指尖互联

外观

五大核心 AI 术语：Token、Function Calling、Skill、Agent 与 MCP ​

聊天机器人、智能助手、自动化脚本……AI 应用越来越多，相关的专业名词也层出不穷。本文带你一次搞懂当前最常听到的五个核心术语——Token、Function Calling、Skill、Agent 和 MCP，搞懂它们，你就能看懂绝大多数 AI 产品在"讲什么"。

Token：大模型的"文字单位" ​

Token 是大模型处理文本的最小单位，可以理解为模型眼中的"一个字符块"。一段文字并不是按"字"或"词"切分的，而是被切分成一个个 token 喂给模型。

常见估算（不同模型略有差异）：

  • 1 个英文单词 ≈ 1~2 个 token
  • 1 个中文汉字 ≈ 1~2 个 token
text
"Hello, world!"    →  约 4 个 token
"你好，世界"       →  约 6~8 个 token

Token 的用处主要有三：

  • 计费单位：绝大多数大模型 API 按 token 收费，输入和输出都算
  • 上下文窗口：模型一次能"记住"的输入长度（如 8K、128K）都以 token 为单位
  • 性能瓶颈：上下文越长，耗时与费用越高，这也是需要"精简提示词"的原因

中文成本通常高于英文，因为同样的意思中文需要更多 token。这也是中文 AI 应用更在意上下文优化的原因之一。

Function Calling：让模型学会"调工具" ​

大模型本身只能"打字"，无法查询数据库、调用接口或操作系统。Function Calling（函数调用）解决的就是这个问题：让模型在回答过程中声明"我想调用哪个函数、传什么参数"，由你的程序真正去执行，再把结果交回给模型继续作答。

典型流程：

  1. 你在请求中描述有哪些可用函数及参数结构
  2. 模型判断需要时，返回结构化的函数调用指令（而不是自然语言）
  3. 你的程序执行函数（查天气、查库存、发邮件等）
  4. 把执行结果回传，模型基于结果生成最终回答
text
用户：明天上海会下雨吗？
模型：[调用 weather.get_forecast(city="上海", date="明天")]
程序：执行接口，返回 {"condition": "小雨", "high": 28}
模型：明天上海有小雨，最高气温 28℃，记得带伞哦。

关键点：Function Calling 让模型从"会聊天"升级为"会办事"，是 Agent、自动化工作流的地基。它不负责执行，只负责"准确地说出该调谁、传什么"。

Skill：打包好的"专项能力" ​

Skill（技能）可以理解为把完成某类任务的"方法论"封装成一个可复用的能力单元：通常包含角色设定、操作步骤、示例、规则、甚至配套工具。

和普通 Prompt 的区别：

  • Prompt 是"一次性对话指令"，写完用完就没了
  • Skill 是"结构化的能力包"，可保存、可复用、可分发，按需加载

举例：

  • "代码审查 Skill"：内置审查清单、常见漏洞模式、输出格式
  • "SQL 生成 Skill"：内置表结构说明、命名规范、禁忌与示例
  • "写作润色 Skill"：内置语气设定、排版规则、风格示例

关键点：Skill 把"好用的提示词"沉淀成可复用的资产，多人在不同项目中能共享同一套高质量能力。

Agent：会"自己动手"的智能体 ​

Agent（智能体 / 代理）是指能自主规划、决策并执行多步任务的 AI 系统。与"你问一句它答一句"的聊天机器人不同，Agent 会自己拆解目标、反复调用工具、检查结果，直到任务完成。

一个典型 Agent 的工作循环：

  1. 感知：接收目标与环境信息
  2. 规划：把大任务拆成若干小步骤
  3. 行动：调用 Function Calling、搜索、执行代码等工具
  4. 反思：根据反馈调整下一步，循环直到目标达成
text
目标：帮我订一张周五去北京的机票
Agent 拆解：查航班 → 比价格 → 选最优 → 提交订单 → 确认出票

Agent 的核心要素通常包括：大模型（大脑）、工具（手脚）、记忆（短期/长期）、规划与反思能力。Skill 可以看作 Agent 的"技能库"，Function Calling 则是它的"行动指令通道"。

MCP：连接 AI 与世界的"通用接口" ​

MCP（Model Context Protocol，模型上下文协议）是一套开放标准协议，用来统一 AI 应用与外部数据源、工具之间的连接方式。可以把它类比为 AI 世界的 "USB-C 接口"——以前每接一个工具都要定制一套接线，现在只要两端都支持 MCP，插上就能用。

MCP 的两个核心角色：

  • MCP Server：把某个数据源/工具封装成标准接口（如"GitHub Server"、"数据库 Server"）
  • MCP Client：AI 应用一侧，负责发现、连接并调用这些 Server
text
AI 应用 (MCP Client) ──协议──> MCP Server ──> GitHub / 数据库 / 文件系统…

关键点：MCP 让"模型接工具"从定制开发变成标准对接——开发一次、处处复用，大大降低 Agent 生态的集成成本。它和 Function Calling 并不冲突：Function Calling 是模型表达调用意图的机制，MCP 是工具之间通信的标准。

其他常用术语速览 ​

术语一句话解释
Prompt给模型的指令/输入文本，提示词
Prompt Engineering设计与优化提示词，以引导模型稳定输出
上下文窗口（Context Window）模型一次能处理的输入 token 上限
Embedding（向量化）把文本转成数值向量，用于相似度检索
RAG（检索增强生成）先检索资料，再让模型基于资料回答，减少幻觉
Fine-tuning（微调）用特定数据继续训练模型，适配专属场景
幻觉（Hallucination）模型一本正经地编造不存在的"事实"
Temperature控制输出随机性：越低越确定，越高越发散

小结 ​

这五个术语可以串成一条"能力进阶链"：

  1. Token 是一切的地基——理解成本与窗口
  2. Function Calling 让模型可以调用外部工具
  3. Skill 把高质量做法沉淀为可复用能力
  4. Agent 组合以上能力，自主完成多步任务
  5. MCP 用统一标准连接 AI 与整个世界

想上手实践，可以先用一个支持 Function Calling 的 API 写个"查询 + 回答"的小例子，再尝试把常用工具封装成 MCP Server，逐步搭建你自己的 Agent。