从历史演进到落地实践：Agent-ReAct-Skills-MCP-Tool全解析

本文从历史演进角度解析Agent-ReAct-Skills-MCP-Tool技术脉络，详解ReAct思维模式与Skills开放标准，对比Skills与MCP定位差异，探讨渐进式披露设计优势及工程化落地方案，分析企业Skills库建设策略，为开发者提供完整的技术理解与实践指导。

这几天在研究 Agent Skills，前面解读了官方的 [Agent Skills 开放标准]，然后分析了下 [Agent Skills 会替代 MCP 吗？]，这次继续深入，从历史的角度分析 Agent-ReAct-Skills-MCP-Tool 的关系，然后再谈谈 Skills 的落地。

发展历史

当概念太多理不清的时候，我们可以从历史的角度去分析，会发现技术演进是有迹可循的，每个技术的出现都有它的时代背景：

1. 2022-10-06(学术突破)：姚顺雨在论文 Synergizing Reasoning and Acting in Language Models 中系统性地提出了ReAct（将 Reasoning 与 Acting 结合的范式），通过Reason + Act的循环，让模型学会了想一步，做一步，看一眼反馈，再想下一步，从而解决了CoT缺乏外部反馈以及传统决策模型缺乏更高层规划的问题。
2. 2022-11-30（技术突破）：OpenAPI 的GPT-3.5诞生，提供了强大的底座，证明了模型具备理解复杂指令并进行逻辑推理的基础能力。
3. 2023-02 (学术突破)：Meta 发布Toolformer论文 Toolformer: Language Models Can Teach Themselves to Use Tools。它证明了模型可以通过自监督学习，学会在什么时候调用什么 API（如计算器、日历）来增强自身能力。
4. 2023-03-23 (产品落地)：OpenAI 发布ChatGPT Plugins。帮助 ChatGPT 访问最新信息、运行计算或使用第三方服务，比如网页浏览器和代码解释器。
5. 2023-06-13 (技术标准化)：OpenAI 推出 Function Calling。它不再纯依赖模糊的 Prompt 完成任务，而是让模型原生支持输出结构化的 JSON，从而让模型能连接到外部工具和系统。
6. 2023.07 - 2024.10（爆发期）：LangChain, AutoGPT, AutoGen 等框架蓬勃发展，工具定义碎片化，Agent 框架生态处于烟囱式增长。
7. 2024-11-05（技术标准化）：Anthropic 发布 MCP 开放标准统一 Tool 发现和调用方式，将工具（Tools）和数据（Resources）从特定的 Agent 框架中解耦；
8. 2025-12-16(技术标准化)：cli 工具 claude code 为了解决Token-Efficency问题和任务执行的成功率，提出了 Agent Skills 开放标准，让 ReAct 等思维框架能更有效的执行 SOP；

从这个历程看，Agent 的执行能力的标准化（Function Calling/MCP/Skills）是在工程化落地过程中会自然发生的。

基础概念

逻辑概念

• Function Calling：LLM 原生的结构化能力，通过训练使模型能理解JSON Schema并在指令下生成规范的工具调用请求。
• Tool Calling：Agent 层执行工具并获取反馈的过程，是 Function Calling 在应用逻辑中的具体执行链路。
• Agent：Agent 具备规划（Planning）、记忆（Memory）和工具使用（Tool use）能力，能够根据模糊的目标自主决定调用哪些 Skill 和 Tool 来达成目标。
• ReAct：Agent 的一种思维方式，ReAct = loop(Reason + Act)。模型在每一步都会交替进行推理（Reason）和行动（Act）。它不仅在脑子里想，还会通过动态执行循环并根据外部工具的反馈来修正下一步的思考。

技术名词

• Tool：执行任务的具体实现，通常是具体的 API 接口，负责解决原子的问题，使用工程化封装确定性的解决现实问题。
• MCP：模型与工具连接方式，通过统一工具描述和调用标准，实现一次开发，多框架通用的生态兼容。
• Skills：面向场景的Skills（SOP/最佳实践）。它是指令（Prompt）、工具链（Tools）与工作流（Workflow）的复合体。Skill 通过预设的逻辑框架（Instruction），解决了 Agent 在复杂任务中先做什么、后做什么、如何评估好坏的确定性问题。它是 Agent 实现从单一接口调用到复杂业务流程自动化转换的关键模块。

Skill 执行示例

以一个后端代码审查的 Agent 为例，介绍 CodeReview Skills 和 React，MCP 的交互过程

渐进式披露

渐进式披露（Progressive disclosure）是 Skills 标准中最关键的设计。
它确保简单理解，而不是预先加载所有内容，从而保持效率：

三阶段加载机制

1. Agent 在需要时准确获取所需内容（约 100 个 token）: 提供 Skills 的描述信息，快速判断相关性，如：类似书籍的目录
2. 元数据优先加载（< 5k tokens）：详细的工作流程指导，最佳实践和业务规则，如：类似书籍的章节内容
3. 完整指令加载：代码脚本，配置文件，示例数据，如：类似书籍的附录

Progressive disclosure 设计的优点

1. 按需加载资源：不浪费上下文窗口
2. Token 效率：只加载需要的内容
3. 性能优化：支持大量 Skills 同时存在

Skills 和 MCP 的关系

1. Skills 和 MCP定位不同：

2. MCP 解决能力接入问题，如何让 AI 调用外部工具/数据源；

3. Skills 解决Token-Efficency问题，顺带优化了能力选择问题，能更好更省的组合能力完成特定领域任务。

4. Skills 和 MCP 都是arthropic提出并开放的行业标准。

5. MCP 的传输层有stdio和streamable http2 种具体的通信协议，有工程化规范（tools/list,tools/call,notifycation），而 Skills 比较轻量，它只在提示词定义标准和加载标准有要求，其他的 ReAct 的具体实现 agent 根据实际情况而定。

6. 在实现中，可先在上下文声明可用的 MCP 工具，然后在 Skills 的 instruction 中指定这些 MCP 工具的使用场景和调用时机。

Skills 和 MCP 如何工程化配合？

1. MCP 广场，配置 MCPServer（url、header），加载 Tool 列表
2. Skills 广场，配置 Skills 的Skills.md(Metadata、Instruction)，Instruction 中可引用 MCP-tools，可选资源（reference，assets，文件引用配置为 OSS 地址）。
3. 智能体配置：配置 system prompt，选择 MCP-tools，选择 Skills。
4. 智能体执行：通过 ReAct，获取 oss 资源，执行的 MCP，多轮执行并获取最终结果

Skills 的局限性

开源的 Skills 中的脚本不具备通用的运行环境，比如 python 脚本，很多脚本的 requirements 对运行环境是有要求的，有的甚至还要本地编译，很可能本地运行不起来。
也就是说 Skills 这方面对用户是有要求的，如果用户不懂编程，最后只能使用纯提示词的Skills。
而 MCP 可以解决这个环境问题，屏蔽所有的技术环境相关的细节（复杂度），对用户是透明的，开箱即用。

比如高得地图的 MCP，填写一个 key，MCP 地址，就能使用让大模型基于 MCP 进行路线规划。

不过这个局限性，在不确定性的任务场景中，却是 Skills 的优势，script 在本地对 AI 是白盒，Agent 可以按需修改 script 完成任务 (coding)，而 MCP 是已有的工具不具备这个灵活性。

对于需要执行 script 的 Skills，有 3 种处理策略：

1. 本地系统配置好环境，直接执行；
2. 配置特定的 docker 镜像执行；
3. 将 script 封装为 MCP 服务，在 instruction 中引用；

个人使用的话，我倾向于1-本地执行；
企业工程化，我倾向于3-MCP封装，这样能最大化复用已有的 MCP 基础设施；

企业 Skills 库的建设

Skills 在企业建设智能体平台过程中，会分 2 类：

1. 通用 Skills，通用的工具使用流程，比如 git 操作，office 文档处理，代码安全扫描，比如写文档的 obsidian Skills，编程用的 superpowers
2. 私有 Skills：企业内部 SOP 和合规规则，比如公司报销流程、考勤规则、客户分级标准；

通用的 Skills 通常从开源社区获取，私有 Skills 则需要企业自驱去做知识的积累沉淀。
注意：Skills 是能够抽象的高维知识（规则/方法论），和具备大量文档和分块的 RAG 知识库有所差别，企业里面混乱的 confluence 知识库是没法直接派上用场的，需要成结构化程度高的，简洁明了能实操的最佳实践才有价值。

一些公开的 Skills 市场

• https://claudemarketplaces.com
• https://skillsmp.com
• https://www.aitmpl.com/skills

​最后

我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。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。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

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，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​