当前位置：首页 > news >正文

面试官：你知道 MCP、Skill、Function Call 这三个的区别吗？

news 2026/4/3 4:32:57

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。