Function Calling、MCP、Agent Skill 三层架构解析 Function Calling、MCP、Agent Skill 三层架构解析文章架构推荐标题Function Calling、MCP、Agent Skill 三层架构详解从调用协议到工具标准化再到流程封装文章类型知识点博客概念梳理 层级关系 技术对比主线以三者的层级依赖关系为主线从底到顶逐层拆解Function Calling调用协议→ MCP工具标准化→ Agent Skill流程封装每层讲清楚「解决什么问题 → 在什么角色之间通信 → 如何与上下层协作」最后用一个完整流程串联三层。目录结构1. 三者的常见误区简要 - 常见认知把三者当成平行的竞争方案 - 正确的理解三层架构不是三个方案 - 一句话概括三者的层级定位 2. 第一层Function Calling——模型触发外部调用的协议 2.1 解决的核心问题 - 模型只会生成文本如何触发外部函数调用 - 每次调用由模型输出结构化 JSON 触发宿主程序执行 2.2 技术机制 - tool_calls 格式模型输出 JSON 指定函数名和参数 - 宿主程序执行函数将结果以 tool 消息返回 - 调用发生在模型与函数之间是单次调用的格式规范 2.3 边界与局限 - 只定义调用格式不定义工具如何发现、如何注册 - 每对接一个工具需手动编写适配代码 3. 第二层MCPModel Context Protocol——工具标准化封装 3.1 解决的核心问题 - 每次对接新工具都要重复编写适配代码 - 工具如何标准化暴露、如何自动发现 3.2 技术机制 - Client-Server 架构MCP Client 连接 MCP Server - 自动发现工具列表Server 暴露接口Client 自动拉取 - 工具定义自动转换为 Function Calling 格式喂给模型 3.3 与 Function Calling 的关系 - MCP 在 Function Calling 之上做封装和管理 - MCP 依赖 Function Calling 完成最终调用触发 3.4 边界与局限 - 管工具的标准接入不管工具的调用流程和编排 4. 第三层Agent Skill——知识和流程的可复用封装 4.1 解决的核心问题 - 模型有了工具但面对复杂任务不知道按什么流程执行 - 每次执行同类任务都需要重复编写步骤和约束 4.2 技术机制 - Skill 的组成SKILL.md执行指令 步骤 模板 脚本 - Agent 启动时扫描可用 Skill 列表 - 任务触发时Agent 自主判断匹配的 Skill 并加载 4.3 与 MCP 和 Function Calling 的关系 - Skill 定义流程MCP 提供工具Function Calling 触发调用 - Skill 内部可能涉及多个步骤、调用多个 MCP 工具 4.4 边界与局限 - Skill 不定义工具如何接入依赖 MCP 提供工具 - Skill 不定义模型如何调用函数依赖 Function Calling 触发 5. 三层依赖关系总结 - 层级依赖链Skill ⊃ MCP ⊃ Function Calling - 每层建立在下一层之上各司其职 - 表格对比三者的角色、通信对象、粒度、解决的问题 6. 完整流程串联三层如何协作 - 用一个贯穿场景把三层串联起来 - 场景用户请求 Agent 分析销售数据并生成报告 - Step 1Skill 层Agent 匹配到数据分析报告Skill加载流程定义 - Step 2MCP 层执行中通过 MCP 发现数据库工具、Python 执行器工具 - Step 3Function Calling 层模型输出 tool_calls 触发具体调用 - 三层分工Skill 做流程编排MCP 做工具管理Function Calling 做通信 7. 总结 - 三者的本质区别解决不同层次的问题不是竞争关系 - 一句话记法Function Calling 是语言MCP 是工具箱Skill 是操作手册 - 面试回答要点先说清层级关系再给出对比最后用场景串联每节使用的证据章节证据来源Function Callingtool_calls JSON 格式、模型输出 → 宿主执行 → 结果回传的流程MCPClient-Server 架构、自动发现工具列表、工具定义转 Function Calling 格式Agent SkillSKILL.md 组成、Agent 启动扫描、任务匹配加载机制三层串联数据分析报告场景Skill 定义流程 → MCP 提供工具 → Function Calling 触发调用明确不写什么不写引言、背景故事、来源追源不写具体业务功能代码员工 CRUD 等不写某个特定框架的 API 使用细节不深入 OpenAI 或 Anthropic 的具体 SDK 实现差异不展开比喻性描述如果架构没问题回复继续或提出修改意见我生成完整正文。

相关新闻

最新新闻

SerenityOS 命令行选项解析指南:getopt 与 getopt_long 用法、返回值与底层实现

SerenityOS 命令行选项解析指南:getopt 与 getopt_long 用法、返回值与底层实现

SerenityOS 命令行选项解析指南:getopt 与 getopt_long 用法、返回值与底层实现 【免费下载链接】serenity The Serenity Operating System 🐞 项目地址: https://gitcode.com/GitHub_Trending/se/serenity 导读 本文以 getopt(3) 手册 为核心&a…

2026/10/6 14:10:51
轻量服务器还是ECS?大促云服务器选购与避坑实战指南

轻量服务器还是ECS?大促云服务器选购与避坑实战指南

每年大促节点,群里永远有人在问同一个问题:“38元的轻量服务器到底怎么抢?为什么我每次点进去都是已售罄?68元直购和99元的ECS我到底选哪个?”作为一个常年帮团队和自己采购云服务器的老用户,我太清楚这种纠…

2026/10/6 12:50:27
为 AI 代理的 Review 动作编写 Cedar 审批门控策略:review-agent-governance 策略编写实战指南

为 AI 代理的 Review 动作编写 Cedar 审批门控策略:review-agent-governance 策略编写实战指南

为 AI 代理的 Review 动作编写 Cedar 审批门控策略:review-agent-governance 策略编写实战指南 【免费下载链接】agents Multi-harness agentic plugin marketplace for Claude Code, Codex, Cursor, OpenCode, GitHub Copilot, and Google Antigravity 项目地址:…

2026/10/5 19:39:38
PaddleOCR 手写数学公式识别算法 CAN 实战指南:Counting-Aware Network 训练、评估与推理部署

PaddleOCR 手写数学公式识别算法 CAN 实战指南:Counting-Aware Network 训练、评估与推理部署

PaddleOCR 手写数学公式识别算法 CAN 实战指南:Counting-Aware Network 训练、评估与推理部署 【免费下载链接】PaddleOCR Turn any PDF or image document into structured data for your AI. A powerful, lightweight OCR toolkit that bridges the gap between i…

2026/10/5 16:06:34
Spring源码解析:构造器注入的类型转换与候选匹配机制

Spring源码解析:构造器注入的类型转换与候选匹配机制

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/6 12:44:38
openai-agents-python 多模型接入指南:深入解析 AnyLLMModel 适配层与 any-llm 路由

openai-agents-python 多模型接入指南:深入解析 AnyLLMModel 适配层与 any-llm 路由

openai-agents-python 多模型接入指南:深入解析 AnyLLMModel 适配层与 any-llm 路由 【免费下载链接】openai-agents-python A lightweight, powerful framework for multi-agent workflows 项目地址: https://gitcode.com/GitHub_Trending/op/openai-agents-pyth…

2026/10/6 12:38:14

日新闻

周新闻

月新闻