梳理 AI 开发中的核心概念：MCP、Agent、Subagent 与 Skills 等

前言

大模型 LLM

• 大规模参数：大模型通常具有数十亿甚至数千亿的参数，这使得它们能够理解和生成更复杂的语言。

• 预训练：大模型通常是预训练的，这意味着它们已经在大量的文本数据上进行了训练，这使得它们能够理解和生成更复杂的语言。

• 上下文理解：大模型通常能够理解上下文，这意味着它们能够根据上下文生成更符合上下文的内容。

• 多模态：大模型通常能够理解多种模态，这意味着它们能够理解和生成多种模态的内容。

大模型 API

对话

Memory

工具(function call)

curl https://api.anthropic.com/v1/messages \
    --header "x-api-key: $ANTHROPIC_API_KEY" \
    --header "anthropic-version: 2023-06-01" \
    --header "content-type: application/json" \
    --data '{
        "model": "claude-opus-4-6",
        "max_tokens": 4096,
        "messages": [
            {
                "role": "user",
                "content": "Search for the current prices of AAPL and GOOGL, then calculate which has a better P/E ratio."
            }
        ],
        "tools": [{
            "type": "web_search_20260209",
            "name": "web_search"
        }]''
    }'

{
  "role": "assistant",
  "content": [
    // 1. Claude's decision to search
    {
      "type": "text",
      "text": "I'll search for when Claude Shannon was born."
    },
    // 2. The search query used
    {
      "type": "server_tool_use",
      "id": "srvtoolu_01WYG3ziw53XMcoyKL4XcZmE",
      "name": "web_search",
      "input": {
        "query": "claude shannon birth date"
      }
    },
    // 3. Search results
    {
      "type": "web_search_tool_result",
      "tool_use_id": "srvtoolu_01WYG3ziw53XMcoyKL4XcZmE",
      "content": [
        {
          "type": "web_search_result",
          "url": "https://en.wikipedia.org/wiki/Claude_Shannon",
          "title": "Claude Shannon - Wikipedia",
          "encrypted_content": "EqgfCioIARgBIiQ3YTAwMjY1Mi1mZjM5LTQ1NGUtODgxNC1kNjNjNTk1ZWI3Y...",
          "page_age": "April 30, 2025"
        }
      ]
    },
    {
      "text": "Based on the search results, ",
      "type": "text"
    },
    // 4. Claude's response with citations
    {
      "text": "Claude Shannon was born on April 30, 1916, in Petoskey, Michigan",
      "type": "text",
      "citations": [
        {
          "type": "web_search_result_location",
          "url": "https://en.wikipedia.org/wiki/Claude_Shannon",
          "title": "Claude Shannon - Wikipedia",
          "encrypted_index": "Eo8BCioIAhgBIiQyYjQ0OWJmZi1lNm..",
          "cited_text": "Claude Elwood Shannon (April 30, 1916 – February 24, 2001) was an American mathematician, electrical engineer, computer scientist, cryptographer and i..."
        }
      ]
    }
  ],
  "id": "msg_a930390d3a",
  "usage": {
    "input_tokens": 6039,
    "output_tokens": 931,
    "server_tool_use": {
      "web_search_requests": 1
    }
  },
  "stop_reason": "end_turn"
}

客户端工具：

- 在您的系统上执行的工具，包括：您创建和实施的用户定义自定义工具

- Anthropic 定义的工具，如计算机使用和文本编辑器，需要客户端实现

服务器工具：在 anthropic 的服务器上执行的工具，如网络搜索和网络获取工具。这些工具必须在 API 请求中指定，但不需要您进行实现。

{
  "model": "claude-sonnet-4-5-20250929",
  "messages": [{"role": "user", "content": "Tell me the weather in San Francisco."}],
  "tools": [
      {
        "name": "get_weather", // 工具名称
        "description": "Get the current weather in a given location",
        "input_schema": {
          "type": "object",
          "properties": {
            "location": {
              "type": "string",
              "description": "The city and state, e.g. San Francisco, CA"
            }
          },
          "required": ["location"]
        }
      }
    ]
}

{
    "index": 0,
    "message": {
        "role": "assistant",
        "content": null,
        "tool_calls": [
            {
                "id": "toolu_bdrk_018qFTn1Mqm5zqU8MguRJbM4",
                "type": "function",
                "function": {
                    "name": "get_weather",
                    "arguments": "{\"location\":\"San Francisco, CA\"}"
                }
            }
        ]
    },
    "finish_reason": "tool_calls"
}

可以看到，这里返回了**大模型返回了工具使用的记录**，而这时候我们拿到 `tool_calls` 字段，就可以知道大模型需要调用 `get_weather` 工具，并且传入了 `location` 参数。
我们只需要在自己的代码里面将对应的工具函数进行调用，并返回结果给大模型。**大模型就会根据工具的返回结果，进行总结，再返回给请求**。

这里其实就两个关键点，第一个是调用工具的格式，是通过 `json` 格式传入的，而工具的返回结果，也是通过 `json` 格式返回的。但是这个传入工具的格式，对于每个大模型来说，可能是不一样的，比如下面的是 openai 的格式，对比来说，输入参数的部分，`openai` 是 `parameters` 字段，而 `claude` 是 `input_schema` 字段。
但是**总体结构又差不多，都是 name ,description, 传入参数(input_schema, parameters)。大同小异。**


openai 的 function call 格式如下，

响应格式如下

还需要注意一点的是，能返回这样的格式，实际上是大模型训练的结果，AI 厂商会针对性的训练大模型，让他能够更好的返回这样的 json 格式。所以才能支持 `tools` （`function call`）。
在最初的时候，很多大模型并不支持 `function call`，所以只能返回 `text` 类型的内容。那时候，如果需要让大模型调用工具，人们会在提示词中手动要求生成 `xml`，或者 `json` 的格式，然后用代码
解析 `text` 内容，并调用工具。也算是一种 hack 的方式。

总体来说，`function call` 是 **AI 技术发展过程中的一个重要里程碑，它让 AI 能够调用工具**，从而拥有了更多的能力。是我们后面很多概念的基础。然而由于大部分人根本没有调用过大模型的
api，所以对于这个概念并不熟悉，甚至很多都不知道有这个概念。

评价必须给到「夯中夯」。


## Agent 

到了这一步，我们其实已经实现了一个 Agent，**是的，并没有那么复杂，有个了「对话+规划+工具调用+总结结果」，这就已经是一个 Agent 了**。至于后面更加强大的 Agent ，他本质上就是提供更多的工具，更合理的对话上下文管理，更强大的规划能力，更强大的总结能力。其本质都是对于这些能力的增强。

Workflow

输入 → Step1 → Step2 → Step3 → 输出

Rule

commands(cursor, claude)

MCP（Model Context Protocol）

{
  "name": "searchFlights",
  "description": "Search for available flights",
  "inputSchema": {
    "type": "object",
    "properties": {
      "origin": { "type": "string", "description": "Departure city" },
      "destination": { "type": "string", "description": "Arrival city" },
      "date": { "type": "string", "format": "date", "description": "Travel date" }
    },
    "required": ["origin", "destination", "date"]
  }
}

Skills

---
name: create-draft
description: 创建一个新草稿
---

# 创建一个新草稿

## 步骤

1. 创建一个文件夹，根据用户的主题，创建一个文件夹，例如 `drafts/[主题]/`
2. 创建一个新草稿，根据模板 `templates/post.md` 创建一个新草稿
3. 将草稿保存到 `drafts/[主题]/[文章标题].md` 目录下

 npx skills add git@gitlab.xsky.com:front-end/agent-skills.git

brew install 4ier/tap/notion-cli

npx skills add 4ier/notion-cli

如何实现

Subagent(claude, cursor)

• 并行执行：多个独立的调研或操作任务可以同时进行

• 上下文隔离：每个 Subagent 有自己的上下文窗口，避免主 Agent 被大量中间结果淹没

• 专业化：不同类型的 Subagent 可以针对特定任务优化（如代码搜索、测试执行、方案规划）

Agent Team(claude)

Hooks (cursor, claude)

plugins(cursor, claude)

模型 + 上下文 + 工具 = Agent 管理

总结

• 大模型 解决的是"问答机器人"

• 大模型 API 解决的是"如何在不同的软件中使用大模型"

• Memory 解决的是"AI 怎么记住用户的信息"

• 上下文 解决的是"多轮对话中保留上下文"

• function call 解决的是"AI 如何按规范来返回调用工具的数据结构"

• Agent 解决的是"模型 + 上下文 + 工具 的组合"

• Rules 解决的是"Agent 需要遵守的规则"

• commands 解决的是"Agent 预制命令提示词"

• MCP 解决的是"Agent 客户端如何连接和调用外部的工具"

• Skills 解决的是"Agent 怎么复用常见的工作流"

• Subagent 解决的是"如何定制一个专用 Agent 来完成特定任务"

• Agent Team 解决的是"如何管理一个 Agent 团队,并行处理子任务"

• hooks 解决的是"如何精准控制 Agent 在不同阶段的行为"

• plugins 解决的是"如何将多个概念打包成一个可复用的单元"