AI 进化论：从 Function Calling，到 MCP，再到 Agent Skills
在 AI 应用开发的下半场，讨论的焦点已经明显从**“模型能力”转向了“落地能力”**。
问题不再是：
大模型能不能写诗、写代码
而是：
如何让大模型真正接入真实世界，查数据库、改代码、操控服务器，并且能规模化复用？
要回答这个问题，必须看清 AI 工具交互能力的三次关键演进：
Function Calling → MCP（Model Context Protocol） → Agent Skills
这不是简单的时间线，而是一个逐层抽象、逐层解耦的演进过程。
一、Function Calling：AI 的「硬编码工具接口」
Function Calling（函数调用） 是 AI 与外部系统交互的第一代方案。
工作方式
开发者通过 JSON Schema 明确告诉模型：
- 有哪些函数
- 每个函数需要哪些参数
- 参数的类型和约束
模型只负责生成结构化参数，
真正的函数执行、权限校验、异常处理，完全由开发者控制。
本质
- LLM = 参数生成器
- 业务逻辑 = 本地代码
优点
- 确定性强
- 安全、可控
- 非常适合业务系统快速接入 AI
根本问题
- 厂商绑定严重（OpenAI / Claude / Gemini 各一套）
- 复用性极低
- 每个项目都要重新定义同类工具
一句话总结：
Function Calling 解决的是「AI 能不能动一下」，但还停留在“应用私有接口”阶段。
二、MCP：AI 的「通用能力接入标准」
MCP（Model Context Protocol） 是当前真正改变 AI 工具生态格局的一步。
它不是 Agent 框架，也不是 Prompt 技巧，而是：
AI 时代的基础设施级协议
MCP 要解决什么问题？
在 MCP 出现之前：
- 每个 AI 应用
- 每个模型
- 每种外部能力
都需要单独对接、重复适配。
结果就是：
工具碎片化、能力无法流通、生态无法形成。
MCP 的本质
一套 开放、标准化、双向通信协议
它把“AI 如何接入外部世界”这个问题，
从应用代码层，下沉到了协议层。
核心角色
-
MCP Server
能力或数据的提供者- 本地文件系统
- 数据库
- Git / SSH
- 内部业务系统
-
MCP Host
AI 运行环境- Claude Desktop
- Cursor
- IDE / Agent Runtime
MCP 为什么是“地基”？
- 模型无关
- 应用无关
- 一次实现，处处可用
你写一个 SSH MCP Server：
- 不只是给你自己的 AI 用
- 而是整个 MCP 生态都能直接挂载
一句话总结：
MCP 解决的是「AI 如何规模化连接真实世界」的问题。
三、Agent Skills：建立在 MCP 之上的「智能行为层」
Agent Skills 并不是 MCP 的前身，也不是它的竞争者。
它是明确建立在 MCP 之上的上层能力结构。
如果说：
- MCP 解决「能不能接入能力」
- 那 Agent Skills 解决的就是「如何像专家一样使用能力」
Agent Skills 是什么？
它不是一个函数，也不是一个接口，而是一整套：
- 决策逻辑
- 多步工具调用
- 状态与上下文管理
- 失败处理与闭环反馈
本质抽象
这是一种架构分层关系，而不是谁“淘汰”谁。
五、三者对比（修正版）
| 维度 | Function Calling | MCP | Agent Skills |
|---|---|---|---|
| 所在层级 | 应用接口 | 基础设施协议 | 行为与智能封装 |
| 标准化 | 私有 API | 开放标准 | 无统一标准 |
| 复用性 | 极低 | 极高 | 依赖 MCP |
| 跨平台 | 否 | 是 | 间接 |
| 核心价值 | 能不能调用 | 能不能连接世界 | 能不能像专家一样做事 |
六、开发者该如何选型？
简单业务集成
- 表单处理
- 数据查询
- 单步动作
👉 Function Calling
平台级 / 工具型产品
- IDE
- AI 终端
- 本地数据增强工具
👉 MCP 是基础设施级必选
构建长期 AI 壁垒
- 运维专家
- 自动化工作流
- 垂直行业智能体
👉 MCP + Agent Skills
七、结语
AI 的演进并不是“谁取代谁”，而是不断向上抽象、向下标准化：
- Function Calling：让 AI 开始“动手”
- MCP：让 AI 能连接真实世界并形成生态
- Agent Skills：让 AI 像真正的专家一样做事
协议决定上限，Skill 决定壁垒。
在 AI 基础设施逐渐协议化的今天，
越早站在 MCP 之上构建能力，越早进入生态核心层。
作者简介
资深全栈开发者，长期深耕于 AI 终端、远程桌面与跨平台系统领域。
项目
Aeroshell
面向未来的 AI 终端与运维智能体平台
一起探索 AI × 终端 的下一阶段。
