核心内容摘要
岁月鎏金，风华依旧——张柏芝的“不挂一丝”之美，不止于表
本文从历史演进角度解析Agent-ReAct-Skills-MCP-Tool技术脉络详解ReAct思维模式与Skills开放标准对比Skills与MCP定位差异探讨渐进式披露设计优势及工程化落地方案分析企业Skills库建设策略为开发者提供完整的技术理解与实践指导。
这几天在研究 Agent Skills前面解读了官方的 [Agent Skills 开放标准]然后分析了下 [Agent Skills 会替代 MCP 吗]这次继续深入从历史的角度分析 Agent-ReAct-Skills-MCP-Tool 的关系然后再谈谈 Skills 的落地。
发展历史当概念太多理不清的时候我们可以从历史的角度去分析会发现技术演进是有迹可循的每个技术的出现都有它的时代背景
(学术突破)姚顺雨在论文 Synergizing Reasoning and Acting in Language Models 中系统性地提出了ReAct将 Reasoning 与 Acting 结合的范式通过Reason Act的循环让模型学会了想一步做一步看一眼反馈再想下一步从而解决了CoT缺乏外部反馈以及传统决策模型缺乏更高层规划的问题。
技术突破OpenAPI 的GPT-
5诞生提供了强大的底座证明了模型具备理解复杂指令并进行逻辑推理的基础能力。
(学术突破)Meta 发布Toolformer论文 Toolformer: Language Models Can Teach Themselves to Use Tools。
它证明了模型可以通过自监督学习学会在什么时候调用什么 API如计算器、日历来增强自身能力。
(产品落地)OpenAI 发布ChatGPT Plugins。
帮助 ChatGPT 访问最新信息、运行计算或使用第三方服务比如网页浏览器和代码解释器。
(技术标准化)OpenAI 推出 Function Calling。
它不再纯依赖模糊的 Prompt 完成任务而是让模型原生支持输出结构化的 JSON从而让模型能连接到外部工具和系统。
2
07 -
2
10爆发期LangChain, AutoGPT, AutoGen 等框架蓬勃发展工具定义碎片化Agent 框架生态处于烟囱式增长。
技术标准化Anthropic 发布 MCP 开放标准统一 Tool 发现和调用方式将工具Tools和数据Resources从特定的 Agent 框架中解耦
(技术标准化)cli 工具 claude code 为了解决Token-Efficency问题和任务执行的成功率提出了 Agent Skills 开放标准让 ReAct 等思维框架能更有效的执行 SOP从这个历程看Agent 的执行能力的标准化Function Calling/MCP/Skills是在工程化落地过程中会自然发生的。
基础概念逻辑概念Function CallingLLM 原生的结构化能力通过训练使模型能理解JSON Schema并在指令下生成规范的工具调用请求。
Tool CallingAgent 层执行工具并获取反馈的过程是 Function Calling 在应用逻辑中的具体执行链路。
AgentAgent 具备规划Planning、记忆Memory和工具使用Tool use能力能够根据模糊的目标自主决定调用哪些 Skill 和 Tool 来达成目标。
ReActAgent 的一种思维方式ReAct loop(Reason Act)。
模型在每一步都会交替进行推理Reason和行动Act。
它不仅在脑子里想还会通过动态执行循环并根据外部工具的反馈来修正下一步的思考。
技术名词Tool执行任务的具体实现通常是具体的 API 接口负责解决原子的问题使用工程化封装确定性的解决现实问题。
MCP模型与工具连接方式通过统一工具描述和调用标准实现一次开发多框架通用的生态兼容。
Skills面向场景的SkillsSOP/最佳实践。
它是指令Prompt、工具链Tools与工作流Workflow的复合体。
Skill 通过预设的逻辑框架Instruction解决了 Agent 在复杂任务中先做什么、后做什么、如何评估好坏的确定性问题。
它是 Agent 实现从单一接口调用到复杂业务流程自动化转换的关键模块。
概念角色描述Agent自治实体决策主体负责接收指令、感知环境、并驱动整个决策闭环的独立计算实体。
ReAct认知架构编排引擎系统的运行逻辑。
动态解决问题的机制规划 - 执行 - 修正Skills领域策略逻辑封装层针对特定垂直场景预定义好的处理流程SOPTools原子能力执行单元改变环境或获取信息的具体手段如 API 调用MCP互联标准连接协议解耦模型与数据源建立 AI 与数据/工具之间标准化的连接通道。
Skill 执行示例以一个后端代码审查的 Agent 为例介绍 CodeReview Skills 和 ReactMCP 的交互过程渐进式披露渐进式披露Progressive disclosure是 Skills 标准中最关键的设计。
它确保简单理解而不是预先加载所有内容从而保持效率三阶段加载机制Agent 在需要时准确获取所需内容约 100 个 token: 提供 Skills 的描述信息快速判断相关性如类似书籍的目录元数据优先加载 5k tokens详细的工作流程指导最佳实践和业务规则如类似书籍的章节内容完整指令加载代码脚本配置文件示例数据如类似书籍的附录Progressive disclosure 设计的优点按需加载资源不浪费上下文窗口Token 效率只加载需要的内容性能优化支持大量 Skills 同时存在Skills 和 MCP 的关系Skills 和 MCP定位不同MCP 解决能力接入问题如何让 AI 调用外部工具/数据源Skills 解决Token-Efficency问题顺带优化了能力选择问题能更好更省的组合能力完成特定领域任务。
Skills 和 MCP 都是arthropic提出并开放的行业标准。
MCP 的传输层有stdio和streamable http2 种具体的通信协议有工程化规范tools/list,tools/call,notifycation而 Skills 比较轻量它只在提示词定义标准和加载标准有要求其他的 ReAct 的具体实现 agent 根据实际情况而定。
在实现中可先在上下文声明可用的 MCP 工具然后在 Skills 的 instruction 中指定这些 MCP 工具的使用场景和调用时机。
Skills 和 MCP 如何工程化配合MCP 广场配置 MCPServerurl、header加载 Tool 列表Skills 广场配置 Skills 的Skills.md(Metadata、Instruction)Instruction 中可引用 MCP-tools可选资源referenceassets文件引用配置为 OSS 地址。
智能体配置配置 system prompt选择 MCP-tools选择 Skills。
智能体执行通过 ReAct获取 oss 资源执行的 MCP多轮执行并获取最终结果Skills 的局限性开源的 Skills 中的脚本不具备通用的运行环境比如 python 脚本很多脚本的 requirements 对运行环境是有要求的有的甚至还要本地编译很可能本地运行不起来。
也就是说 Skills 这方面对用户是有要求的如果用户不懂编程最后只能使用纯提示词的Skills。
而 MCP 可以解决这个环境问题屏蔽所有的技术环境相关的细节复杂度对用户是透明的开箱即用。
比如高得地图的 MCP填写一个 keyMCP 地址就能使用让大模型基于 MCP 进行路线规划。
不过这个局限性在不确定性的任务场景中却是 Skills 的优势script 在本地对 AI 是白盒Agent 可以按需修改 script 完成任务 (coding)而 MCP 是已有的工具不具备这个灵活性。
对于需要执行 script 的 Skills有 3 种处理策略本地系统配置好环境直接执行配置特定的 docker 镜像执行将 script 封装为 MCP 服务在 instruction 中引用个人使用的话我倾向于1-本地执行企业工程化我倾向于3-MCP封装这样能最大化复用已有的 MCP 基础设施企业 Skills 库的建设Skills 在企业建设智能体平台过程中会分 2 类通用 Skills通用的工具使用流程比如 git 操作office 文档处理代码安全扫描比如写文档的 obsidian Skills编程用的 superpowers私有 Skills企业内部 SOP 和合规规则比如公司报销流程、考勤规则、客户分级标准通用的 Skills 通常从开源社区获取私有 Skills 则需要企业自驱去做知识的积累沉淀。
注意Skills 是能够抽象的高维知识规则/方法论和具备大量文档和分块的 RAG 知识库有所差别企业里面混乱的 confluence 知识库是没法直接派上用场的需要成结构化程度高的简洁明了能实操的最佳实践才有价值。
一些公开的 Skills 市场https://claudemarketplaces.comhttps://skillsmp.comhttps://www.aitmpl.com/skills最后我在一线科技企业深耕十二载见证过太多因技术更迭而跃迁的案例。
那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。
我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。
从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。
智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到
3
4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升
6
6%。
AI产业的快速扩张也让人才供需矛盾愈发突出。
麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。
资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。
目前我正在和鲁博士共同进行人工智能的研究。
所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。
这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念通过动态追踪大模型开发、数据标注伦理等前沿技术趋势构建起前沿课程智能实训精准就业的高效培养体系。
课堂上不光教理论还带着学员做了十多个真实项目。
学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。
零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。
业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。
获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】**