1️⃣核心功能与定位不同不同MCP：是一种标准化协议，旨在为AI模型提供统一的接口，使其能够安全、高效地连接和调用外部工具、数据源（如数据库、API、文件系统等）。它侧重于解决AI与外部系统的对接问题，确保不同系统之间的兼容性和互操作性。Skills：是AI模型可调用的技能包或操作手册，包含特定任务的指令、流程、脚本和资源。它侧重于封装专业知识和工作流程，帮助AI模型更精准地执行特定任务，提升任务执行的效率和准确性。2️⃣解决问题不同MCP 解决怎么连、连得上：让 Agent 能调用数据库、 API 、文件系统、第三方服务，聚焦连接能力。Skills 解决怎么做、做得对：让 Agent 按步骤、按规则、按标准完成任务，聚焦执行能力。3️⃣加载与使用方式不同MCP：在启动时通常会完整加载上下文，模型需按照协议规定的格式和流程调用外部工具，输入输出格式由协议严格定义。Skills：采用渐进式披露机制，先加载元数据，仅在模型判断需要时才动态加载完整技能内容，模型需自主判断何时调用何种技能。4️⃣适用场景不同MCP：适用于需要AI模型与外部系统（如数据库、第三方API、云服务等）交互的场景，如数据查询、实时信息获取、跨平台协作等。Skills：适用于需要AI模型执行特定流程化任务的场景，如文档处理、数据分析、代码生成、合规检查等，尤其适合封装专业知识和工作流程。📳对于想求职算法岗的同学，如果想参加高质量项目辅导，提升面试能力，欢迎后台联系。

1、Function Calling 和传统工作流有什么区别？传统工作流是提前把流程写死，比如先做意图识别，再查知识库，再调接口，最后生成答案。它的优点是稳定、可控、方便测试，缺点是灵活性差，场景一复杂就要不断加规则。Function Calling 是把“什么时候调用工具、调用哪个工具、参数是什么”交给模型决定。它更灵活，适合开放式任务，但稳定性会差一些，容易出现乱调工具、参数错误、重复调用的问题。线上一般不会纯用其中一种，常见做法是：主流程用工作流控住，局部节点再放给模型做 Function Calling，这样既有灵活性，也不至于失控。2、多轮对话里上下文太长了怎么处理？不能把所有历史对...

AI Agent技能Skills设计（前端视角·牛客精简版）一、核心概念：Agent & Skill•Agent：带大脑（LLM）、能调工具、可做决策的程序，类比前端应用层Controller•Skill：Agent可调用的结构化能力单元，类比前端函数/API/组件/Hook的结合体，是AI原生的能力载体二、Skill核心结构（4要素）要素含义前端类比name技能唯一标识函数名description能力+使用场景描述JSDoc注释inputSchema输入参数定义TypeScript类型handler实际执行逻辑函数体/API请求逻辑三、Skill核心调用机制（AI自主决策）用户输入→Agent交给LLM→LLM判断是否需要Skill→选择并构造参数→调用Skill→返回结果→LLM整理输出✅ 核心区别：前端是人工写判断调用，AI是LLM自动决策调用从前端视角来看，Skill是Agent可调用的结构化能力单元，类比前端的函数、API与Hook结合体，核心包含名称、描述、输入定义和执行逻辑四大要素，其关键是由LLM自主决策调用，而非人工手动触发，设计上要遵循描述优先、输入清晰、单一职责和可组合性原则，还需按定义能力边界、撰写AI可理解描述、设计输入Schema、实现执行逻辑的步骤工程化落地，同时能清晰区分Skill与MCP的核心差异——Skill是应用层的能力定义，MCP是基础设施层的能力传输协议，二者协作可为Agent提供可执行的能力，而前端开发者可基于Skill打造AI Copilot、智能业务工具，或是构建AI应用的后端能力层，实现从手动调用API到AI自主决策调用的开发模式升级，也能借助Skill更好地衔接前端UI交互与AI的自动化执行能力。

我头一次听这个问题的时候，寻思，这不简单，现在模型的上下文那么老长，“用向量数据库存历史对话，每次检索相关内容拼进去”，不就得了。然后过年吃饭和一个做算法的同学聊到这里，他告诉我，这样回答根本拿不到分。1.先看GPT咋做的前阵子网上比较火的一个帖子，有开发者通过对话实验，把ChatGPT的记忆机制逆向了出来。结果挺让人意外的，整套系统没有向量数据库，没有RAG，没有 Embedding 召回，甚至连相似度匹配都没做。就是四层纯结构化设计，干干净净。我当时也疑惑：GPT又不算Agent，这个例子能说明什么？你先罚一杯！ChatGPT的确是对话产品，不是严格意义上的Agent。但它的Memory设...