一、最底层：LLM 本身只会"输出文字"
LLM（Claude、GPT、Kimi、DeepSeek 这些）本质上是一个只会生成文字的模型。你给它一段输入，它输出一段文字。仅此而已。
它不能：读你的文件、点击网页、查实时天气、写入 Obsidian、运行代码。
那为什么我们感觉 ChatGPT 能搜索、Claude 能写代码？因为外面套了一层东西，让它"假装"能做这些。这层东西就是接下来要讲的 tool calling、MCP、Skill。
二、Tool Calling（工具调用）：最基础的机制
Tool calling 是 LLM 厂商提供的一个 API 特性。流程是这样：
- 你（开发者）在 API 请求里告诉模型："你有这些工具可以用：
get_weather(city)、read_file(path)、write_obsidian_note(content)，每个工具的参数和说明是 XX。" - 用户问："今天上海天气怎么样？"
- 模型不直接回答，而是返回一个结构化的 JSON ："我要调用
get_weather，参数 city='上海'。" - 你的代码 接到这个 JSON，真正去执行
get_weather('上海')，拿到结果（比如"晴 25°C"）。 - 你把结果塞回对话历史，再让模型生成最终回复："今天上海晴天，25度。"
关键点：LLM 自己不会执行工具，它只会"说我想用哪个工具"。真正的执行是你写的代码做的。LLM 厂商只是规范了"模型怎么表达想用工具"这件事。
这就是 tool calling 的全部。它是个底层协议。
三、MCP（Model Context Protocol）：工具的"标准化接口"
Tool calling 解决了"模型怎么说想用工具"，但留了一个问题：工具本身怎么写、怎么分发？
举例：你想让 Claude 能操作你的 Notion，那你得自己写 Notion API 的封装代码、定义工具 schema、处理认证、塞进 API 请求里。我也想让 Claude 操作 Notion，我也得从零写一遍。Bob 想让 GPT 操作 Notion，他还得再写一遍------而且因为 Claude 和 GPT 的 tool calling 格式有细微差别，还得改。
Anthropic 在 2024 年底推了 MCP （Model Context Protocol），它的核心想法是：把"工具"做成可以独立运行的小服务（叫 MCP Server），用统一的协议和任何 LLM 客户端通信。
类比：MCP 之于 LLM 工具，就像 USB 之于硬件外设。以前每个鼠标键盘都有自己的接口，现在统一 USB，插哪都能用。
具体形式：
- 一个 MCP Server 是一个独立的程序（可以是 Python、Node.js、Rust 写的），监听某个端口或 stdio
- 它声明自己提供哪些工具（比如
notion-mcp-server提供create_page、search_pages等） - 任何支持 MCP 的客户端（Claude Desktop、Claude Code、Cursor、OpenClaw 等）都能连上这个 server，立刻获得这些工具能力
- 你不用改 LLM，不用改客户端，只要装一个 MCP server 就行
所以 MCP 和 tool calling 的关系是：tool calling 是 LLM 层面的协议（"模型如何表达想用工具"），MCP 是工具层面的协议（"工具如何被分发和调用"）。MCP server 内部最终还是用 tool calling 把工具暴露给模型。
四、Skill：给 Agent 的"操作手册"
Tool 解决"能做什么"（capability），Skill 解决"该怎么做"（know-how）。
举个例子。你给 Claude 一堆工具：read_file、write_file、run_python、search_web。然后你说："帮我做一个 PPT"。Claude 知道有这些工具，但它不一定知道：
- 应该用哪个 Python 库（python-pptx？还是别的）
- 你公司的 PPT 模板放在哪
- 标题字号该用多大、配色用什么
- 要不要加封面页和封底
Skill 就是把这些"领域知识 + 操作步骤"写成一个 markdown 文件，放在 agent 能找到的地方。Agent 在执行任务前先读 SKILL.md，按里面的指引调用工具。
一个典型的 SKILL.md 长这样：
markdown
# job-tracker Skill
## 何时使用
当用户提到"记录岗位"、"投递了 XX 公司"、"保存这个 JD"时使用。
## 执行步骤
1. 解析用户提供的 JD 文本，提取公司、岗位、薪资、地点
2. 用 LLM 总结 JD 核心需求（必备技能、加分项）
3. 调用 write_file 工具，把内容按指定格式写到 ~/Obsidian/求职/岗位/{公司}_{岗位}_{日期}.md
4. frontmatter 用 YAML 格式，字段包括 ...
5. 完成后在聊天里回复"已记录到 Obsidian"Anthropic 在 Claude 应用和 Claude Code 里推这个概念叫 Agent Skills （你看我的系统里有 /mnt/skills/public/docx/SKILL.md、pptx/SKILL.md 这些就是）。OpenClaw 直接借用了这套设计，它的 Skills 放在 ~/.openclaw/workspace/skills/。
Skill 和 MCP 的区别：MCP 是给模型加新工具（新能力），Skill 是教模型怎么用已有工具完成特定任务（操作手册）。一个 Skill 通常会调用多个工具，可能是内置工具、也可能是 MCP 工具。
五、Claude Code 是什么
Claude Code 是 Anthropic 出的一个命令行工具（CLI），本质上是一个跑在终端里的 coding agent。
它内置了：文件读写、bash 执行、代码搜索、git 操作等工具。你在终端里 claude 一下，就开始和它对话，它能直接读你当前目录的代码、改文件、跑测试。
它支持 MCP（你可以接 GitHub MCP 让它操作 PR），也支持 Skills（放在 .claude/skills/ 目录）。
和 OpenClaw 的对比：
- Claude Code = 给开发者用的、专注于 coding 的 CLI agent，绑定 Claude 模型
- OpenClaw = 给所有人用的、通过 IM 聊天交互的、什么都能做的个人 agent，模型可换