10分钟搞懂 Prompt、Agent 与 MCP

发表于 更新于 分类于

一、引言：从”跟 AI 聊天”到”让 AI 干活”

你是不是也有这样的困惑——明明都在说 AI、大模型、ChatGPT，但一听到 Prompt、Agent、MCP、Function Calling 这些名词就头大？

别急，这些概念确实容易混在一起，因为它们都是围绕”怎么让 AI 更好用”这个核心目标展开的。

理解这些概念，核心就一句话：

你跟 AI 说一句话叫 Prompt；让 AI 自己说好几句话、做好几件事叫 Agent；让 AI 能调用外部工具叫 MCP。

二、Prompt：提示词——你和 AI 之间的语言

2.1 什么是 Prompt？

Prompt 就是你发给大模型的那段文字。

最简单的 Prompt 就是一个问题：”什么是黑洞？””帮我写一封请假邮件。”

高级一点的 Prompt 包含：角色设定 + 背景信息 + 具体任务 + 输出格式：

1
2
3
4
你是一位资深的 Python 工程师。
我有一个 Flask 后端项目，需要添加用户认证功能。
请帮我设计 JWT Token 的签发和验证流程，
用 Markdown 格式输出，包含代码示例。

2.2 Prompt 的本质

Prompt 的本质是**用自然语言”编程”**。

传统编程：你写代码告诉计算机一步一步怎么做。
Prompt 工程：你用自然语言告诉大模型你想要什么结果，让它自己想办法。

2.3 Prompt 的局限性

Prompt 有一个硬伤：一次交互，一个任务。

你问一个问题，它回答一次。对话结束。如果你想让它完成一系列步骤——比如先搜索信息、再分析数据、再生成报告——光靠 Prompt 做不到。

这就是 Agent 登场的时刻。

三、Agent：智能体——让 AI 自己干活

3.1 什么是 Agent？

Agent（智能体）就是把 大模型 + 工具 + 自主决策 结合在一起。

如果 Prompt 是”你给 AI 布置一个任务，它做一次”，那 Agent 就是”你给 AI 布置一个任务，它自己规划步骤、自己调用工具、自己判断是否完成”。

3.2 Agent 的核心组件

组件 作用 类比
LLM（大模型） 大脑，负责理解和推理 人的大脑
Memory（记忆） 存储上下文和历史信息 人的笔记本
Tools（工具） 调用外部能力（搜索、计算、读写文件等） 人的双手
Planning（规划） 把复杂任务拆解为子任务 人的计划能力

3.3 Agent 的工作流程

举个例子，你说：”帮我调研一下 2025 年新能源汽车市场，写一份报告。”

一个 Agent 会这样做：

  1. 规划：把任务拆解为几步——搜索市场数据 → 整理关键信息 → 分析趋势 → 生成报告
  2. 执行：调用搜索工具获取数据，调用计算工具处理数字
  3. 观察：检查搜索结果是否有用，数据是否充分
  4. 迭代：如果信息不够，再去搜索；如果足够，开始写报告
  5. 输出：生成最终报告

这个过程是自主循环的，不需要你一步步指导。

3.4 Function Calling：Agent 的”双手”

Agent 能调用工具，底层靠的是 Function Calling（函数调用）。

大模型输出一段结构化的指令：”请调用 search_web 函数，参数是’2025新能源汽车市场’。”Agent 框架收到后执行这个调用，把结果返回给大模型，大模型继续推理。

没有 Function Calling，Agent 就只是一个会说话的大脑。

四、MCP：模型上下文协议——AI 的”USB 接口”

4.1 什么是 MCP？

MCP 全称 Model Context Protocol（模型上下文协议），由 Anthropic（Claude 的开发公司）在 2024 年底开源提出。

一句话解释：MCP 是 AI 世界的 USB 接口标准。

4.2 为什么需要 MCP？

在 MCP 出现之前，每个 AI 工具（ChatGPT、Claude、Cursor、Windsurf……）都有自己的一套工具接入方式。你想让 Claude 能访问你的文件系统？需要写一套代码。想让 ChatGPT 也能？再写一套。

这就像以前每个手机品牌充电接口都不一样，换一个手机就要换一根充电线。

MCP 就是 AI 领域的 USB-C 接口：

  • 工具开发者只需要写一次 MCP Server
  • 所有支持 MCP 协议的 AI 客户端都可以直接使用
  • 不需要为每个 AI 应用单独适配

4.3 MCP 的架构

1
2
3
AI 客户端 (MCP Client)  ←──标准协议──→  工具服务 (MCP Server)
     │                                          │
  Claude / Cursor / ...                     文件系统 / 数据库 / API / ...
  • MCP Client：内嵌在 AI 应用中（如 Claude Desktop、Cursor IDE），负责管理连接
  • MCP Server：独立的进程，提供具体能力（比如文件读写、数据库查询、GitHub 操作）
  • 协议：双方通过 JSON-RPC 2.0 通信，有统一的标准格式

4.4 MCP 三大核心能力

  1. Tools（工具）：AI 可以调用的函数。如”搜索文件””执行 SQL””发送邮件”
  2. Resources（资源）：AI 可以读取的数据。如文件内容、数据库记录、API 返回值
  3. Prompts（提示模板）：预定义的提示词模板

4.5 实际应用

安装一个”GitHub MCP Server”，任何支持 MCP 的 AI 客户端都能：

  • 读取你的仓库代码
  • 创建 Issue
  • 提交 Pull Request
  • 查看 CI/CD 状态

一个 Server，到处可用。这就是 MCP 的价值。

五、三者的关系

1
用户 → Prompt → Agent 接收任务 → 通过 MCP 调用工具 → 完成任务 → 返回结果
概念 一句话 打比方
Prompt 你跟 AI 说的话 你给助手下的指令
Agent 能自主完成任务的 AI 能独立干活的员工
MCP AI 连接外部工具的标准协议 万能 USB 接口

六、从理解到实践

如果你只是想用好 AI： 学好 Prompt Engineering 就够了，掌握角色设定、上下文、分步引导等技巧。

如果你想让 AI 自动干活： 需要理解 Agent 的概念和工作原理，选一个框架开始实践（LangChain、AutoGen、CrewAI 等）。

如果你想开发 AI 工具： MCP 是目前最值得投入的方向。写一个 MCP Server，所有 AI 应用都能用你的工具。Anthropic 提供了完整的 Python / TypeScript SDK。

这三个概念代表了 AI 应用发展的三个阶段：

  1. Prompt 时代：人类一句话，AI 一段回答（2022-2023）
  2. Agent 时代：人类一个目标，AI 自主执行（2024-2025）
  3. MCP 时代：AI 工具标准化，生态互通（2025+）

理解了这三个概念，你就理解了当前 AI 应用开发的核心脉络。