今天一篇文章，带你了解LLM调用工具的发展历程，搞懂Function Call、MCP、Skills这些概念与异同，并重点讲解最新的Agent Skills。
1. LLM工具调用发展历程
为了扩展LLM调用外部能力，2023年OpenAI在GPT API中推出了Function Call，类似传统API设计思想，让LLM按JSON格式填写参数，由后端调用接口。
随着Agent框架发展起来，可以由Agent根据目标自主决策使用什么工具，完成多步规划与工具调用。
但各家工具不兼容、生态碎片化。为了解决这一问题，Anthropic在2024年提出了MCP协议，将LLM连接外部数据源和工具抽象成统一协议，成为各大模型通用标准。
最近Anthropic进一步推出了Agent Skills，给LLM提供一个可移植的领域能力包，把「领域知识+操作文档+工程脚本」打包成模块化插件，可以挂载到不同 Agent 复用。
-
阶段 1 解决了“能不能调”的问题（可靠性）。
-
阶段 2 解决了“会不会用”的问题（自主性）。
-
阶段 3 解决了“好不好连”的问题（标准化）。
-
阶段 4 解决了“专不专业”的问题（专业化）。
2. 详解最新的Agent Skills
关于从Function Call和MCP的详细理解，可以见这一篇「从Function Call到MCP，一场需求实现的范式革命」。
今天重点介绍一下最新的Agent Skills。
为了解决LLM专业领域技能匮乏问题，需要一种轻量化、可组合、可移植的方式给Agent注入专业技能。
于是有了Agent Skills，其本质是一个模块化的能力包，包含指令、脚本、资源，LLM可以动态发现和加载。
其形态是一个包含SKILL.md文件的目录，以Claude的PDF文档编辑为例：
如图所示，共有3+层结构：
-
第一层：Metadata（元数据），类似tool的功能描述，启动时加载，只包含所有Skill的name和description；
-
第二层：SKILL.md主体，当Agent 觉得某个skill相关时才加载，包含核心指令；
-
第三+层：关联的附加文件，根据SKILL.md按需引用其他文件，如forms.md、reference.md、python脚本等；
每次只读与当前任务相关的技能，这对上下文非常友好，也算是上下文工程的一个技术。（不过目前来看只负责加载，不负责上下文卸载。
都是扩展LLM能力，那么Skills会替代掉MCP吗？这是一个好问题：）
如下图所示，Skills与MCP其实是并列关系。
相比Tools的上下文都要提前加载到上下文，Skills渐进式披露方式更加友好。Claude也展望了Skills发展，Skills会与MCP协同，SKill负责“告诉LLM如何做”，MCP作为传输协议负责连接到外部系统。
