1. 背景

翻了一下，上次写 AI 相关的文章，还是在去年十二月份。

短短三个月过去，AI 的世界依旧热闹，异彩纷呈。比较出圈的，是一款叫作 OpenClaw 的现象级产品。

它其实就是对一系列 AI 能力的封装。火的原因，我认为有两点：

• 交互简单。直接通过日常通信工具交流，入口唯一，使用门槛低，而且主流 App，像 QQ、钉钉和飞书等都支持。
• 效果够好。一方面固然源于大语言模型的不断进化，另一方面，也跟一系列 AI 底层工具链的逐渐完善有关，像 MCP、Skills 等。

LLM 发展初期，围绕“对话”展开，直接与 LLM 交流，强调 Prompt。

中期开始聚焦“任务”，于是需要结合 LLM 构建一整套能力编排框架。

Prompt 工程的文章，2023🔗 年的时候写过，那时候 ChatGPT 才刚刚爆火。

短短两三年过去，之前文章中提到的几点原则，像给出清晰指令、迭代开发等，依旧适用。

不仅如此，更多能力和工具被开发出来，AI 所能处理问题的疆域不断扩大。

今天就打算结合 LLM 和 Prompt，拓展到两个常用的工具：MCP 和 Skills。

2. LLM 和 Prompt

LLM（Large Language Model）是整个 AI 工具的核心。

其核心原理是：

一个基于概率模型，不断生成下一个 Token 的函数。

十分擅长：

• 自然语言理解和生成
• 推理
• 代码生成

也有弱点：

• 幻觉
• 无状态
• 输出结果不稳定
• 无法直接操作外部世界（文件、浏览器等）

LLM 相当于一个人的大脑。

Prompt 则是与这个大脑对话的唯一入口。

一个好的 Prompt 应该包含四部分：

• 定义角色和行为
• 清楚地给定上下文
• 具体的任务
• 输出的要求（如，格式、风格等）

Prompt 的问题是：

• 自然语言天然的模糊属性，导致需求描述不够清晰
• 对于复杂问题，描述困难，易引发混乱
• 同样无法直接操作外部世界

Prompt 相当于人的语言系统。

3. MCP 和 Skills

LLM 和 Prompt，都留了一个巨大的问题没有解决。

语言空间是一个虚拟空间（Cyber Space），与真实的物理空间存在一个巨大的鸿沟。

MCP （Model Context Protocol），在这两者间，架了一道桥。

它是由 Anthropic 推动的一项开放标准，简单理解就是：

一种让 LLM 能“结构化调用外部能力”的协议层。

有了 MCP 这样一个中间层，LLM 被赋予了诸如文件读写、浏览器操控、邮件发送等无限能力。

举一个简单的例子，获取天气的 MCP。

先注册到 LLM 工具集合中：

{
  "tools": [
    {
      "name": "get_weather",
      "description": "...",
      "parameters": {...}
    }
  ]
}

1. LLM 在理解自然语言的过程中，例如：告诉我今天的天气
2. 选择将该任务分发给该 MCP
3. 按照它事先给定的格式填充参数，执行一次 MCP 调用
4. 等待返回结果，继续后续任务

MCP 实现了：

• 将”自然语言“翻译成”结构化执行“的结果，准确，稳定
• 至此，LLM 拥有了操纵真实世界的能力

MCP 像是人的手和脚。

Skills 是一个更新的概念，同样由 Anthropic 提出。

按照官方的说法：

Skills are folders of instructions, scripts, and resources that Claude loads dynamically to improve performance on specialized tasks.

(技能是包含指令、脚本和资源的文件夹，Claude 会动态加载这些文件夹来提高特定任务的性能。)

如果说 MCP 是对某个特定“能力”的封装，那么 Skills 便是对某个特定“任务”解决方案的结构化组织。

Skills 是一组动作，用来完成给定任务，因此我理解：

Skills = LLM + Workflow + MCP

就像是开车，车在那里（MCP），你需要先用钥匙启动，然后踩离合，挂挡，松离合，踩油门，车才能开起来（Skills）。

因此，Skills 名字起的很好，就是人的技能。

4. 分层架构

说完这些，一个层次分明的模型呼之欲出。

           ┌──────────────┐
           │  User/Agent  │
           └──────┬───────┘
                  ↓
           ┌──────────────┐
           │   Prompt     │
           └──────┬───────┘
                  ↓
           ┌──────────────┐
           │     LLM      │
           └──────┬───────┘
                  ↓
        ┌────────────────────┐
        │       Skills       │
        │ (Workflow Layer)   │
        └──────┬─────────────┘
               ↓
        ┌────────────────────┐
        │        MCP         │
        │ (Tool Invocation)  │
        └──────┬─────────────┘
               ↓
        ┌────────────────────┐
        │   External World   │
        │ API / DB / Browser │
        └────────────────────┘

与网络模型一样，分层，通常是拆分并解决一个复杂问题的好办法。

5. 总结

看起来，AI 发展的过程，就是越来越像一个人的过程。

伴随着一系列工具和任务编排系统的发展演进，AI 攻城拔寨，能做的事情越来越多。

OpenClaw 带给人的震撼，就是个很好的例子。

没有什么是突然发生的，不过是量变引起的质变罢了。

在 AI 技术日新月异的大背景下，作为一个软件工程师，一方面受益于它的提质增效，另一方面也有危机感：事情 AI 都能做了，自己的价值在哪里？

（完）

参考

1. OpenClaw — Personal AI Assistant🔗
2. 模型上下文协议 - 维基百科，自由的百科全书🔗
3. What is the Model Context Protocol (MCP)? - Model Context Protocol🔗
4. GitHub - anthropics/skills: Public repository for Agent Skills · GitHub🔗