新闻详情

新闻详情

首页 / 资讯中心 / 详情

彻底搞懂ToolCalling、MCP,Skills的核心区别,能力上的层层封装

发布时间:2026/11/17 20:18:56来源:尧图网络
彻底搞懂ToolCalling、MCP,Skills的核心区别,能力上的层层封装
ToolCalling工具调用、MCPModel Context Protocol模型上下文协议、Skills技能是三个高频但容易混淆的概念本文将围绕三者核心原理的区别来展开一、极简总结1ToolCalling工具调用大模型主动调用外部函数/工具的行为2MCP模型上下文协议标准通信协议统一大模型与外部系统、工具服务的对接规范3Skills技能是业务流程封装单元多工具、多步骤、带约束的复杂业务编排可复用的工作流程。通俗类比ToolCalling是“动手”MCP是“通用接口插座”Skills是“成套干活的流程手册”。二、三者定义与原理1. ToolCallingFunctionCallingToolCalling是大模型的原生能力也常被称作Function Calling是大模型突破纯文本生成、对接外部世界的最基础能力。为什么需要工具调用信息过时模型训练数据有截止时间无法获取最新消息通过工具调用可以拿到实时数据精确运算能力差LLM是基于概率预测下一个具体字符的对于处理高精度运算时极易出错而工具调用则相当于给LLM安装了一个外部计算器。无动手能力普通LLM只能输出文本但在实际业务中我们希望LLM可以实实在在的为我们做一些事比如点外卖发信息等等而恰好工具调用就给LLM提供了实现这些操作的可能性。工具调用过程2. MCPModel Context Protocol 模型上下文协议MCP是一种开放协议通过标准化语言和接口实现AI模型和外部工具的交互MCP是一种协议而不是工具。为什么需要MCPMCP之前每个AI应用对于不同的工具都要进行单独适配。MCP出现之后多个AI应用只需要实现MCP客户端各种工具只需要实现MCP服务器就可以进行通信效率大大提升。标准化的工具调用和使用MCP server标准化了工具的定义使用方式API等等所有的工具都已统一的格式向MCP Client 暴漏API使大模型可以发现并使用工具。总结来说就是MCP Server中装着各种工具具体运转流程比如说你输入帮我推荐几部沈腾主演的搞笑电影交互正式开始1用户指令输入Agent应用下面用宿主应用来代替把你的自然语言指令连通工具菜单发送给LLM2LLM进行思考并决策LLM分析指令发现需要调用外部工具根据工具菜单决定调用哪个工具生成包含工具名和具体参数比如actor “沈腾”type “搞笑”的结构化指令。3指令解析并转发MCP Client来完成宿主应用进行指令拦截交给MCP Client 。MCP Client进行指令解析并转换成标注的的MCP数据格式通过网络转发给MCP Server。4MCP Server接收指令并执行首先是MCP网关接收指令再进一步交给具体哪个MCP Server调用大电影查询工具的API。拿到符合条件的结果进一步将数据封装成JSON响应5结果回传Client将收到的信息作为闲的上下文信息喂给LLM6LLM进行最后总结并输出LLM结合拿到的数据进行总结生成通顺的文本输出给用户。3. SkillsSkills是包含skill.md文件的文件夹该文件夹包含多种元文件如操作脚本Scripts参考资料References说明说Skill.md等等是基于ToolCalling/MCP基础能力封装的多步骤、多工具、带业务规则、约束和上下文的完整工作流2。通俗理解MCP给AI装“手脚”执行能力Skills给AI装“大脑”做事逻辑。典型场景自动对账流程、客户售后工单处理、简历筛选分析、自动化周报生成。为什么需要Skill1按需加载需要执行什么工作流就加载对应的Skill不会出现回答一些与问题不相关的内容2固化经验把某些问题的专业流程固化成特定指令使智能体掌握最佳实践3相互隔离每个skill之间相互隔离每个skill的修改不影响其他skill的内部流程4即拷即用当你有不同类型的任务时你不用每次都把具体的工作流程给LLM指示一遍每次需要哪个Skill就使用哪个Skill换个智能体Skill文件拷贝过去直接就可以用。渐进式披露试想一下如果每个skill都有几千字的reference每次加载全部skill说明token消耗量巨大同时AI的注意力也会被分散难免会被其他不相关的信息干扰。而渐进式披露的设计理念则是然Agent通过分阶段加载信息需要使用什么就加载哪部分信息按需加载涉及哪部分就加载哪部分三、三者核心维度对比对比维度ToolCalling工具调用MCP模型上下文协议Skills技能层级定位模型基础能力层架构协议基础设施层业务应用编排层核心作用实现模型单次外部工具调用标准化工具跨系统通信与复用封装复杂业务流程与专家逻辑粒度大小原子级单工具、单步骤服务级一组工具统一封装业务级多工具、多步骤闭环标准化程度碎片化、自定义无统一标准全行业统一协议标准业务自定义、场景化无统一标准解决痛点模型无法操作外部数据/服务工具对接繁琐、无法跨端复用单次工具无法完成复杂业务任务依赖关系无依赖模型原生支持基于ToolCalling能力做标准化升级基于ToolCalling/MCP做业务编排复用范围单应用、单模型内复用全平台、多Agent、多客户端通用特定业务场景复用四、三者完整协作链路实际Agent开发中三者是自底向上的层级依赖关系完整链路如下底层ToolCalling→ 提供模型调用外部工具的原生能力是所有外部交互的基础中层MCP→ 将零散的工具统一封装为MCP Server标准化注册、发现、调用、鉴权解决工具碎片化问题上层Skills→ 基于MCP标准化工具编排多步骤业务流程加入业务规则、约束、重试逻辑形成可直接落地的业务技能完整案例企业自动报销Skill底层ToolCalling支持调用发票识别、金额校验、数据库查询、工单提交等原子工具中层MCP将所有报销相关工具封装为统一MCP服务供企业所有Agent、办公系统通用调用上层Skills封装完整报销流程形成自动报销技能Agent可直接端到端完成任务五、我问你答1ToolCalling和MCP的核心区别是什么二者核心是能力层与协议层的差异。第一定位不同ToolCalling是大模型原生的工具调用执行能力属于模型基础能力负责单次原子工具调用MCP是通用标准化通信协议负责统一大模型与外部系统的对接规范。第二标准化程度不同原生ToolCalling碎片化严重无统一对接标准每个项目需要自定义适配MCP统一了工具注册、发现、调用、上下文传递和鉴权流程实现工具一次开发、全平台复用。第三复用范围不同ToolCalling仅支持单应用内复用MCP支持跨模型、跨Agent、跨系统通用复用。简单来说ToolCalling是能不能调用工具MCP是怎么规范、高效地调用所有工具。2MCP和Skills的区别与协作关系MCP是底层能力基建Skills是上层业务封装二者层级不同、互补协作。MCP解决的是AI如何标准化连接外部系统、获取工具能力提供原子化、可复用的工具服务Skills解决的是AI如何按照业务规则完成复杂任务对多个MCP工具做流程编排。协作关系上Skills依赖MCP的标准化工具能力MCP为Skills提供稳定、通用的执行底座没有MCP则工具复用成本极高没有Skills则工具只能零散执行无法落地复杂业务场景。3什么场景用原生ToolCalling什么场景用MCP轻量化、单一场景、一次性工具调用场景使用原生ToolCalling即可比如简单的天气查询、单次翻译、查询开发成本低、无需额外运维。企业级、多场景、多Agent复用、需要对接多个外部系统的场景必须使用MCP比如多智能体共享业务服务、第三方生态工具对接。MCP可以解决原生ToolCalling碎片化、无法统一管理的工程痛点提升工具复用率和可维护性。4Skills和普通多轮工具调用的区别普通多轮ToolCalling是模型自主随机编排无固定流程、无业务约束、容错性差容易出现无效调用、逻辑混乱的问题。Skills是人工固化的标准化业务流程包含固定步骤、业务规则、参数校验、异常重试、边界约束和话术规范是可沉淀、可复用的专家业务能力。简单来说多轮ToolCalling是AI随机摸索做事Skills是AI按照成熟流程专业做事。5简述三者的层级架构整体分为三层自底向上的架构底层是ToolCalling是模型原生的原子工具执行能力是所有外部交互的基础中层是MCP协议作为通用基础设施标准化工具的通信与复用解决工程化问题上层是Skills业务技能基于底层工具能力和MCP基建封装复杂、闭环的业务流程。三层各司其职ToolCalling负责执行、MCP负责连接、Skills负责业务共同构成Agent的工作体系。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉