在构建 AI 智能体（Agent）时，你可能会听到各种术语：Skill、Prompt、Sub-agent、MCP......它们到底是什么？彼此之间如何协作？
其实，无论你用的是哪个大模型平台或开发框架，一个成熟的智能体系统通常由四类基础能力模块构成。理解它们，是设计高效、可靠、可扩展 Agent 工作流的关键。
本文将用通俗语言+真实场景，帮你厘清这四大模块的本质区别与协同方式。
提示（Prompts）：最基础的"临时指令"
Prompt 是你每次与 AI 对话时输入的自然语言指令，比如：
"总结这篇论文"
"把这段 SQL 改成 PostgreSQL 语法"
"用表格对比 A 和 B 的优缺点"✅ 特点：
- 即时性：只在当前对话轮次生效。
- 无记忆：下次对话不会自动复用。
- 灵活但重复成本高：适合一次性任务，不适合标准化流程。
🔍 问题来了：
如果你每周都要让 AI 做同样的事（比如"按 ISO 27001 标准审查代码安全"），每次都得复制一大段 Prompt，不仅麻烦，还容易出错。
→ 这就引出了下一个模块：技能（Skills）。
💡 一句话理解 Prompt：它是你对 AI 的"口头吩咐"，说完就过，不留痕迹。
技能（Skills）：可复用的"专业能力包"
Skill 不是一次性指令，而是一套封装好的操作规范，包含：
- 执行逻辑（文字说明或伪代码）
- 参考模板（如报告格式、代码风格）
- 辅助资源（如正则表达式、函数库）
当智能体遇到匹配的任务时，会自动加载并应用对应的 Skill。
✅ 特点：
持久化：创建一次，长期可用。
按需激活：不占用主上下文，只在需要时加载。
跨会话一致：确保不同时间、不同用户得到相同质量的输出。
🔍 举个例子：
你的团队要求所有技术文档必须包含"变更日志""兼容性说明""部署步骤"三部分。
👉 你可以创建一个 "技术文档生成 Skill"。此后，只要用户说"写一份 API 使用文档"，智能体就会自动套用该结构，无需反复提醒。
💡 Skill vs Prompt：
Prompt 是"这次怎么做"；
Skill 是"这类事永远这么做"。
一句话：什么时候需要把Prompt改用 Skill？
如果您发现自己在多个对话中反复输入相同的 Prompt（例如"使用 OWASP 标准审查此代码的安全漏洞"或"将分析结果格式化为执行摘要、关键发现和建议"），那就该创建一个 Skill 了。这不仅能避免重复解释流程，还能确保执行的一致性。
MCP：智能体的"外部感知接口"
再聪明的 AI，如果看不到你的数据、用不了你的工具，也难有作为。
这就是连接协议（Connection Protocol）的作用------它让智能体能安全地访问外部系统，例如：
- 企业知识库（Confluence、Notion）
- 代码仓库（GitHub、GitLab）
- 数据库（MySQL、Snowflake）
- 业务系统（CRM、ERP）
✅ 核心价值：
打通数据孤岛：AI 能直接读取最新内部资料，无需人工上传。
实时性：连接后数据自动同步，避免信息滞后。
权限可控：可限制只读、仅特定目录等。
🔍 关键区分：
- MCP解决"能不能拿到数据"；
- Skill 解决"拿到后怎么处理数据"。
例如： - MCP让你能查销售数据库；
- Skill 教你"先按区域聚合，再计算同比增速"。
💡 MCP = 智能体的"眼睛和手"，让它真正融入你的工作环境。
一句话：
如果您要说明"查询数据库时务必先按日期范围过滤"或"用这些特定公式格式化 Excel 报告"，这就是一个 Skill。而如果您首先需要让 Claude 访问数据库或 Excel 文件，那就是 MCP 的职责。
最佳实践是两者结合：MCP 提供连接，Skills 提供操作逻辑。
子智能体（Subagents）：分工协作的"专家团队"
当任务过于复杂（比如同时要分析市场、审计代码、生成 PPT），单个智能体可能力不从心。
这时，可以启动多个 Subagents（子智能体），每个专注一个子任务：
- 市场分析师 Subagent：负责竞品调研
- 安全审计 Subagent：扫描代码漏洞
- 文档撰写 Subagent：整合结果成报告
✅ 优势：
- 上下文隔离：各 Subagent 有自己的记忆空间，互不干扰。
- 并行执行：多个任务同时进行，提升效率。
- 权限精细化：可限制某些 Subagent 仅能读不能写，保障安全。
🔍 与 Skill 的区别？
- Skill 是"知识"：可被任何智能体调用；
- Subagent 是"角色"：是一个完整的、带上下文和工具权限的独立执行单元。
💡 Subagent = 外聘专家，而 Skill = 公司内部培训教材。
一句话：
如果多个智能体或对话都需要相同的专业能力（如安全审查流程或数据分析方法），应创建一个 Skill，而非将知识硬编码到每个 Subagent 中。
Skills 具备可移植性和复用性，而 Subagents 是为特定工作流量身定制的。
- 使用 Skills 教会任何智能体通用的专业能力；
- 使用 Subagents 实现具有特定工具权限和上下文隔离的独立任务执行。
四者如何协同？一个通用案例
场景：生成一份《新功能上线风险评估报告》
用户输入 Prompt：
"评估新支付功能上线的风险，包括技术、合规和用户体验。"
MCP激活：
- 读取 Jira 中的需求文档
- 查询数据库中的用户行为日志
- 访问 Confluence 上的合规政策
相关 Skills 被触发：
- "合规检查 Skill"：自动对照 GDPR 条款
- "技术风险评估 Skill"：检查是否有单点故障
- "报告模板 Skill"：按公司标准格式输出
Subagents 并行工作（若系统支持）：
- security-agent：扫描代码注入风险
- ux-analyst：分析用户流程断点
- legal-reviewer：核对隐私条款
主智能体汇总结果，生成最终报告。
→ 整个过程无需人工干预，数据自动获取，流程标准化，结果可复现。
总结：一张表看懂四大模块
| 模块 | 核心作用 | 是否持久 | 能否含代码/逻辑 | 适用场景 |
|---|---|---|---|---|
| Prompt（提示） | 临时指令 | ❌ | ❌ | 一次性请求、即时调整 |
| Skill（技能） | 可复用的专业流程 | ✅ | ✅ | 标准化操作、团队规范、重复任务 |
| 连接协议 | 接入外部数据与工具 | ✅ | ✅（定义接口） | 访问数据库、知识库、业务系统 |
| Subagent（子智能体） | 独立执行专项任务的专家智能体 | ✅ | ✅ | 高复杂度、高专业度、需权限隔离的任务 |
FAQ
Skills 是如何工作的？
Skills 采用渐进式披露机制以保持 Claude 的高效性：
- 任务执行时，Claude 首先扫描 Skill 的元数据（描述和摘要）以识别相关项；
- 若匹配，则加载完整指令；
- 若 Skill 包含可执行代码或参考文件，仅在需要时才加载。
这种架构意味着您可以拥有大量 Skills 而不会压垮上下文窗口------按需加载，精准调用。
Skills vs. Subagents：如何选择？
- 使用 Skills 当：您希望任何 Claude 实例都能加载并使用某项能力。Skills 类似"培训材料"，能让 Claude 在所有对话中更擅长特定任务。
- 使用 Subagents 当：您需要完全独立、自包含的智能体，能自主处理特定工作流。Subagents 更像"专职员工"，拥有自己的上下文和工具权限。
- 组合使用当：您希望 Subagents 具备专业能力。例如，一个代码审查 Subagent 可使用 Skills 来应用特定语言的最佳实践，结合 Subagent 的独立性与 Skills 的可移植性。
Skills vs. Prompts：如何选择？
- 使用 Prompts 当：您提供一次性指令、即时上下文，或进行对话式交互。Prompts 是反应式且临时的。
- 使用 Skills 当：您有需要反复使用的流程或专业知识。Skills 是主动式且跨对话持久的------Claude 知道何时应用它们。
- 组合使用：Prompts 与 Skills 天然互补。用 Skills 提供基础能力，用 Prompts 为每次任务提供具体上下文和微调。