7类大模型自动化载体完整对比
一、核心总结论
Prompt管指令约束；YAML/Skills做轻量流程编排；Function Calling是模型原生函数触发；MCP是跨端标准化工具调度层；Agent插件是独立功能扩展包；Python承载底层执行逻辑；MCP+调试分片脚本可二次整合为离线完整Python程序用于全流程复现
二、七类载体横向对比表
| 载体 | 核心定位 | 开发门槛 | 运行依赖 | 核心优势 | 核心短板 | 典型使用场景 |
|---|---|---|---|---|---|---|
| Prompt提示词 | 大模型自然语言规则层，定义输出格式、行为约束 | 极低 | 任意LLM | 零部署、快速迭代、纯文本配置 | 无执行能力，无法读写本地文件、循环运算 | 文案生成、数据提取、输出规范约束 |
| Skills | 预制轻量化快捷工具集 | 低 | 配套Agent框架 | 开箱即用，高频短流程一键调用 | 复杂分支、多工具深度串联能力弱 | 日常固定简易查询、轻度汇总 |
| YAML配置工作流 | 声明式低代码流程编排 | 低-中 | 支持YAML解析的智能体/编辑器 | 结构清晰、可串行/并行编排多步骤 | 不支持自定义算法、重度数值运算 | 多工具顺序联动轻量化自动化 |
| Function Calling | LLM原生内置函数调用能力 | 中 | 支持函数调用接口的大模型 | 模型自主判断触发工具，原生适配 | 仅单次函数调用，复杂流程需额外封装 | 自主查询数据、按需调取计算工具 |
| Agent插件 | 独立封装完整业务能力的扩展模块 | 中 | 对应编辑器/Agent客户端 | 可对接第三方系统、自定义交互界面 | 平台绑定，跨软件不兼容 | 对接外部业务系统、专属定制功能 |
| MCP模型控制协议 | 标准化跨平台工具调度中间网关 | 中 | MCP客户端（Cursor等编辑器） | 统一调度Excel/SQL/检索/Python脚本，协议通用 | 仅负责中转调度，无原生运算逻辑 | 编辑器本地多数据源统一自动化 |
| Python程序 | 通用底层可编程执行载体 | 高 | Python运行环境 | 支持算法、批量处理、数据库、复杂循环分支 | 无法直连大模型，需封装后被上层载体调用 | 复杂数据分析、批量离线运算、定制业务逻辑 |
三、MCP + Python脚本组合专项补充
- 阶段分工
- 调试阶段：MCP挂载拆分式Python分片脚本，大模型按需调用，用于编辑器内实时交互、参数与逻辑调试；
- 复现落地阶段：剥离MCP通信代码，整合所有分片脚本、统一入参、补充主入口、日志、异常处理，生成独立完整Python程序，可脱离MCP、编辑器、大模型离线完整复现流程。
- 两者产物区分
- MCP+分片脚本：依赖MCP网关，供AI按需调用，拆分复用；
- 整合后完整Python程序：无外部调度依赖，支持批量、定时、离线全流程复现。
四、分需求选型建议
- 纯文本规范、文案处理：Prompt提示词
- 简易固定短流程自动化：Skills / YAML配置工作流
- 模型自主判断调用工具：Function Calling
- 编辑器本地多数据源统一调度：MCP + 分片Python脚本
- 对接第三方系统、专属扩展功能：Agent插件
- 复杂运算、离线批量复现完整流程：Python程序（由调试后的MCP分片脚本整合生成）
五、企业级完整组合方案
Prompt（规则约束）+ YAML（流程编排）+ MCP（统一调度）+ 分片Python脚本（功能执行）→ 调试完成后整合为独立完整Python程序用于离线批量复现