本文详细介绍了AI大模型中Function Call、Skill和MCP三个核心概念的区别。Function Call是模型调用外部工具的底层技术实现；Skill是对一组相关Function的业务封装，提高代码组织和复用性；MCP是Anthropic推出的模型上下文协议，旨在建立标准化的通信规范，促进不同模型、工具和数据源之间的互通互联。三者分别处于不同层次，共同支撑起现代AI Agent的架构体系，是后端面试中的高频考点，值得收藏学习。

最近翻后台留言，发现好多朋友都在吐槽：现在后端面试，AI 相关的题目已经成了高频必考点，没提前准备很容易被问懵。

所以我后面计划陆续更新 AI 大模型开发相关的面试题系列，帮大家提前攒好干货、做好储备，面试的时候能从容跟面试官对线。

那么这次就来学习这一题面试真题！

「你知道 MCP、Skill、Function Call 这三个的区别吗？」

简要回答

这三个概念其实分别处在不同的层次上。

Function Call是大模型调用外部工具的底层技术实现，让模型能够主动发起函数调用。

Skill可以理解为对一组相关Function的业务封装，比如"邮件处理技能"里可能包含发送、查询、删除等多个函数。

而MCP是Anthropic最近推出的模型上下文协议，它本质上是想建立一套标准化的通信规范，让不同的模型、工具和数据源之间能够更顺畅地互通互联。

简单来说，Function Call解决"怎么调"，Skill解决"调什么"，MCP解决"按什么规矩调"。

详细回答

Function Call

我先从最底层的Function Call说起吧。Function Call其实是OpenAI在GPT-3.5和GPT-4时代引入的核心能力，它让大模型不再只是一个"聊天机器人"，而是可以主动识别用户意图并调用外部工具的智能体。

具体来说，当我们在调用API时，会在请求里传入一个functions参数，告诉模型现在有哪些可用的工具以及每个工具需要什么参数。

模型理解用户输入后，如果判断需要调用工具，就会返回一个结构化的JSON对象，里面包含函数名和参数值，然后我们的代码再根据这个返回去真正执行那个函数。举个简单的例子：

response = openai.ChatCompletion.create(    model="gpt-4",    messages=[{"role": "user", "content": "北京今天天气怎么样？"}],    functions=[{        "name": "get_weather",        "description": "获取指定城市的天气信息",        "parameters": {            "type": "object",            "properties": {                "city": {"type": "string", "description": "城市名称"}            }        }    }])

这段代码里，模型会意识到用户在问天气，然后返回一个调用get_weather函数的指令，参数是{"city": "北京"}，接下来我们的后端代码再真正去调天气API拿数据回填给模型。

所以Function Call本质上就是一种"模型输出结构化调用指令"的技术能力。

Skill

然后我们再往上看Skill这个概念。Skill其实是对Function Call做了一层业务化的封装和组织。因为在实际项目中，单个函数的能力太零散了，比如我们要做一个"智能邮件助手"，可能需要"发送邮件"、“查询邮件”、“标记已读”、“删除邮件"等好几个函数配合使用，这时候我们就会**把这些相关的Function打包成一个"邮件处理Skill”**。

这样做的好处是代码组织更清晰，复用性也更强，团队协作的时候也能按Skill来分工。我之前在项目里就是这么干的，会专门建一个skills目录，每个Skill对应一个独立的模块，里面包含这个领域的所有函数定义和实现逻辑。从架构角度看，Skill是Function Call在工程实践中自然演化出来的一种组织形式。

MCP

最后说说MCP，这个概念可能相对新一点。MCP的全称是Model Context Protocol，是Anthropic在2024年底正式推出的一套开放协议标准。

它想解决的核心问题是，现在市面上各家大模型、各种工具、各类数据源之间的对接都是"各自为政"的，开发者要对接不同的系统就得写不同的适配代码，特别麻烦。

MCP就是想通过制定统一的通信协议，让模型和外部资源之间有一套标准化的"握手方式"。打个比方，就像以前每个手机品牌都用自己的充电接口，后来统一成了Type-C接口一样，MCP希望成为AI应用领域的"Type-C"。

具体来说，MCP定义了服务端和客户端之间如何传递上下文、如何声明可用工具、如何返回执行结果等一整套规范。

如果未来MCP真的被广泛采纳，理论上我们用任何支持MCP的模型去对接任何支持MCP的工具或数据库，都不需要再写一堆胶水代码了，直接按协议标准对接就行。

从这个角度看，MCP是站在更高的生态层面去思考问题，它不是要替代Function Call或者Skill，而是要给它们提供一套统一的"交流语言"。

三者的关系

总结一下三者的关系：

• Function Call是最基础的技术实现层，解决的是"模型怎么调工具"；
• Skill是工程实践层，解决的是"把哪些工具组合起来对外提供能力"；
• MCP是协议标准层，解决的是"不同系统之间按什么规范来通信"。

它们不是替代关系，而是各自在不同维度上发挥作用，共同支撑起现代AI Agent的架构体系。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？