1. 从Function Call到MCP/SKILLS:AI Agent能力扩展的演进脉络
过去一年里,我亲眼见证了AI Agent开发方式的革命性变化。从最初的简单函数调用(Function Call)到现在的模块化能力协议(MCP)和技能库(SKILLS),开发者构建智能体的效率提升了至少三个数量级。这种演进不仅仅是技术实现方式的改变,更代表着我们对AI能力封装和复用的认知升级。
以最常见的天气查询场景为例:早期我们需要为每个Agent单独编写天气API的调用逻辑,现在通过SKILLS市场直接导入现成的天气查询模块,5分钟就能完成过去需要半天的工作量。这种转变背后是Claude、GPT等大模型生态的快速成熟,也是开发者社区集体智慧的结晶。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术演进的关键里程碑
2.1 Function Call时代的基础能力
2019-2022年间,Function Call是AI系统扩展能力的主要方式。开发者需要:
- 明确定义函数接口(输入/输出格式)
- 编写具体的执行逻辑
- 通过自然语言描述注册到LLM
- 处理复杂的错误恢复机制
典型代码结构如下:
python复制def get_weather(location: str, date: str) -> dict:
"""查询指定地点和日期的天气情况
Args:
location: 城市名称如"北京"
date: 日期格式"YYYY-MM-DD"
Returns:
{'temperature':25, 'condition':'晴'}
"""
# 实际API调用逻辑...
这种方式的痛点很明显:每个项目都要重复造轮子,函数描述容易与实际实现脱节,不同Agent之间的能力无法互通。
2.2 MCP协议的标准化突破
2023年出现的模块化能力协议(Modular Capability Protocol)解决了三个核心问题:
-
统一接口规范:
- 所有能力模块必须实现
execute(input)->output标准接口 - 输入输出采用JSON Schema严格定义
- 版本控制强制要求
- 所有能力模块必须实现
-
自动发现机制:
j复制
