Agent

Agent 是一种能够感知环境、做出决策并执行动作的智能实体。

Agent是用更多的成本（多轮推理 + 多次工具调用 + 更高延迟/Token），换开发与维护成本的下降（分支更少、扩展更快、长尾更适配）

是模型和外部工具和系统交互的核心机制。

输入问题时，AI应用会将问题以及函数列表都塞给模型，模型会根据问题来判断是否需要调用函数，如果需要调用函数，会输出一个结构化的JSON，其中包含了要调用的函数名和参数。之后AI应用再调用函数，将返回结果再给模型，模型处理结果，将最后结果返回出来。

模型额外的能力由预定义好的函数列表来决定，另外是否调用完全由模型的识别能力来决定。

优点：拓展了模型的训练集，提高了模型的知识面，能回答的问题更多了

缺点：

包裹了Function Calling的中间层，是为了解决AI应用逐渐复杂导致的难以维护的问题。

MCP引入了“客户端-服务器”架构标准化，只需要一个客户端，就能接入所有符合MCP协议的服务器；同样的，一个MCP服务器，也能被所有标准的MCP客户端使用。AI应用的难度从N*M降到了N+M。

AI模型不再直连外部API，而是连接MCP Server

优点：解决了外部链接过多的维护问题，只要符合MCP标准的就可以

缺点：并没有解决过多链接带来的调用错误问题

Skills是对MCP和Function Calling的优化和改进，是进化版本。

Claude对Skills的定义是：一个包含了说明书、脚本和资源的包。模型在执行任务时会先扫描所有的Skills，判断哪些对当前任务有用，再将完整内容拉到上下文中使用。

不再由模型根据语义去理解判断调用哪个工具，而是直接在Skills中声明清楚，应该用什么工具、如何用。

核心价值在于“如何正确使用工具”，降低选择工具的随机性。

Skill中会有：该技能的用途，以及如何才能达到该技能的步骤。

简单的示例如下如：

markdown

用于写一份年度报告。
首先需要调用 get_date 获取时间，
再调用 report 写年度报告。
输出时需要用以下结构xxx
...

Agent ​