面试官Function Calling、Skill、MCP 这三个概念有什么区别♂️我这三个都是让模型调用外部工具的方式吧Function Calling 是 OpenAI 的方案MCP 是 Anthropic 的方案Skill 也是 Anthropic 的方案它们是不同时期搞出来的竞争方案。面试官竞争方案那你觉得一个系统里只需要选其中一个用就行了它们是可以互相替代的♂️我也不完全是替代关系……它们应该各有侧重比如 Function Calling 管函数调用MCP 管工具标准化Skill 管流程模板但我不太确定它们之间有没有层级关系。面试官你前半段说的方向沾边了但关键问题是你没搞清楚这三者的层级依赖。它们不是并列的三个方案而是从底到顶的三层架构Function Calling 是最底层的调用语言MCP 在它之上做工具标准化Skill 在最上层把使用工具完成任务的知识和流程封装成可复用模块。你把每层解决什么问题搞清楚三者的区别就一目了然了。好这段对话踩的雷挺典型的很多人一上来就把这三个当成平行的竞争方案。下面我把三者的层级关系和各自定位拆开讲清楚。 简要回答这三个概念在不同层次工作不是竞争关系。Function Calling 是最底层的调用协议解决的是「模型怎么调函数」模型输出结构化 JSON 告诉程序该调哪个函数、传什么参数。MCP 在 Function Calling 之上做工具标准化解决的是「工具怎么暴露给模型」把数据库、API 这些外部能力封装成标准化服务一次实现到处复用。Agent Skill 在最上层做知识和流程的封装解决的是「拿到工具之后按什么流程完成任务」把执行步骤、标准、脚本、模板打包成可复用模块。简单记就是Function Calling 是语言MCP 是工具箱Skill 是操作手册。 详细解析为什么会有三个概念这三个概念放在一起确实很容易让人迷惑但其实它们各自解决的是完全不同层次的问题是三层架构不是三个竞争方案。怎么理解呢咱们先建立一个直觉感受Function Calling 是「模型说我要调这个函数」MCP 是「工具服务说我能提供这些函数」Skill 是「操作手册说用这些工具按这个流程做」。你看三句话的主语不一样说话对象不一样粒度也不一样这就是三者的本质差异。再从时间线来看就更清楚了。Function Calling 是最先出现的当时的核心问题是「模型只会生成文本怎么让它能触发外部调用」所以 Function Calling 解决的是最基础的调用协议问题。后来 Function Calling 普及了大家发现一个新的痛点每个应用都要自己写代码对接各种工具数据库一套、文件系统一套、API 又一套重复劳动太多了。MCP 就是在这个背景下出现的它把工具的接入标准化了一次实现到处复用。再后来工具有了、接入也标准化了又冒出了新问题Agent 有了一堆工具但面对一个复杂任务它不知道该按什么流程、什么标准来用这些工具。Skill 就是为了解决这个「知识和流程复用」的问题才诞生的。三者的出现背景不同自然解决的是不同层次的东西。从「谁和谁通信」来看三者位置理解三者最清晰的切入点是每个机制发生在哪两个角色之间。Function Calling发生在模型和函数之间是单次调用的格式规范。模型生成tool_callsJSON 告诉宿主程序「调这个函数、参数是这个」宿主程序执行完把结果以 tool 消息形式喂回去。这一切发生在单个 Agent 内部是最底层的「调用语言」整个系统靠这个让模型触发实际动作。理解了 Function Calling 是最底层的通信语言往上一层就是MCP。它发生在 AI 客户端MCP Client和工具服务MCP Server之间是工具的标准化封装协议。Client 连上 Server 后自动发现工具列表把工具定义转换成 Function Calling 格式喂给模型。所以 MCP 本质上是对 Function Calling 的封装和管理它让工具从「应用内的代码片段」变成「独立的标准化服务」一次实现到处复用。再往上一层就到了Skill它发生在 Agent 和知识模块之间。Agent 启动的时候会扫描可用的 Skill 列表当用户提了一个任务Agent 自己判断哪个 Skill 和这个任务相关主动去加载 SKILL.md 里的执行指令、脚本和模板。Skill 的粒度比 MCP 工具粗得多「代码审查」是一个 Skill「数据分析报告」是一个 Skill每个 Skill 内部可能涉及好几个步骤、调用好几个 MCP 工具。三者的层级依赖关系搞清楚了三者各自的位置接下来一个很自然的问题是它们之间有没有上下级关系答案是有的而且层级非常明确。为什么 Function Calling 在最底层因为它是模型触发工具调用的「语言」没有这套语言模型就没办法告诉外部「我要调哪个函数、传什么参数」一切上层能力都无从谈起。MCP 为什么在它之上因为 MCP 做的是工具管理和标准化封装但归根到底MCP Server 暴露的工具最终还是要通过 Function Calling 的格式传给模型、让模型来触发所以 MCP 天然依赖 Function Calling。那 Skill 为什么在最上面因为 Skill 定义的是使用工具完成任务的流程和标准Agent 按照 Skill 里的指令去执行每一步需要调工具的时候还是得靠 MCP 发现工具、靠 Function Calling 触发调用。所以完整的链条是Skill定义流程- MCP提供工具- Function Calling模型触发调用从上到下三层每一层都建立在下一层的基础之上各司其职。用做菜来类比就很好理解。Function Calling 是你的「手」能拿刀、能点火、能翻锅这是最基础的操作能力。MCP 是你的「厨房」里面有各种厨具和食材刀在抽屉里、调料在架子上、食材在冰箱里你走进厨房就知道有哪些东西可以用。Skill 是那份「菜谱」告诉你先热锅凉油、再放姜蒜爆香、然后下主料翻炒、最后调味出锅。你可以试着想想跳过其中一层会怎样没有手Function Calling你站在厨房里、拿着菜谱什么都做不了因为你连刀都拿不起来没有厨房MCP就算你有手、有菜谱家里什么厨具都没有也只能空着两只手对着菜谱发呆没有菜谱Skill你有手、也有满厨房的厨具但面对一桌食材不知道该先切什么、后炒什么只能瞎折腾。三者缺一不可各管各的层次。用一个完整故事串联三者把三者放在同一个场景里感受一下各层分工。用户对 Agent 说「帮我分析最近三个月的销售数据找出下滑的产品线给改进建议」。首先是Skill 层在起作用。Agent 收到任务后扫描自己可用的 Skill 列表发现有一个叫「数据分析报告」的 Skill 和这个任务高度匹配。于是 Agent 加载这个 Skill 的 SKILL.md 正文读取里面定义的分析流程第一步从数据库取数据第二步用 Python 做趋势分析第三步按模板写分析报告。Skill 就像一份菜谱把整个任务的步骤和标准安排得明明白白。然后是MCP 层在起作用。执行第一步「从数据库取数据」的时候Agent 的 MCP Client 已经连着数据库 MCP Server 和 Python 执行器 MCP Server自动知道有query_database和run_python这些工具可用。MCP 就像厨房里面的厨具和食材随时可以取用不需要任何手动配置。最底层是Function Calling在起作用。模型判断需要查数据库输出tool_calls: query_database(sqlSELECT product, revenue FROM sales WHERE date 2026-01-01)MCP Client 把这个请求路由到数据库 Server 执行拿到结果后模型继续处理。接着模型输出调用 Python 执行器的 Function Calling对数据做趋势分析。最后 Agent 按 Skill 里定义的报告模板把结果整理成结构化的分析报告返回给用户。整个流程里 Skill 做流程编排、MCP 做工具管理、Function Calling 做模型和工具的通信三层分工明确缺哪层都不完整。 面试总结回到开头对话踩的雷最大的误区就是把 Function Calling、MCP、Skill 当成三个平行的竞争方案。面试回答这道题第一个必须说清楚的是三者的层级关系Function Calling 是最底层的调用协议解决的是「模型怎么触发函数调用」MCP 在 Function Calling 之上解决的是「工具怎么标准化封装和发现」Skill 在最上层解决的是「拿到工具后按什么流程完成任务」。三层从下到上各司其职。第二个关键点是用类比帮面试官快速理解。Function Calling 是「语言」让模型能说出要调什么函数MCP 是「工具箱」把工具标准化打包随时插拔Skill 是「操作手册」教 Agent 用工具箱里的工具按什么流程完成工作。面试时如果能用一个完整场景把三层串起来就更好了Agent 按 Skill 定义的流程分步执行每一步需要调工具时通过 MCP 发现可用工具模型通过 Function Calling 触发具体的工具调用。这样面试官能看出你不只是背了概念而是真正理解了三者在系统里怎么协作的。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
鹅厂二面：Function Calling、Skill、MCP 这三个概念有什么区别？
面试官Function Calling、Skill、MCP 这三个概念有什么区别♂️我这三个都是让模型调用外部工具的方式吧Function Calling 是 OpenAI 的方案MCP 是 Anthropic 的方案Skill 也是 Anthropic 的方案它们是不同时期搞出来的竞争方案。面试官竞争方案那你觉得一个系统里只需要选其中一个用就行了它们是可以互相替代的♂️我也不完全是替代关系……它们应该各有侧重比如 Function Calling 管函数调用MCP 管工具标准化Skill 管流程模板但我不太确定它们之间有没有层级关系。面试官你前半段说的方向沾边了但关键问题是你没搞清楚这三者的层级依赖。它们不是并列的三个方案而是从底到顶的三层架构Function Calling 是最底层的调用语言MCP 在它之上做工具标准化Skill 在最上层把使用工具完成任务的知识和流程封装成可复用模块。你把每层解决什么问题搞清楚三者的区别就一目了然了。好这段对话踩的雷挺典型的很多人一上来就把这三个当成平行的竞争方案。下面我把三者的层级关系和各自定位拆开讲清楚。 简要回答这三个概念在不同层次工作不是竞争关系。Function Calling 是最底层的调用协议解决的是「模型怎么调函数」模型输出结构化 JSON 告诉程序该调哪个函数、传什么参数。MCP 在 Function Calling 之上做工具标准化解决的是「工具怎么暴露给模型」把数据库、API 这些外部能力封装成标准化服务一次实现到处复用。Agent Skill 在最上层做知识和流程的封装解决的是「拿到工具之后按什么流程完成任务」把执行步骤、标准、脚本、模板打包成可复用模块。简单记就是Function Calling 是语言MCP 是工具箱Skill 是操作手册。 详细解析为什么会有三个概念这三个概念放在一起确实很容易让人迷惑但其实它们各自解决的是完全不同层次的问题是三层架构不是三个竞争方案。怎么理解呢咱们先建立一个直觉感受Function Calling 是「模型说我要调这个函数」MCP 是「工具服务说我能提供这些函数」Skill 是「操作手册说用这些工具按这个流程做」。你看三句话的主语不一样说话对象不一样粒度也不一样这就是三者的本质差异。再从时间线来看就更清楚了。Function Calling 是最先出现的当时的核心问题是「模型只会生成文本怎么让它能触发外部调用」所以 Function Calling 解决的是最基础的调用协议问题。后来 Function Calling 普及了大家发现一个新的痛点每个应用都要自己写代码对接各种工具数据库一套、文件系统一套、API 又一套重复劳动太多了。MCP 就是在这个背景下出现的它把工具的接入标准化了一次实现到处复用。再后来工具有了、接入也标准化了又冒出了新问题Agent 有了一堆工具但面对一个复杂任务它不知道该按什么流程、什么标准来用这些工具。Skill 就是为了解决这个「知识和流程复用」的问题才诞生的。三者的出现背景不同自然解决的是不同层次的东西。从「谁和谁通信」来看三者位置理解三者最清晰的切入点是每个机制发生在哪两个角色之间。Function Calling发生在模型和函数之间是单次调用的格式规范。模型生成tool_callsJSON 告诉宿主程序「调这个函数、参数是这个」宿主程序执行完把结果以 tool 消息形式喂回去。这一切发生在单个 Agent 内部是最底层的「调用语言」整个系统靠这个让模型触发实际动作。理解了 Function Calling 是最底层的通信语言往上一层就是MCP。它发生在 AI 客户端MCP Client和工具服务MCP Server之间是工具的标准化封装协议。Client 连上 Server 后自动发现工具列表把工具定义转换成 Function Calling 格式喂给模型。所以 MCP 本质上是对 Function Calling 的封装和管理它让工具从「应用内的代码片段」变成「独立的标准化服务」一次实现到处复用。再往上一层就到了Skill它发生在 Agent 和知识模块之间。Agent 启动的时候会扫描可用的 Skill 列表当用户提了一个任务Agent 自己判断哪个 Skill 和这个任务相关主动去加载 SKILL.md 里的执行指令、脚本和模板。Skill 的粒度比 MCP 工具粗得多「代码审查」是一个 Skill「数据分析报告」是一个 Skill每个 Skill 内部可能涉及好几个步骤、调用好几个 MCP 工具。三者的层级依赖关系搞清楚了三者各自的位置接下来一个很自然的问题是它们之间有没有上下级关系答案是有的而且层级非常明确。为什么 Function Calling 在最底层因为它是模型触发工具调用的「语言」没有这套语言模型就没办法告诉外部「我要调哪个函数、传什么参数」一切上层能力都无从谈起。MCP 为什么在它之上因为 MCP 做的是工具管理和标准化封装但归根到底MCP Server 暴露的工具最终还是要通过 Function Calling 的格式传给模型、让模型来触发所以 MCP 天然依赖 Function Calling。那 Skill 为什么在最上面因为 Skill 定义的是使用工具完成任务的流程和标准Agent 按照 Skill 里的指令去执行每一步需要调工具的时候还是得靠 MCP 发现工具、靠 Function Calling 触发调用。所以完整的链条是Skill定义流程- MCP提供工具- Function Calling模型触发调用从上到下三层每一层都建立在下一层的基础之上各司其职。用做菜来类比就很好理解。Function Calling 是你的「手」能拿刀、能点火、能翻锅这是最基础的操作能力。MCP 是你的「厨房」里面有各种厨具和食材刀在抽屉里、调料在架子上、食材在冰箱里你走进厨房就知道有哪些东西可以用。Skill 是那份「菜谱」告诉你先热锅凉油、再放姜蒜爆香、然后下主料翻炒、最后调味出锅。你可以试着想想跳过其中一层会怎样没有手Function Calling你站在厨房里、拿着菜谱什么都做不了因为你连刀都拿不起来没有厨房MCP就算你有手、有菜谱家里什么厨具都没有也只能空着两只手对着菜谱发呆没有菜谱Skill你有手、也有满厨房的厨具但面对一桌食材不知道该先切什么、后炒什么只能瞎折腾。三者缺一不可各管各的层次。用一个完整故事串联三者把三者放在同一个场景里感受一下各层分工。用户对 Agent 说「帮我分析最近三个月的销售数据找出下滑的产品线给改进建议」。首先是Skill 层在起作用。Agent 收到任务后扫描自己可用的 Skill 列表发现有一个叫「数据分析报告」的 Skill 和这个任务高度匹配。于是 Agent 加载这个 Skill 的 SKILL.md 正文读取里面定义的分析流程第一步从数据库取数据第二步用 Python 做趋势分析第三步按模板写分析报告。Skill 就像一份菜谱把整个任务的步骤和标准安排得明明白白。然后是MCP 层在起作用。执行第一步「从数据库取数据」的时候Agent 的 MCP Client 已经连着数据库 MCP Server 和 Python 执行器 MCP Server自动知道有query_database和run_python这些工具可用。MCP 就像厨房里面的厨具和食材随时可以取用不需要任何手动配置。最底层是Function Calling在起作用。模型判断需要查数据库输出tool_calls: query_database(sqlSELECT product, revenue FROM sales WHERE date 2026-01-01)MCP Client 把这个请求路由到数据库 Server 执行拿到结果后模型继续处理。接着模型输出调用 Python 执行器的 Function Calling对数据做趋势分析。最后 Agent 按 Skill 里定义的报告模板把结果整理成结构化的分析报告返回给用户。整个流程里 Skill 做流程编排、MCP 做工具管理、Function Calling 做模型和工具的通信三层分工明确缺哪层都不完整。 面试总结回到开头对话踩的雷最大的误区就是把 Function Calling、MCP、Skill 当成三个平行的竞争方案。面试回答这道题第一个必须说清楚的是三者的层级关系Function Calling 是最底层的调用协议解决的是「模型怎么触发函数调用」MCP 在 Function Calling 之上解决的是「工具怎么标准化封装和发现」Skill 在最上层解决的是「拿到工具后按什么流程完成任务」。三层从下到上各司其职。第二个关键点是用类比帮面试官快速理解。Function Calling 是「语言」让模型能说出要调什么函数MCP 是「工具箱」把工具标准化打包随时插拔Skill 是「操作手册」教 Agent 用工具箱里的工具按什么流程完成工作。面试时如果能用一个完整场景把三层串起来就更好了Agent 按 Skill 定义的流程分步执行每一步需要调工具时通过 MCP 发现可用工具模型通过 Function Calling 触发具体的工具调用。这样面试官能看出你不只是背了概念而是真正理解了三者在系统里怎么协作的。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
