一文讲清Agent、Skill、MCP、Tool到底是什么？

一口气讲清楚 Agent、Skill、MCP、Tool 到底是什么？

Agent、Skill、MCP、Tool 这四个词，在 AI Agent 的讨论里高频出现，但很多人其实说不清它们之间的边界。今天咱们就逐一拆解，把定义和关系彻底理清楚。

Agent：决策中枢

Agent 是整个系统中负责“思考和决策”的那个角色。它接收用户指令，理解意图，把一个复杂需求拆解成多个步骤，然后决定先做什么、后做什么，最后调度具体的能力去执行。

举个例子：用户说“帮我把昨天的会议纪要发给张总”。Agent 要做的可不是简单转发——它得先理解“昨天的会议纪要”指的是哪个文件，确认“张总”的联系方式，再选择通过邮件还是消息发送，最后调用对应的发送能力去完成。每一步都需要判断力。

Agent 的核心价值就在这里：面对不确定的指令，能做出合理的分解和选择。它不一定非得用最大的模型，一个在特定领域训练充分的小模型，决策质量同样可以很高。

Tool：原子操作

Tool 是最小粒度的功能单元，一次只做一件事，不会多管闲事。

比如：

• read_file — 读取一个文件的内容
• web_search — 执行一次网页搜索
• click(x, y) — 在屏幕坐标 (x, y) 处点击一次
• send_email — 发送一封邮件

Tool 的特点：无状态、单步、确定性。它不关心前因后果，被调用就执行，执行完返回结果。它不会主动决定下一步该做什么——就像一把锤子，功能明确，拿起来就能用，但不会自己决定该钉哪根钉子。

Skill：复合能力

Skill 是多个 Tool 调用加上领域知识的有机组合，用来完成一个相对复杂的任务。

拿“GUI 表单填写”这个 Skill 来说，内部的执行流程可能是：先截取当前屏幕（调用 Tool：screenshot），再识别界面上的输入框和按钮位置（调用 Tool：视觉识别），然后判断应该先填哪个字段（内置决策逻辑），接着执行输入或点击（调用 Tool：键盘输入 / 鼠标点击），最后再截屏验证操作是否成功（再次调用 screenshot）。如果失败，还得调整策略重试。

Skill 和 Tool 的核心区别就在这里：Tool 是一步操作，Skill 是一套流程。Skill 对外暴露一个简洁的接口（比如“帮我填完这个表单”），内部自行编排多个 Tool 调用和判断逻辑。调用方根本不需要关心内部是怎么一步步执行的。

另一个重要特征：Skill 通常封装了领域专有知识。同样是“操控 GUI”，在不同操作系统、不同应用上的操作策略完全不同——这些知识都被封装在 Skill 内部。

MCP：连接协议

MCP（Model Context Protocol）是 Anthropic 提出的一套开放标准，它解决的是一个现实问题：Agent 怎么发现和调用外部 Tool？

这本质上是个工程问题。在没有统一协议的时代，每个 Agent 框架各自定义 Tool 的接入方式——为 LangChain 写的 Tool 插件，搬到 AutoGen 要重写；为 ChatGPT 写的 Function，搬到 Claude 也要重新适配。

MCP 做了三件事：

1. 描述格式统一：Tool 用标准化的方式声明自己能做什么、需要什么参数、返回什么结果
2. 调用协议统一：请求和响应的数据结构标准化，基于 JSON-RPC
3. 发现机制统一：Agent 可以动态查询有哪些 Tool 可用

可以类比成 USB 接口——键盘、鼠标、U 盘长得完全不同，但都能通过同一个接口接入电脑。MCP 就是 Agent 生态里的“USB 标准”。有了它，一个 Tool 开发一次，任何支持 MCP 协议的 Agent 都能直接调用，开发者不用为每个框架单独写适配层。

四者的关系

用一句话概括每个概念的角色：

• Agent — 决策者，负责理解、规划、调度
• Skill — 内化的复合能力，封装了流程和领域知识
• Tool — 原子执行器，被调用、执行、返回
• MCP — 连接标准，让 Agent 和 Tool 能互相发现、互相对话

协作方式有两条路径：

路径 1：Agent → Skill（调用内化的复合能力，Skill 内部自行编排）路径 2：Agent → MCP → Tool（通过标准协议调用外部的原子能力）

两者并不互斥。一个 Skill 内部也可能通过 MCP 调用外部 Tool；一个 Agent 可以同时具备多个 Skill，也能通过 MCP 动态接入新的 Tool。

关键区别在于耦合度：

• Skill 和 Agent 的绑定更紧密，通常是预置的、经过调优的
• MCP Tool 是松耦合的，可以动态接入、即插即用

一张表总结

一个落地的例子

理解了概念，来看一个实际的开源项目如何体现这四层结构。

Mano-P 是一个运行在本地 Mac 上的 GUI Agent，通过纯视觉方式（截屏 → 理解 → 操作）来操控桌面应用，不依赖 DOM 结构或应用 API。

它的架构恰好对应四层：

• Agent 层：本地运行的 4B 参数模型作为决策中枢，在 Apple M4 Pro 芯片上推理速度实测 76 tok/s，负责观察屏幕内容并决定下一步操作
• Skill 层：GUI 操控能力被封装为 mano-skill，包含屏幕理解、元素定位、操作执行的完整链路。这个 Skill 可被 Claude Code、OpenClaw 等外部 Agent 直接调用
• Tool 层：底层的原子操作——截屏、坐标点击、键盘输入、滚动——每个都是独立的 Tool

一个有意思的设计点：Mano-P 既是一个独立的 Agent（能自主完成 GUI 任务），它的核心能力又被封装为 Skill 供其他 Agent 调用。这意味着一个更上层的 Agent 可以把“操控桌面 GUI”作为自己的一项 Skill 来使用，不用关心底层是怎么实现的。

在 OSWorld 基准测试中，Mano-P 在专有模型类别排名第一，准确率 58.2%。本地运行，数据不出设备。

硬件要求：Apple M4 + 32GB RAM。安装方式：

brew tap Mininglamp-AI/tap && brew install mano-cua

开源协议 Apache 2.0。