14. MCP 和 Agent Skill 的区别是什么？
14. MCP 和 Agent Skill 的区别是什么？
👔面试官：MCP 和 Agent Skill 有什么区别？
🙋♂️我：它们都是描述 Agent 能做什么的，MCP 是用工具列表来描述，Skill 是用能力标签来描述，本质上差不多，只是格式不同。
👔面试官：「本质上差不多」？那你觉得为什么 AI 社区要搞两套协议，MCP 和 A2A 各管各的？如果它们真的差不多，一套不就够了？
🙋♂️我：嗯……可能是因为作用对象不同？MCP 是给模型看的，Skill 是给其他 Agent 看的？但具体怎么分工我不太确定。
👔面试官：方向对了一半，但你还是没抓住核心。MCP 是 Agent 和工具之间的纵向连接，解决的是「Agent 怎么用工具」；Skill 是 Agent 和 Agent 之间的横向协作接口，解决的是「任务怎么路由给对的 Agent」。一个是 Agent 的「手臂」，一个是 Agent 的「简历」，层次完全不同。你去把两者的作用方向、粒度差异、在系统里各自解决什么问题搞清楚。
好，这段对话的误区很有代表性，很多人把 MCP 和 Skill 当成同类概念去对比。下面我把两者各自的定位和分工拆开讲清楚。
💡 简要回答
MCP 和 Agent Skill 是完全不同层次的概念，不是竞争关系。MCP 解决的是「单个 Agent 怎么用工具」，是 Agent 内部的纵向连接，Agent 通过 MCP 连数据库、调 API、操作文件，模型直接触发这些操作。Skill 是 A2A 协议里 Agent 对外的能力声明，解决的是「多个 Agent 之间怎么分工」，是 Agent 之间的横向协作接口，调度 Agent 看各专业 Agent 声明的 Skill，决定把任务路由给谁。简单记：MCP 是 Agent 的「手臂」，让它能做事；Skill 是 Agent 的「简历」，让其他 Agent 知道它能做什么事。在复杂的多 Agent 系统里，两者往往同时存在：Agent 对外声明 Skill 承接任务，内部用 MCP 连工具来完成任务。
📝 详细解析
从定位说起：两者解决的不是同一个问题
很多人第一次看到这两个概念会觉得它们都是「描述 Agent 能做什么」，但仔细看会发现两者的目的、对象和工作层次完全不同。
MCP 是「Agent 和工具之间」的协议，解决的是 Agent 怎么获得外部能力，比如查数据库、调 API、操作文件系统，它的作用方向是向下的，从 Agent 指向工具。而 Skill 是「Agent 和 Agent 之间」的接口，解决的是调度 Agent 怎么知道某个专业 Agent 能承接哪类任务，它的作用方向是横向的，发生在多个 Agent 之间。简单来说，一个是纵向连工具，一个是横向连 Agent，这就是两者最本质的区别。
MCP：让 Agent 有「手」
理解了两者的定位差异，咱们分别展开看看。先说 MCP，为什么说它是 Agent 的「手」？因为如果没有 MCP，Agent 就只会「说话」，不会「做事」。MCP Server 暴露的 Tools、Resources、Prompts 就是 Agent 使用外部能力的手段，模型通过 Function Calling 触发这些工具，工具执行完把结果喂回对话。你可以把 MCP 理解成给 Agent 装上了一双手，让它能够真正去操作外部世界，查数据库、读文件、调 API，而不仅仅是在对话框里跟你聊天。
MCP 的粒度是「原子操作」：read_file(path) 是一个 Tool，query_database(sql) 是一个 Tool，每次调用做一件明确完整的事，执行结果立刻返回。模型能看到每个 Tool 的完整 schema，包括它叫什么名字、接受什么参数、返回什么格式。这种精确的可见性正是模型能准确判断「这个问题该调哪个工具」的基础。
Skill：给 Agent 一张「简历」
Skill 是 Agent 在 A2A 协议里发布的能力声明，写在 Agent Card 里，告诉外界「我擅长做什么类型的任务」。调度 Agent 看到 Skill 列表后，决定把哪类任务委托给哪个专业 Agent。
Skill 的粒度是「任务类别」：「竞品分析」是一个 Skill，「代码审查」是一个 Skill，描述的是 Agent 能承接的工作方向，而不是具体的原子操作。调用方不知道、也不需要知道 Agent 内部用了哪些工具来完成任务，执行过程完全黑盒，只关心最后交付什么结果。这种黑盒设计正是多 Agent 系统能保持松耦合的关键，调度 Agent 换了，专业 Agent 不用改；专业 Agent 内部重构了，调度 Agent 也感知不到。
核心区别对比
搞清楚了 MCP 和 Skill 各自的定位，咱们把它们放在一起对比一下，这样差异会更加一目了然。
| 维度 | MCP（Tools/Resources） | Agent Skill |
|---|---|---|
| 作用层次 | Agent 内部（纵向连工具） | Agent 之间（横向协作） |
| 对象 | 工具服务（数据库、API、文件） | 其他 Agent / 调度 Agent |
| 粒度 | 原子操作（单次函数调用） | 任务类别（一类工作方向） |
| 触发方式 | 模型通过 Function Calling 触发 | A2A Task 委托触发 |
| 内部可见性 | schema 对模型完全可见 | 实现细节对外完全黑盒 |
| 执行时长 | 毫秒级，立刻返回结果 | 可以是分钟级的异步长任务 |
| 所属协议 | MCP | A2A |
两者同时工作的完整场景
看完表格你可能会想，既然两者解决的问题不一样，那它们在真实系统里是怎么配合的？其实在稍微复杂一点的多 Agent 系统里，MCP 和 Skill 几乎一定是同时存在的，各管各的层次。咱们用一个数据分析 Agent 来感受一下。
对外，这个 Agent 在 Agent Card 里声明了自己的 Skill：["数据分析", "趋势预测", "报告生成"]，这就是它的「简历」，调度 Agent 看到这些 Skill，就知道数据类的任务应该交给它。对内呢，它的 MCP Client 连着数据库 Server 和 Python 执行器 Server，这就是它的「手」，模型在执行任务时通过 Function Calling 调用这些工具来真正完成数据处理。
整个执行链路串起来就是：调度 Agent 查 Skill -> 发现「数据分析」在这个 Agent 上 -> 通过 A2A 发 Task -> 专业 Agent 接到任务开始执行 -> 模型调用 MCP 工具（查数据库、跑 Python 分析脚本）-> 把结果作为 Task 产出返回给调度 Agent。
你看，Skill 负责「让任务找到对的 Agent」，MCP 负责「让 Agent 真正完成任务」，一个管路由，一个管执行，缺了哪个系统都转不起来。理解了这个分工，再看那些多 Agent 架构图就会清晰很多。
🎯 面试总结
回到开头对话踩的雷，最大的误区就是把 MCP 和 Skill 当成「同一层次的不同实现」来对比。面试回答这道题，第一个必须点明的是两者的作用方向不同：MCP 是纵向的，连接 Agent 和工具，解决的是「Agent 怎么获得外部能力」；Skill 是横向的，连接 Agent 和 Agent，解决的是「任务怎么路由到对的 Agent」。
第二个关键点是粒度差异。MCP 暴露的是原子操作，比如 read_file(path)、query_database(sql)，每次调用做一件明确完整的事，schema 对模型完全可见；Skill 描述的是任务类别，比如「竞品分析」「代码审查」，执行过程对外完全黑盒，可以是分钟级的异步长任务。
如果能用「手臂」和「简历」的类比来收尾，会让面试官觉得你理解得很到位：MCP 是 Agent 的手臂，让它能做事；Skill 是 Agent 的简历，让其他 Agent 知道它能做什么事。在复杂的多 Agent 系统里，两者同时存在，各司其职。
对了，AI 工具调用的面试题会在「公众号@小林面试笔记题」持续更新，林友们赶紧关注起来，别错过最新干货哦！
