；
• Resources：可读取的数据，比如文件内容、知识库、Git 历史；
• Prompts：可重用的消息模板。

也就是说，MCP 不只是“又一种 API”。它还规定了 AI 应用如何发现和使用这些能力。官方 TypeScript SDK 将它概括为：连接 AI 应用与数据、工具所在系统的开放标准。

而 Agent Skill 更像一个可按需取用的任务包。它通常以SKILL.md为入口，除了操作说明，还可以附带脚本、参考资料和模板。它传递的核心不是“有什么系统能调”，而是“这类任务应该怎么做”。

硬核一点：一次 MCP 调用到底怎么跑？

MCP 的核心不是“让模型直接连数据库”，而是在 Host、Client 和 Server 之间建立可发现、可约束的消息通道。

先看系统分层：

用户 ↓AI 应用 / Host（管会话、权限和模型） ├─ Skill Loader（把做法加载进上下文） └─ MCP Client（一个 Client 对应一个 Server） ↕ JSON-RPC MCP Server（暴露 Tools / Resources / Prompts） ↓ CRM、数据库、文件系统、SaaS API

以“查订单”为例，概念上会经过五步：

1. Host 创建 MCP Client，并控制它能连哪个 Server；
2. Client 可先通过server/discover了解协议版本和能力；
3. Client 通过tools/list拿到工具名、描述和输入 Schema；
4. 模型决定使用query_order，Client 发出tools/call；
5. Server 校验参数、查询业务系统，再把结果返回 Host。

真正在线上跑时，MCP 消息用JSON-RPC编码。本地 Server 常走stdio，也就是宿主拉起一个子进程，通过标准输入输出传消息；远程 Server 可走Streamable HTTP，用 HTTP POST 发请求，回复可以是 JSON，也可以是请求范围内的 SSE 流。

💡面试追问：你可能在旧教程中看过initialize握手。2026-07-28 版协议已改为无状态核心，协议版本和 Client 能力由每个请求携带；initialize是 2025-11-25 及更早版本的会话式机制。

硬核一点：Skill 为什么不等于长 Prompt？

Skill 的工程价值在于“结构化打包 + 按需加载”，而不是单纯把提示词写得更长。

一个典型 Skill 可以长这样：

weekly-report/├─ SKILL.md # 启用条件、步骤、质量标准├─ scripts/ # 可重复执行的确定性脚本├─ references/ # 口径、业务规则、异常说明└─ assets/ # 周报模板、图片、数据表

Agent Skills 规范推荐“渐进式加载”：平时只保留name和description便于发现；任务匹配后才读取完整SKILL.md；脚本、参考文档和模板又是用到时才加载。这样做可以避免把所有业务手册一次性塞进上下文。

但要注意：Skill 里写了“查 CRM”，不代表 Agent 就自动获得 CRM 访问能力。它仍然需要已授权的 MCP Tool、Function Calling 工具或其他运行时能力。

两者根本不在同一层

MCP 偏向连接层，Skill 偏向方法层。

这个区分比“MCP 更强还是 Skill 更强”有用得多。

因为一个是门，一个是地图。门再宽，不会告诉你应该去哪；地图再细，门没开也走不出去。

四步判断：到底该用哪个？

别从技术名词出发，从项目缺的那一块出发。

第一步：任务要不要接外部系统？

如果 Agent 需要读数据库、查日历、发邮件、操作 GitHub 或调用内部 API，你需要的首先是“通路”。

这是 MCP 的主场。

但如果只是把一段文字改得更通顺，一次性 Prompt 可能就够了，根本不用搭 MCP。

第二步：同类任务会不会反复出现？

如果每周都要写周报，而且有固定口径：数据从哪取、异常如何标记、数字怎么核对、最后用什么格式输出。

这些经验不应该每次都靠人重新提醒。它们适合固化成 Skill。

第三步：连上之后，Agent 是不是还不知道怎么做？

如果 MCP Server 已经提供了“查销售数据”和“发群消息”两个工具，Agent 仍然可能不知道：

• 周报该看环比还是同比；
• 什么样的波动算异常；
• 发布前要不要让人确认；
• 群里应该发摘要还是完整报告。

这时候就不是二选一，而是MCP + Skill。

第四步：这个能力要不要跨应用复用？

如果同一套订单、客户或知识库能力，希望被不同 AI 应用以较统一的方式接入，标准协议的价值会变大。

如果只在一个小脚本中调一次内部函数，直接 Function Calling 或普通代码可能更简单。不要为了“看起来像 Agent”就额外加一层协议。

把判断压缩成四行

真正好用的选型标准，应该能在十秒内想起来。

需要连外部数据或工具 → MCP需要复用流程、规则和经验 → Skill既要连系统，又要按稳定流程做 → MCP + Skill一次性、无外部依赖的简单任务 → 先用 Prompt/普通代码

一个完整例子：自动生成销售周报

周报 Agent 是 MCP 和 Skill 配合的典型场景。

先看 MCP 部分。Agent 需要连上：

• CRM：查本周商机、成交金额和销售进度；
• 日历：确认统计周期；
• 企业即时通讯：发送经人确认的周报。

这些是 Agent 的“手和眼”。

再看 Skill 部分。Skill 可以规定：

1. 先检查数据日期，不得混入上周记录；
2. 同时计算环比和目标完成率；
3. 波动超过团队阈值时，列出证据而不是猜原因；
4. 不确定的字段标记为“待确认”；
5. 发群前必须经人审批。

这些是 Agent 的“办事章法”。

只有 MCP，Agent 可能把数据查出来就随手总结；只有 Skill，Agent 虽然知道周报怎么写，却拿不到实时销售数据。

把两者合起来，才是能真正工作的系统。

⚠️ 三个常见误解

误解一：Skill 就是一段更长的 Prompt

不完全是。

Prompt 可以是 Skill 的一部分，但 Skill 还可以带脚本、模板、参考文档和资源文件。更关键的是，Skill 通常会说明“什么时候启用”和“按什么步骤执行”。

一张随手记的菜谱是 Prompt；一套包含菜谱、备料表、采购脚本和验收标准的宴席包，才更像 Skill。

误解二：有了 MCP，Agent 就知道业务应该怎么做

MCP 会暴露能力，但不会自动补齐你的业务规则。

“查订单”工具可以返回订单，但什么订单算风险订单、什么时候升级给主管、能不能自动退款，仍需要业务规则和权限设计。

误解三：MCP 和 Skill 必须二选一

生产环境中，两者经常是搭档。

Skill 可以写明先调哪个工具、如何检查结果、什么情况停下来请人确认；MCP 负责把这些工具和数据真正接进来。

问题不是“选谁”，而是“哪一层还缺东西”。

面试时，怎么用 30 秒回答？

先给结论，再给判断标准，最后补一个组合案例。

MCP 和 Skill 解决的不是同一层问题。MCP 主要让 Agent 用标准方式连接外部工具和数据；Skill 主要把一类任务的流程、规则和资源固化下来。需要查库或调外部系统时考虑 MCP，需要稳定复用做法时考虑 Skill。像“自动写销售周报”这类任务，往往是 MCP 负责取数和发送，Skill 负责分析口径、输出格式和审批流程。

这段回答不需要背协议字段，但能表明你真正理解了系统分层。

🛠️ 动手练：给你现在的 Agent 分一次层

拿一个你真正想做的 Agent，只写两张清单。

第一张叫“外部能力”：

• 它要读哪些数据？
• 它要执行哪些动作？
• 这些能力是否需要被多个 AI 应用复用？

这张清单帮你确定 MCP 或普通工具接口。

第二张叫“标准做法”：

• 正确的执行顺序是什么？
• 哪些规则每次都要遵守？
• 哪些模板、脚本和参考资料要一起带上？

这张清单就是 Skill 的雏形。

如果两张都写满了，别再纠结二选一：你需要的本来就是两者配合。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】