Docs · App Dev Guide
大模型应用开发
从 Prompt 工程到 AI Agent，一站式覆盖大模型应用开发全链路 —— 让你能在 1 周内跑出生产级 MVP。
Skills · vs Tool / MCP
Prompt / Function Call / MCP / Skills 四者经常被混淆。这一章把每个的本质和适用场景讲透。
一张图理解四者层级
┌────────────────────────────────────────────────┐
│ │
│ ┌─────────────────────┐ │
│ │ Skills │ ← 任务级能力 │
│ │ (prompt + tools │ 按需加载 │
│ │ + templates + │ 完整方法论 │
│ │ examples) │ │
│ └──────────┬──────────┘ │
│ │ │
│ 使用 │ 使用 │
│ ┌───────────┴────────────┐ │
│ ↓ ↓ │
│ ┌──────────────┐ ┌──────────────┐ │
│ │ Function Call│ │ MCP │ │
│ │ │ │ │ │
│ │ 程序内函数 │ │ 跨程序协议 │ │
│ │ 调用 │ │ 标准化 │ │
│ └──────┬───────┘ └──────┬───────┘ │
│ │ │ │
│ └──────────┬─────────────┘ │
│ ↓ │
│ ┌──────────────────┐ │
│ │ Prompt │ ← 原子级指令 │
│ │ (指令文本) │ │
│ └──────────────────┘ │
│ │
└────────────────────────────────────────────────┘四者本质区别
| 抽象层 | 是什么 | 解决什么问题 | 何时引入 |
|---|---|---|---|
| Prompt | 文字指令 | 让模型理解任务 | 2020+（LLM 诞生即有） |
| Function Call | 程序内函数调用 | 让模型能调外部 API | 2023.6（GPT 首次推出） |
| MCP | 跨程序协议 | 让工具能复用、跨平台 | 2024.11（Anthropic） |
| Skills | 任务级能力包 | 让复杂任务方法论可复用 | 2025（Claude） |
关键差异维度
1. 复用粒度
Prompt: 无法复用（每次重写或简单复制）
FC: 单函数复用（同一程序内）
MCP: 函数集复用（跨程序、跨用户）
Skills: 任务方法论复用（一整套 prompt + 工具 + 示例）2. 加载方式
Prompt: 全程占 context
FC: tool 定义全程占 context（即使没调用）
MCP: tool 定义全程占 context
Skills: 按需加载（关键差异！）100 个 Skills 索引可能就 500 token；如果每个都全量加载，可能 50000 token。
3. 谁来决策
Prompt: 用户决定（写什么用什么）
FC: 模型决定（用哪个 tool）
MCP: 模型决定（用哪个 tool，跨 Server 选）
Skills: 模型决定（先选 Skill，再让 Skill 内部选 tool）4. 谁负责实现
Prompt: 应用开发者
FC: 应用开发者（写函数 + 注册 schema）
MCP: Server 作者（任何人）→ Client 即插即用
Skills: Skill 作者（任何人）→ Agent 加载即用何时用什么：决策树
你的需求是什么？
│
├─ 单次对话 / 简单生成
│ → Prompt
│
├─ 让模型调某个内部 API
│ ├─ 只在自己应用用 → Function Call
│ └─ 想跨应用共享 → MCP Server
│
├─ 让模型操作某个标准化工具（GitHub / Slack / DB）
│ → 直接用现成的 MCP Server
│
├─ 整套完整任务方法论（含多步骤、多工具、模板、示例）
│ ├─ 一次性 → 直接写大 prompt + FC
│ └─ 复用 → 封装为 Skill
│
└─ 复杂业务流程 + 多 Skill 协作
→ Skills + Agent SDK三个 vs 对比
Skills vs Function Call
| Skills | FC | |
|---|---|---|
| 定位 | 任务级 | 函数级 |
| 包含 | 一整套方法论 | 单个函数 |
| 加载 | 按需 | 全程在 context |
| 例子 | "数据分析师" Skill | query_database() 函数 |
关系：Skills 内部使用 FC（Skill 里可以包含多个 FC）。
Skills vs MCP
| Skills | MCP | |
|---|---|---|
| 本质 | 能力封装 | 通信协议 |
| 关注点 | 「怎么做某事」 | 「怎么标准化对接」 |
| 部署 | 文件/目录形式加载 | 独立进程 |
| 跨厂商 | Claude 生态（暂时） | 通用协议 |
关系：Skills 可以使用 MCP Server 提供的工具。Skill 里可以列出"用这个 MCP Server 的某些工具"。
MCP vs Function Call
| MCP | FC | |
|---|---|---|
| 标准化 | 是（行业协议） | 否（各厂商不同） |
| 部署 | 独立进程 | 在应用代码内 |
| 跨用户 | 同一 Server 全网可用 | 每用户/每应用单独写 |
| 性能 | 多一层 IPC | 直接函数调用 |
关系：MCP 是 FC 的标准化包装 —— Server 内部还是用 FC 实现。
实例对比：同一需求的 4 种实现
需求：「让 AI 帮我做季度销售报告」
方案 A: 纯 Prompt（最简单，最不可扩展）
prompt = """
你是数据分析专家。请基于以下销售数据生成 Q3 报告：
[销售数据 CSV 内容]
要求：
1. 总销售额和环比
2. Top 5 产品
3. 区域分布
4. 趋势预测
输出：Markdown 格式
"""
result = claude(prompt)✅ 简单 ❌ 数据要手动塞 prompt，没法处理大文件 ❌ 没法生成真实图表 ❌ 换个时间段就要重写 prompt
方案 B: Prompt + Function Call
tools = [
{"name": "read_csv", "input_schema": {...}},
{"name": "compute_stats", "input_schema": {...}},
{"name": "generate_chart", "input_schema": {...}},
{"name": "write_pdf", "input_schema": {...}}
]
messages = [{"role":"user", "content":"基于 q3_sales.csv 生成 PDF 报告"}]
# 用循环跑 tool calls
while True:
resp = client.messages.create(model="...", tools=tools, messages=messages)
if resp.stop_reason != "tool_use": break
# 处理 tool_use ...✅ 能处理大数据 ✅ 真实生成 PDF ❌ 一整套 tools 每次都占 context ❌ "怎么写好报告"的方法论散落在 prompt 里 ❌ 不同团队重复实现
方案 C: 用 MCP Server
// Claude Desktop 配置
{
"mcpServers": {
"data": {
"command": "npx",
"args": ["-y", "@mycompany/sales-mcp-server"]
}
}
}用户在 Claude Desktop 里："读 q3_sales.csv 生成报告"
✅ 工具跨用户共享（公司全员可用） ✅ MCP Server 一次部署，所有客户端用 ❌ 还是"工具集合"，缺少"完整任务模板" ❌ 用户每次还得手写"怎么生成好报告"
方案 D: 封装为 Skill
skills/sales_report_generator/
├── SKILL.md ← 完整方法论
├── tools/
│ ├── read_csv.py
│ ├── compute_stats.py
│ └── generate_chart.py
├── templates/
│ └── q_report.jinja2 ← 报告模板
└── examples/
└── good_q3_report.md ← 优秀案例<!-- SKILL.md -->
# Sales Report Generator
## When to use
当用户需要生成销售相关报告时使用。
## Tools available
- read_csv: 读取 CSV 数据
- compute_stats: 计算统计指标
- generate_chart: 生成可视化
## Process
1. 用 read_csv 加载数据
2. 用 compute_stats 计算: 总额、环比、Top 产品、区域分布
3. 用 generate_chart 生成: 趋势图、饼图
4. 套用 templates/q_report.jinja2 生成最终报告
5. 输出 Markdown，结构参考 examples/good_q3_report.md使用：
agent = ClaudeAgent(skills=["sales_report_generator"])
agent.run("基于 q3_sales.csv 生成报告")
# Claude 自动:
# 1. 识别需要 sales_report_generator Skill
# 2. 加载该 Skill 完整内容
# 3. 按 Process 执行
# 4. 输出符合 templates 的报告✅ 方法论可分享（其他团队直接拿来用） ✅ 按需加载（不用时不占 context） ✅ 一致性高（template 保证产出风格统一） ✅ 易维护（要改报告格式只改 template）
这就是 Skills 的核心价值。
何时升级到 Skills
按以下信号判断从 FC/MCP 升级到 Skills：
✅ 该用 Skills:
- 同一任务被反复实现（说明有方法论可沉淀）
- prompt 越来越长（按需加载省 token）
- 团队希望分享"做某事的最佳实践"
- 产品形态是 Agent / 助手
❌ 暂时不用:
- 单一简单工具（FC 够了）
- 一次性脚本
- 不用 Claude 生态
Skills 的"灰色地带"
Skills + MCP
Skills 内部可以调 MCP Server。例如：
<!-- SKILL.md -->
## Tools available
- github (from MCP server `@modelcontextprotocol/server-github`)
- slack (from MCP server `@modelcontextprotocol/server-slack`)这样 Skill 不需要自己实现 GitHub 集成，复用社区 MCP Server。
Skills + 多个 LLM
Skills 内部可以指定不同步骤用不同模型：
## Process
1. 用 Haiku（便宜）做意图分类
2. 用 Sonnet 做主要分析
3. 用 Sonnet Thinking 做关键决策这种"模型路由"是 Skills 高级用法。
总结：四者的协同
真实生产架构:
Skills ← 封装业务方法论
↓
Function Call ← 本地小工具
+ MCP Servers ← 跨平台标准工具
↓
Prompt ← 指令文本
↓
LLM API（Claude / GPT / DeepSeek）不是"二选一"，而是分层使用。
学习路径建议
按这个顺序学习，每一层为下一层打基础：
Week 1: Prompt 工程（100-107）
↓
Week 2: Function Call（200-204）
↓
Week 3: MCP（400-403）
↓
Week 4: Skills（500-503）← 你在这里
↓
Week 5+: Agent（600-604）每往上一层，抽象度变高、复用粒度变大。
下一节：编写 Skill —— 动手做一个真实可用的 Skill。