花了近一年，我把提示詞、Skill、Agent、MCP的關係畫成一張圖

作者：嬌姐話AI圈

日期：2026年6月6日下午12:08

來源：WeChat 原文

✦整理版優先睇

速讀 5 個重點高亮

提示詞、Skill、Agent、MCP構成AI協作棧而非菜單，理解層次與關係先過於選擇。

整理版摘要

作者嬌姐係前榮耀員工，而家專注AI效率工具研究。佢透過自身經驗，發現好多人將提示詞、Agent等當成菜單去揀，但其實佢哋係一個棧。文章用一個類比開頭：朋友用兩週搭Agent，後嚟用三條提示詞十分鐘復現，揭示咗認知盲點。

整體結論係呢四層各司其職：提示詞係語言層，Skill係封裝層，Agent係決策層，MCP係連接層，加上上下文工程呢個元層。佢哋唔係競爭關係，而係一齊用。作者提出決策矩陣同安全紅綠燈框架，幫讀者判斷幾時用邊層，同埋點樣管理風險。

作者仲分享咗五個常見坑，包括萬能Prompt幻覺、Agent萬能論、誤解MCP等。最後呼籲從簡單開始，按需升級，安全先行。讀者可以用佢嘅模型畫圖，檢查自己嘅操作，或者標註風險等級。

四個組件構成棧而非菜單：提示詞、Skill、Agent、MCP分別對應語言、封裝、決策、連接，必須全部使用。
核心方法：由簡單到複雜，先Prompt、再Skill、Workflow、最後Agent，避免過度工程化。
差異所在：Skill係ROI最高嘅組件，因為一次封裝無限複用；上下文工程係元層，統合一切。
重要啟發：AI嘅注意力係稀缺資源，Skill設計本質係注意力管理；安全要從Day1考慮，MCP有近40種威脅。
可行動點：用決策矩陣判斷重複指令是否封裝成Skill；用安全紅綠燈標註操作風險。

整理重點

四個組件其實係一個棧

先畀答案：提示詞係語言層，Skill係封裝層，Agent係決策層，MCP係連接層——四者構成一個棧，唔係菜單。

用人體類比：提示詞係你講嘅話，Skill係崗位培訓手冊，Agent係項目經理，MCP係神經系統。棧同菜單嘅區別在於：菜單係揀一個，棧係全部要用。

整理重點

逐層拆解：提示詞、Skill、Agent、MCP

提示詞係最底層，但最易被低估。Agent嘅System Prompt決定佢係個點樣嘅人，Skill嘅核心文件本質係一段高質量提示詞，MCP嘅工具描述質量比API文檔重要100倍——因為讀者係AI，唔係程序員。

Skill係被嚴重低估嘅方法論封裝。對非技術背景嘅人嚟講，Skill嘅ROI最高：寫一次，複用無限次，邊際成本趨近零。關鍵設計原則係漸進式披露（Progressive Disclosure）：AI先掃瞄所有Skill嘅「名片」，找到相關先加載。呢個原則暗示咗：AI嘅注意力係稀缺資源，Skill設計本質係注意力管理工程。

提示詞：你寫俾AI嘅消息，影響理解。
Skill：你寫俾AI嘅SOP手冊，一次封裝無限複用。
Agent：可以自己規劃、自己執行嘅AI系統，核心係動態決定步驟數。
MCP：AI世界嘅USB-C接口，寫一個Server所有AI都用得。
上下文工程：決定AI思考時見到乜信息，係元層。

整理重點

點樣揀？用決策矩陣加安全紅綠燈

光講概念冇用，關鍵係落地。作者用兩個維度組成決策矩陣：效率同風險。但矩陣有個盲區：佢只睇效率，冇睇風險。實操要用安全紅綠燈，將呢兩個維度疊埋先完整。

安全紅綠燈將操作分為：綠燈（只讀、本地）、黃燈（向外溝通、寫入但受控）、紅燈（操作敏感數據、可變更系統）。呢個框架係基於CoSAI白皮書列出嘅近40種MCP威脅，唔係作者自己發明。

整理重點

五個栽過嘅坑同埋下星期可以做的事

萬能Prompt幻覺：花2小時打磨措辭，效果仲係唔穩定。問題唔係措辭，係上下文唔夠。要將注意力從「點樣講」轉向「AI見到乜信息」。
Agent萬能論：覺得所有任務都應交俾Agent自主完成。Demo好靚，但生產環境唔同。先Prompt，再Skill，再Workflow，最後先Agent。
MCP = 更好的API：將MCP當API升級版，結果工具描述得程序員識睇。MCP讀者係AI模型，工具描述要自然語言，越明確越好。
Skill = 長Prompt：寫5000字SKILL.md就以為搞掂。真正Skill係「名片+完整文件+漸進式披露」系統。核心文件嘅description比正文更重要。
安全係事後問題：「先跑起來，安全以後先講。」2026年MCP有近40種安全威脅，份外通信、寫操作、用戶數據嘅場景Day1就要用紅綠燈框架。

1 用本文嘅「AI協作棧模型」畫一張四者關係圖，貼喺工位。每次想「係咪要用Agent」，先對住張圖諗一次。
2 將目前最常用嘅一條Prompt，用「場景決策矩陣」判斷佢應唔應該封裝成Skill。大概率應該封，而且今日就做到。
3 用「安全紅綠燈」為你當前嘅AI操作標註等級。5分鐘就做完，但可以幫你喺出事之前知道風險喺邊。

先關注後睇嘢，嬌姐怕失去上進嘅你

文末嬌姐整理咗hermes、openclaw所有文章連結

想了解嬌姐就㩒文末連結

今日呢篇係嬌姐開公眾號以嚟嘅第548篇，我係持續堅持日更分享AI乾貨嘅嬌姐。

一有一個認知時刻我記得好清楚

年初，朋友花咗成個兩星期整咗個"全自動市場研究 Agent"。

行起嚟之後，佢發現佢做嘅嘢其實好簡單：搜索 → 整理成表格 → 發畀我。

兩星期換嚟嘅嘢，後來佢用三條提示詞喺十分鐘之內復現咗。

嗰個時刻令佢好難受——唔係因為浪費咗時間，而係因為佢意識到，自己一直喺度用揀餐單嘅思維理解工具：提示詞 vs Agent vs MCP，邊個更強？揀邊個？

但呢啲嘢根本唔係餐單。

二先畀答案：四個嘢到底係乜嘢關係

我先放結論，令後面嘅內容更好消化：

提示詞係語言層，Skill 係封裝層，Agent 係決策層，MCP 係連接層——四者構成一個棧，唔係餐單。

換成人體類比，直觀啲：

組件	人體類比	核心問題
提示詞	你講嘅嘢 / 發出嘅消息	點樣令 AI 聽得明你
Skill	崗位培訓手冊	點樣令 AI 一路記住你嘅方法
Agent	項目經理 / 實習生	點樣令 AI 自己搞掂成件事
MCP	神經系統 / USB-C 接口	點樣令 AI 接觸到外部工具
上下文工程	會議室嘅信息佈置	點樣令 AI 喺正確嘅信息入面思考

棧同餐單嘅分別喺邊？

餐單係"你嗌宮保雞丁定魚香肉絲"——揀一個。棧係你先開口講嘢（提示詞），將方法論寫成手冊（Skill），請個實習生自己行（Agent），再畀佢配部手機可以查數據（MCP）。

餐單係揀一個，棧係全部要用。分別喺抽象層，唔係邊個更好。

理解咗呢一點，後面嘅內容就順啦。

三點解呢四個嘢會一齊出現

你可能好奇：呢啲唔係逐個走出嚟㗎咩？點解會變成棧？

將因果鏈捋一次，特別清晰：

每一步都唔係邊個"發明咗新嘢"，而係上一個嘢嘅痛點逼出嚟嘅。

呢個演化路徑同電腦網絡 OSI 七層模型嘅誕生幾乎一模一樣——最早所有功能逼喺一層，複雜度上嚟就必然分層。AI 協作棧逃唔出呢個規律。

四四層棧，逐層拆解

4.1 提示詞（Prompt）：最底層，但最容易被低估

一句講曬：你寫畀 AI 嘅消息。

市面上流傳最廣嘅誤判係"提示詞工程已經死咗，2026 年都講上下文工程啦"。

呢個係錯嘅。提示詞工程冇死，佢只係俾人吸收咗入更大嘅體系。

Agent 嘅 System Prompt 決定佢"係個點樣嘅人"，Skill 嘅核心文件本質就係一段高質量嘅提示詞，MCP 嘅工具描述質量比 API 文件重要 100 倍——因為讀者係 AI，唔係程序員。

你唔係唔需要提示詞工程，而係要在更多地方用佢。

4.2 Skill：被嚴重低估嘅"方法論封裝"

一句講曬：你寫畀 AI 嘅 SOP 手冊。

點解我將佢擺喺 Agent 前面講？因為對大多數非技術背景嘅 AI 從業者嚟講，Skill 先係 ROI 最高嘅組件。

計一筆數：提示詞係"每次重新講一次"，Token 浪費而且唔一致；Skill 係"寫一次，重用無限次"，邊際成本趨近於零。

呢度有個非常關鍵嘅設計原則叫漸進式披露（Progressive Disclosure）：

AI 先掃描所有 Skill 嘅"名片"（name + description），揾到相關嘅先加載完整內容。

呢個意味住 100 個 Skill 唔會令 AI 腦容量溢出，因為唔相關嘅內容根本唔入上下文窗口。

但呢個設計原則暗示咗一件更深嘅事——

AI 嘅"注意力"係稀缺資源，Skill 設計本質上係注意力管理工程。 呢個同人類嘅專注力管理、GTD 方法論、圖書館嘅索引系統，底層邏輯完全一樣：唔係"將更多信息塞入去"，而係"喺啱嘅時刻令啱嘅信息出現"。

實操上點樣判斷應唔應該封裝成 Skill？問自己一個問題：

我有冇連續 3 日畀 AI 輸入幾乎相同嘅指令？

有？封。即刻封。

4.3 Agent：強大但需要約束嘅"實習生"

一句講曬：能夠自己規劃、自己執行嘅 AI 系統。

Agent 嘅核心標誌係"唔預設工作流程，動態決定步驟數"。呢點同 Workflow 唔一樣——Workflow 係 1→2→3 寫死咗嘅，Agent 係"睇情況"。

但 2026 年有一個反直覺嘅共識：

Agent 越強大，你越要"弱化"佢。

強大嘅 Agent + 寬鬆嘅權限 = 一個好能幹但唔知邊界嘅新員工。佢可能幫你做咗你冇要求嘅事——例如自己畀客戶發咗封電郵，自己刪咗一個你以為只係"標記為存檔"嘅文件。

Anthropic 自己嘅官方建議係：先 Prompt → 唔夠用再 Skill → 仲唔夠再 Workflow → 最後先 Agent。呢條路徑反過嚟講就係"過度工程化陷阱"——我嗰兩星期整嘅 Agent，就係喺呢個坑入面踎緊。

4.4 MCP：被低估嘅"連接標準"

一句講曬：AI 世界嘅 USB-C 接口。

喺 MCP 出現之前，10 個 AI × 20 個工具 = 200 個定製連接器（惡夢）。MCP 之後：寫一個 MCP Server，所有支援 MCP 嘅 AI 都用得。

MCP 嘅真正殺手鐧唔係"連接能力"，而係標準化紅利：

一個 MCP Server 寫好之後，OpenAI、Google、Anthropic、開源模型都調用到。呢個就係點解 2025 年 OpenAI 主動採納 MCP、Google 參與治理——網絡效應一旦形成，標準就係最大嘅護城河。

MCP 暴露嘅三大原語值得記住：Tools（可調用嘅函數）、Resources（可讀取嘅數據）、Prompts（預定義模板）。遇到具體場景直接對號入座。

4.5 上下文工程：統合一切嘅"元層"

一句講曬：決定 AI 思考時睇到啲乜嘢信息。

Shopify CEO Tobi Lütke 畀嘅定義好形象："上下文工程係讓任務被 LLM 合理解決嘅藝術。" 注意"藝術"呢個詞——呢個意味住冇標準答案，需要根據場景創造性咁組合。

有個非常關鍵嘅分法你需要記住：

類型	來源	穩定性	處理方式
確定性上下文	你控制嘅：Prompt、Skill、文檔	每次相同	優先喺 Skill 中封裝
概率性上下文	AI 自主獲取：搜索、MCP 返回、RAG	每次可能唔同	用確定性上下文壓制波動

當你嘅 AI 輸出唔穩定時，問題大概率唔係 Skill 寫得唔好，而係概率性上下文不受控。唔係你講嘢方式嘅問題，係 AI 眼裡嘅"世界"太隨機。

呢個恰恰係 AI 超級個體嘅真實護城河：你比大公司更識你嘅場景，你對上下文嘅"手感"就係人哋複製唔到嘅嘢。

五點樣揀？一個決策矩陣搞掂

光講概念冇用，關鍵係落地。我用兩個維度組咗個矩陣：

但呢個矩陣有個盲區：佢只睇咗效率，沒看風險。我自己實操係用"安全紅綠燈"，將呢兩個維度疊埋一齊先完整：

嘅實操共識（CoSAI 白皮書列咗近 40 種 MCP 已記錄威脅），唔係我自己發明嘅。

六我自己栽過嘅 5 個坑

1萬能 Prompt 幻覺

花 2 個鐘打磨提示詞措辭，效果都係唔穩定。大概率唔係措辭問題，係上下文唔夠。

將注意力從"點樣講"轉向"AI 睇到咗啲乜嘢信息"——改變嘅唔係語言，係信息環境。

2Agent 萬能論

覺得所有任務都應該交畀 Agent 自主完成。Agent 嘅 Demo 好型，但 Demo ≠ 生產。我嗰兩個星期就係咁樣浪費咗。

先 Prompt，再 Skill，再 Workflow，最後先 Agent。呢個唔係保守，係工程原則。

3MCP = 更好嘅 API

將 MCP 當成 API 嘅升級版，結果寫嘅工具描述只有程序員先睇得明。

MCP 嘅讀者係 AI 模型，唔係程序員。工具描述嘅質量比 API 文檔重要 100 倍——用自然語言寫，越明確越好。

4Skill = 長 Prompt

寫咗 5000 字 SKILL.md 就以為搞掂咗 Skill 設計。其實只係開咗個頭。

真正嘅 Skill 係"名片 + 完整文件 + 漸進式披露"嘅系統，唔係一篇長文檔。核心文件嘅 description 比正文更重要——因為嗰個係 AI 決定使唔使讀正文嘅唯一依據。

5安全係事後問題

"行咗先，安全之後再講。" 2026 年 MCP 近 40 種已記錄嘅安全威脅，提示詞注入係行業級未解難題。

涉及外部通信、寫操作、用戶數據嘅場景，Day 1 就要納入紅綠燈框架。亡羊補牢喺呢度代價極高。

七最後想講嘅一句話

寫到最後，發現成個四大基柱其實喺解決同一個根本問題：

點樣令一個"每次都從零開始"嘅概率推理機，穩定、高效、安全咁完成人類想要嘅事。

四層分別負責四件事：

提示詞解決"令佢理解你"
Skill 解決"令佢記住你嘅方法"
Agent 解決"令佢自己規劃"
MCP 解決"令佢接觸世界"
上下文工程解決"令呢一切協同運作"

讀完所有資料，我最大嘅認知更新係呢句話：

睇完之後你可以做啲乜

如果你淨係想記住一件事：四大組件係一個棧，唔係一個餐單。由簡單開始，按需升級，安全先行。

如果你想鬱手，下個禮拜可以做嘅 3 件事：

用本文嘅"AI 協作棧模型"畫一張四者關係圖，貼喺你工位度。每次諗"要唔要上 Agent"，先對住張圖諗一次。

將當前最常用嘅一條 Prompt，用"場景決策矩陣"判斷佢應唔應該封裝成 Skill。大概率應該封，而且你今日就做得。

用"安全紅綠燈"為你當前嘅 AI 操作標註等級。5 分鐘就搞得掂，但佢可以幫你喺出問題之前就知道風險喺邊。

想玩得更深？三揀一

方案 1 自學黨 · 69 蚊

OpenClaw + Hermes 全套資料包：

入門到精通教程
102 個實戰案例
避坑手冊（踩過嘅坑都幫你標好曬）
數百個 Skill 技能包
Hermes 實戰文檔

適合：想自己琢磨、慢慢啃嘅人。

方案 2 揾人帶 · 99 蚊

資料包全部內容，再加：

羣內實操交流，踩坑有人接
唔定期乾貨分享
一羣同頻玩家，互相打氣

適合：想少走彎路、有人陪住玩嘅人。

方案 3 就要呢兩個工具 · 私聊諮詢

直接拎到嬌姐用 OpenClaw + Hermes 摸索大半年、調教成熟嘅兩個精華 Hermes Agent：

公眾號訂閲助手：訂閲嘅公眾號文章自動下載、自動入 Obsidian 知識庫，以後唔使再手動複製貼上。

微信聊天記錄 AI 助手：微信本地聊天記錄接通 AI，羣聊私聊都支援，將聊天記錄變成可以檢索、可以分析嘅數據資產，玩法超多。

唔單止係工具，更加係實戰教程：配置方案入面每一步點樣做、點解咁配都講得清清楚楚，跟住跑一次，Hermes Agent 點樣搭建、點樣調整、點樣落地，已經學到手。

適合：就要呢兩個工具、又想喺實戰入面將 Hermes Agent 學識嘅人。

點樣領取：後台私訊 kekohu，備註你要邊樣（資料 / 社羣 / 工具），見到就回。

hermes系列文章

持續更新，建議每篇認真閲讀
【唔建議用官方命令】Windows 環境安裝Hermes同遷移Openclaw嘅實操分享
37 個 AI 開源項目，最值得收藏嘅一份清單
我用 Figma 做咗一個小學英文温習工具，先發現咩叫真正嘅「產品思維」
【hermes實用乾貨分享】公眾號文章自動訂閲入obsidian知識庫庫
我今日第一次認真試 Codex，最震撼嘅係 Computer Use
兩個月10萬營業額，skill設計指南
我寫公眾號嘅完整過程，用咗呢兩個工具
圓桌討論框架：讓AI幫你將問題辯到透
從 GitHub 到 Hermes：200+個AI角色嘅一站式集成實戰
Hermes 多代理協作完全指南：小白嘅第一個AI團隊
我嘅hermes微信助手自己出馬銷售自己了
我用hermes搭建咗 YouTube 自動精華剪輯流程
用 AI+QGIS 做咗一張會講嘢嘅歷史地圖影片
我喺Hermes上搭咗一個人生導師 Agent，佢幫我生成咗呢套訪問大綱
32.9k Star，GitHub 最火嘅 Claude Code 教程，俾我hermes扒咗個乾淨
【直接抄功課】我嘅hermes運維專家agent配置指南
Hermes Agent 實戰：雙模式字卡，認字 + 親子互動一張搞掂
【家長老師收藏】AI輔助學習全科提示詞寶典
修改呢幾個配置項，令 MiniMax 模型喺 Claude Code 中發揮到極致
【hermes保母教程】B站影片逐字稿自動入obsidian知識庫
告別生圖 API，我用 Hermes Skill 免費出圖無限次
清華大學 MAIC 團隊，GitHub 上已經 16.5k Star嘅一個開源項目
分享我自己用緊嘅Hermes Obsidian skill
【保母教程】我用 Obsidian +hermes搭咗一個會自己整理嘅知識庫
參考劉小排嘅 BuilderPulse ：我用 Hermes 發現值得睇嘅github項目
Hermes 入門到實操中文文檔
【Hermes整理】OpenClaw 變現項目地圖：6 大賽道
Hermes 裝好之後，我最建議先做嘅 8 個實操動作
我將 OpenClaw 嘅 Agent 無縫遷移咗去 Hermes——就靠呢一份 Skill
參考 Hermes 優化 OpenClaw：令你嘅 AI 學識記、會覆盤、會巡檢

openclaw系列文章

持續更新，建議每篇認真閲讀

配置與理解

徹底搞懂 OpenClaw 配置體系：呢個先係 AI Agent 嘅正確打開方式
【支援一對一諮詢】我用hermes搭建咗一個助手，每個人都應該用得著
【唔建議用官方命令】Windows 環境安裝Hermes同遷移Openclaw嘅實操分享
我嘅個人成長助手Agent罷工了，Claude max定位總結嘅呢幾點分享畀大家
【今日唔講STBI測試】我用OpenClaw搭咗一個自動抓多個公眾號、AI整理、發飛書嘅Agent，核心就呢四步
OpenClaw openclaw.json 全量小白教程：一篇講清每個配置項嘅作用
你喺飛書或者微信發咗句"你好"，OpenClaw 到底使咗幾多 Token？
詳細指南微信插件支援OpenClaw
OpenClaw龍蝦點樣自我糾錯 5步自我迭代法
【網友都話好靚】我讓openclaw開發咗一個自己嘅互動式說明書

唔好俾人呃，OpenClaw 可以 24 小時開工——但你要先做啱呢 6 件事

紅咗三個月嘅"龍蝦"，普通人裝咗真係有用咩？

用 OpenClaw 將 AI 失憶醫好：開關、精簡、外掛三步走
OpenClaw 命令完整手冊
OpenClaw 到底點樣行？部署方式同玩法全景
點樣申請 Brave Search API 密鑰並配置 OpenClaw
用大白話講清楚OpenClaw嘅記憶術
OpenClaw 長任務必讀：用 Sub-Agent 隔離上下文，token 消耗降 85%
OpenClaw 省 Token 實操手冊：八個維度，節省 60–90%
OpenClaw 曲線救國：透過 CLI 後端使用 Claude 模型
飛書同openclaw集成實操教程
【本文由openclaw輸出】OpenClaw超簡單同免費嘅安裝實操教程

多 Agent 與協作

OpnClaw 多 Agent 協作實戰完全教程
OpenClaw 多代理配置指南：讓 AI 團隊幫你同時做多件事

技能與工具

OpenClaw 官方 53 個技能完整指南：功能詳解 + 風險評估 + 安裝建議
【GitHub Skill 】 OpenClaw多Agent交付畀客戶嘅流程Skill
呢個 Skill 太適合"小白偷懶式"情報蒐集：唔使 API Key，直接將 Reddit 變成你嘅選題庫
【免費領取】7套不同賽道風格公眾號排版Skill（有效果圖）
12類人士必裝嘅OpenClaw Skills
唔使寫程式，點樣令 OpenClaw Agent 學識新技能

實戰與案例

本地部署 OpenClaw 自動發佈公眾號：小白完整教程
本地部署 OpenClaw 自動發佈小紅書：小白完整教程
我用 OpenClaw，將孩子學習情況整理成可以長期追蹤嘅學情檔案
【實操分享】OpenClaw多文檔多輸入源筆記整理Agent搭建
【保母教程】OpenClaw作業錯題分析師，每個家長都可以學起來
OpenClaw 完全指南：從零搭建你嘅 AI 員工團隊
睇下呢個龍蝦速度，就知道OpenClaw有幾紅，速度跟住上
OpenClaw 完全指南：從零搭建你嘅 AI 員工團隊
OpenClaw 實戰：從0到1搭建你嘅雲端AI工作流程
我嘅OpenClaw 多Agent 會主動發來 "返工打卡"
OpenClaw 實戰操作指南：12大熱門應用案例詳細教程
我嘅openclaw龍蝦開始自己賺錢了
用咗openclaw，同telegram可以雙向通信了

排錯與安全

OpenClaw 排錯指南
OpenClaw 龍蝦玩家嘅安全指南

關於嬌姐

40+ IT 從業者，前榮耀員工，現專注 AI 效率工具研究與實踐。持續輸出 OpenClaw 同 AI 工具嘅乾貨教程同落地案例，偶爾分享職場思考同生活感悟。

高考嘅堅持與感恩：我心中嘅嗰座橋，跨越咗命運

40 + IT女從榮耀離職：揾工碰壁、陪仔焦慮嘅日子入面，我靠 AI 公眾號揾返自己

提示：覺得有用，點讚、關注、轉發，係我持續創作嘅動力。

先關注後閲讀，嬌姐怕失去上進的你

文末嬌姐整理heremes、openclaw所有文章連結

想了解嬌姐點擊文末連結

今天這篇是嬌姐開公眾號以來的第548篇，我是持續堅持日更分享AI乾貨的嬌姐。

一有一個認知時刻我記得很清楚

年初，朋友花了整整兩週搭了一個"全自動市場研究 Agent"。

跑起來之後，他發現它做的事情其實很簡單：搜索 → 整理成表格 → 發給我。

兩週換來的東西，後來他用三條提示詞在十分鐘內復現了。

那個時刻讓他很難受——不是因為浪費了時間，而是因為他意識到，自己一直在用選菜單的思維理解工具：提示詞 vs Agent vs MCP，哪個更強？選哪個？

但這些東西根本不是菜單。

二先給答案：四個東西到底是什麼關係

我先放結論，讓後面的內容更好消化：

提示詞是語言層，Skill 是封裝層，Agent 是決策層，MCP 是連接層——四者構成一個棧，不是菜單。

換成人體類比，直觀一些：

組件	人體類比	核心問題
提示詞	你說的話 / 發出的消息	怎麼讓 AI 聽懂你
Skill	崗位培訓手冊	怎麼讓 AI 一直記住你的方法
Agent	項目經理 / 實習生	怎麼讓 AI 自己幹完整件事
MCP	神經系統 / USB-C 接口	怎麼讓 AI 觸達外部工具
上下文工程	會議室的信息佈置	怎麼讓 AI 在正確的信息裏思考

棧和菜單的區別在哪？

菜單是"你點宮保雞丁還是魚香肉絲"——選一個。棧是你先開口說話（提示詞），把方法論寫成手冊（Skill），僱個實習生自己跑（Agent），再給他配個手機能查數據（MCP）。

菜單是擇一，棧是全要用。區別在抽象層，不在"誰更好"。

理解了這一點，後面的內容就順了。

三為什麼這四個東西會一起出現

你可能好奇：這些不是一個一個冒出來的嗎？怎麼就成了棧？

把因果鏈順一遍，特別清晰：

每一步都不是誰"發明了新東西"，而是上一個東西的痛點逼出來的。

這個演化路徑和計算機網絡 OSI 七層模型的誕生幾乎一模一樣——最早所有功能擠在一層，複雜度上來就必然分層。AI 協作棧逃不出這個規律。

四四層棧，逐層拆解

4.1 提示詞（Prompt）：最底層，但最容易被低估

一句話：你寫給 AI 的消息。

市面上流傳最廣的誤判是"提示詞工程已經死了，2026 年都講上下文工程了"。

這是錯的。提示詞工程沒死，它只是被吸收進了更大的體系。

Agent 的 System Prompt 決定它"是個什麼樣的人"，Skill 的核心文件本質就是一段高質量的提示詞，MCP 的工具描述質量比 API 文檔重要 100 倍——因為讀者是 AI，不是程序員。

你不是不需要提示詞工程了，你是要在更多地方用它。

4.2 Skill：被嚴重低估的"方法論封裝"

一句話：你寫給 AI 的 SOP 手冊。

為什麼我把它排在 Agent 前面講？因為對大多數非技術背景的 AI 從業者來說，Skill 才是 ROI 最高的組件。

算一筆賬：提示詞是"每次重新說一遍"，Token 浪費且不一致；Skill 是"寫一次，複用無限次"，邊際成本趨近於零。

這裏有個非常關鍵的設計原則叫漸進式披露（Progressive Disclosure）：

AI 先掃描所有 Skill 的"名片"（name + description），找到相關的才加載完整內容。

這意味着 100 個 Skill 不會讓 AI 腦容量溢出，因為不相關的內容根本不進上下文窗口。

但這個設計原則暗示了一件更深的事——

AI 的"注意力"是稀缺資源，Skill 設計本質上是注意力管理工程。 這跟人類的專注力管理、GTD 方法論、圖書館的索引系統，底層邏輯完全一樣：不是"把更多信息塞進去"，而是"在對的時刻讓對的信息出現"。

實操上怎麼判斷該不該封裝成 Skill？問自己一個問題：

我有沒有連續 3 天給 AI 輸入幾乎相同的指令？

有？封。立刻封。

4.3 Agent：強大但需要約束的"實習生"

一句話：能自己規劃、自己執行的 AI 系統。

Agent 的核心標誌是"不預設工作流程，動態決定步驟數"。這點和 Workflow 不一樣——Workflow 是 1→2→3 寫死的，Agent 是"看情況"。

但 2026 年有個反直覺的共識：

Agent 越強大，你越要"弱化"它。

強大的 Agent + 寬鬆的權限 = 一個很能幹但不知道邊界的新員工。他可能幫你做了你沒要求的事——比如自己給客戶發了封郵件，自己刪了一個你以為只是"標記為存檔"的文件。

Anthropic 自己的官方建議是：先 Prompt → 不夠用再 Skill → 還不夠再 Workflow → 最後才 Agent。這條路徑反過來說就是"過度工程化陷阱"——我那兩週搭的 Agent，就是在這個坑裏待着。

4.4 MCP：被低估的"連接標準"

一句話：AI 世界的 USB-C 接口。

在 MCP 出現之前，10 個 AI × 20 個工具 = 200 個定製連接器（噩夢）。MCP 之後：寫一個 MCP Server，所有支持 MCP 的 AI 都能用。

MCP 的真正殺手鐧不是"連接能力"，而是標準化紅利：

一個 MCP Server 寫好之後，OpenAI、Google、Anthropic、開源模型都能調用。這就是為什麼 2025 年 OpenAI 主動採納 MCP、Google 參與治理——網絡效應一旦形成，標準就是最大的護城河。

MCP 暴露的三大原語值得記住：Tools（可調用的函數）、Resources（可讀取的數據）、Prompts（預定義模板）。遇到具體場景直接對號入座。

4.5 上下文工程：統合一切的"元層"

一句話：決定 AI 思考時看到什麼信息。

Shopify CEO Tobi Lütke 給的定義很形象："上下文工程是讓任務被 LLM 合理解決的藝術。" 注意"藝術"這個詞——這意味着沒有標準答案，需要根據場景創造性地組合。

有個非常關鍵的分法你需要牢記：

類型	來源	穩定性	處理方式
確定性上下文	你控制的：Prompt、Skill、文檔	每次相同	優先在 Skill 中封裝
概率性上下文	AI 自主獲取：搜索、MCP 返回、RAG	每次可能不同	用確定性上下文壓制波動