别怪自己记不住，是这些词真的太像了#
使用Claude code和Codex这样工具的时候，最容易被一套“看起来都能让模型更能干”的名词暴击：Prompt、Custom Commands、MCP、Agent、Subagent……最近又多了个 Skills。
然后就开始怀疑人生：我到底该写 Prompt，还是该搞 Skills？接外部系统是不是就叫 Agent？Subagent 又是啥时候用？
那种“一个词没搞清楚，架构就越写越乱”的感觉，我太懂了。那个报错红框弹出来的时候，心态真的容易崩。
今天我们换个更省脑子的视角：不按“厂商怎么叫”，按“它到底解决哪类问题”来拆。你会发现它们其实各司其职，组合起来反而很顺。
1. Prompt：我们最常用的「临时指令」，但它天生不稳定#
Prompt 的优点就一个字：快。今天要它解释一段代码、写个 SQL、总结个文档，直接开聊就行。
但 Prompt 的痛点也很直白：同一个问题你问 5 次，它可能给你 5 种风格；团队里每个人各写各的 Prompt，输出就更像在抽盲盒——完全看运气。
使用最顺手的方法是：当成一次性的"即时指令"。
举个例子：现在离春节还有点时间，你和好朋友准备去北京三日游，想用 AI 辅助做攻略。
这时候我们会对大模型说：
我们要在春节前去北京三日游、预算多少、更想逛胡同还是看博物馆、每天走路别太多、输出按 Day1/Day2/Day3 给我。
这一步的本质就是按下启动键：先把这次要做什么定下来。Prompt 就是那个临时的、实时的沟通渠道。
2. MCP：它不教模型怎么做事，它只负责“让模型能摸到外部世界”#
继续刚才的例子：卡住我们的地方通常不是"模型不会写攻略"，而是"它拿不到真实的路线、时间、地点信息"。如果靠模型本身的知识库，它可能会编造一个并不存在的地铁站。
这时候发现高德地图提供了一个 MCP Server，把查路线、算时间、搜兴趣点这些能力暴露成标准工具，我们就能让模型用规范化协议去调用：比如让它查"酒店→故宫"的来往方式、自动预估耗时、再把结果无缝塞回行程里。
MCP (Model Context Protocol) 解决的是连接性：模型到底能访问哪些工具、资源、上下文。它把这件事做成标准协议，然后供模型使用1。
关键点：MCP Server 可以对外暴露 tools、resources 等能力，模型则按规范去调用它们。这套标准化的做法有个好处：无论你换了什么底层模型，与外部工具的接口始终一致，不用每次都重新改代码。
关于高德的这个例子，大家可以看看官方文档（🔗 高德 MCP Server 介绍）。
3. Skills：把“正确姿势”沉淀下来，让团队输出更一致#
有了 MCP 之后，我们还希望它“每次都按我们习惯的方式做攻略”，别一会儿像小红书、一会儿像论文。
这时 Skills 就出场了。我们提前做一堆行程规划的 Skills，比如"北京三日游模板"、“景点节奏控制（上午/下午/夜景）"、“预算与交通规则”。
模型在开始执行前，首先看到每个 Skill 的名字和描述这些元信息，然后只在命中对应任务时，才会深入加载那个 Skill 的完整内容。这叫渐进式披露（Progressive Disclosure），token 用得特别高效2。
大家试想一下，如果我们去图书馆查资料，图书管理员是把所有书的内容一股脑塞进我们脑子里，还是先给我们看书名和简介？肯定是后者。
Skills 的运行机制也是一样：
- 先看“书名和简介”：模型启动时，只会快速扫描所有 Skills 的头部元信息（就是
name和description）。 - 再看“全部内容”：只有当它发现用户的需求（比如“帮我理个计划”）完美命中了某个 description 时，它才会去加载那个 Skill 后面成百上千行的具体指令。
这样做有两个巨大的好处：一是省钱（Token 用得少），二是抗干扰（上下文里没那么多杂音）。
大家看下面这个真实的 Skill 文件头，模型在第一阶段其实只看得到这点东西：
| |
而下面的具体的描述使用，则是看不到的。同时，只要你的 description 写得够精准，模型在解决不同问题的时候，就越能准确的调用不同的skills。
很多人把 Skills 当成"更聪明"的工具，但它最有工程价值的地方其实是 “更一致、能沉淀、能复用”。
它特别适合：重复出现的任务、希望稳定输出、团队想共享最佳实践（比如报告模板、代码审查规范、规范开发）。
💡 一图看懂：Skills vs MCP#
它们不是替代关系，而是互补关系：MCP 给入口（能做什么），Skills 给用法（该怎么做）。
<ul style="list-style: none; padding: 0; margin: 0; line-height: inherit;">
<li style="margin-bottom: 8px;"><b style="color: #15803d; margin-right: 4px;">● 核心定义</b> 封装经验与规范的“知识包”，实现复用。</li>
<li style="margin-bottom: 8px;"><b style="color: #15803d; margin-right: 4px;">● 主要功能</b> 流程标准化，确保输出格式稳定。</li>
<li style="margin-bottom: 8px;"><b style="color: #15803d; margin-right: 4px;">● 工作机制</b> 按需加载，节省 Token，适合渐进引导。</li>
<li><b style="color: #15803d; margin-right: 4px;">● 门槛</b> <span style="color: #10b981; font-weight: bold;">低</span> <span style="margin-left: 4px;">无需编程，写清规则即可上手。</span></li>
</ul>
<ul style="list-style: none; padding: 0; margin: 0; line-height: inherit;">
<li style="margin-bottom: 8px;"><b style="color: #1e40af; margin-right: 4px;">● 核心定义</b> 连接外部系统的统一协议，打破孤岛。</li>
<li style="margin-bottom: 8px;"><b style="color: #1e40af; margin-right: 4px;">● 主要功能</b> 实时访问数据库、API 及操作外部服务。</li>
<li style="margin-bottom: 8px;"><b style="color: #1e40af; margin-right: 4px;">● 工作机制</b> 启动时全量加载所有工具定义。</li>
<li><b style="color: #1e40af; margin-right: 4px;">● 门槛</b> <span style="color: #3b82f6; font-weight: bold;">高</span> <span style="margin-left: 4px;">涉及开发部署，需处理鉴权与运维。</span></li>
</ul>
大家如果想找现成的 Skills 参考，可以逛逛这个市场：👉 Agent Skills 市场。
4. 自定义 Commands：把高频 Prompt 变成“快捷键”#
如果我们发现“每次做攻略都要重复敲一大段 Prompt”，那心态真的容易崩。这时候就把高频那段话做成 Custom Commands。
它的逻辑比 Skills 更轻：它就是把一段做好的 Prompt 存成一个命令。
比如做一个 /beijing_trip 命令，里面写好固定模板（要问哪些问题、输出格式、要不要表格、每天步数上限）。下次只要敲 /beijing_trip 3天 预算3000 就直接展开执行。
Claude Code: 支持 Markdown 定义的 slash commands，放在
.claude/commands/下3。OpenAI Codex: 也有类似的 Custom Prompts 机制4。
如何选择：如果只是想少打字，用 Commands；如果是想教模型一套复杂流程，且自主调用，用 Skills。
5. Agent：真正开始“干活”的闭环，不是大号 Prompt#
当我们不满足于“给一份攻略”，而是希望它能自己跑完整个闭环——比如：先问缺失信息 → 调用高德 MCP 查路线 → 发现某天太赶再自动调整 → 最后检查预约/闭馆并给出最终版。
这就不是一条 Prompt 能搞定的了，这是 Agent 的典型工作方式：
规划 → 调用工具 → 根据结果迭代 → 直到满足验收标准。
很多人误会“Agent = 大 Prompt”，是因为只看到“指令”，没看到 Agent 的核心在于循环（Loop）和状态管理。
这里有个小坑：Claude Code 和 OpenAI Codex 其实都属于 Agent（而且是 Coding Agent）。它们提供了读代码、改代码、跑命令、结合仓库上下文、按任务迭代的能力，完全符合 Agent 的定义。
6. Subagent：把主对话从“信息垃圾堆”里救出来#
最后一个小妙招是 Subagent。
试想一下，主 Agent 正在整理三日游大纲，这时我们需要查“路线细化/通勤耗时/换乘方案”。如果都在主对话里跑，你的屏幕会被一大堆 API 调用日志和中间数据刷屏。
这时候，我们把这个很碎的活丢给一个 Subagent 去跑（它像被主 Agent 当成一个工具来调用），跑完只回传精炼结果。
这样做的好处：
干净：主上下文不会被污染。
并行：可以同时派三个 Subagent 去查机票、酒店和门票。
这在 LangChain Deep Agents 里叫 Context Isolation（上下文隔离）5，非常实用的架构模式。
总结：一张图看清#
为了方便大家理解，我把这 6 个概念整理成了一张架构图和对比表。方便大家理解。
.af-main {
background: linear-gradient(135deg, #6366f1 0%, #4f46e5 100%);
color: white;
border: none;
padding: 16px 32px;
border-radius: 16px;
box-shadow: 0 10px 15px -3px rgba(79, 70, 229, 0.3);
width: fit-content;
margin: 0 auto;
}
.af-tools-container {
display: grid;
grid-template-columns: repeat(3, 1fr);
gap: 12px;
background: #f1f5f9;
padding: 16px;
border-radius: 16px;
border: 1px dashed #cbd5e1;
}
.af-tool-card {
background: white;
padding: 12px;
border-radius: 10px;
border: 1px solid #e2e8f0;
transition: transform 0.2s;
}
.af-tool-title { font-weight: 700; font-size: 13px; display: flex; align-items: center; gap: 6px; margin-bottom: 4px; }
.af-tool-desc { font-size: 11px; color: #64748b; }
/* 颜色变体 */
.c-skill { color: #059669; } .b-skill { border-left: 3px solid #10b981; }
.c-cmd { color: #0891b2; } .b-cmd { border-left: 3px solid #06b6d4; }
.c-mcp { color: #2563eb; } .b-mcp { border-left: 3px solid #3b82f6; }
.c-sub { color: #d97706; } .b-sub { border-left: 3px solid #f59e0b; }
.af-arrow { display: block; margin: 4px auto; color: #cbd5e1; }
.af-success {
background: #f0fdf4;
border: 2px solid #22c55e;
color: #15803d;
font-weight: 700;
padding: 10px 24px;
border-radius: 30px;
width: fit-content;
margin: 16px auto 0;
}
</style>
<div class="af-node af-user">👤 用户</div>
<svg class="af-arrow" width="120" height="30" viewBox="0 0 120 30">
<path d="M60 0 L60 10 M60 10 L20 25 M60 10 L100 25" fill="none" stroke="currentColor" stroke-width="1.5" stroke-linecap="round"></path>
</svg>
<div class="af-input-container">
<div class="af-node af-input-card">
<div class="af-input-title c-skill">📝 Prompt</div>
<div class="af-input-desc">自然语言输入</div>
</div>
<div class="af-node af-input-card">
<div class="af-input-title c-cmd">⌨️ Commands</div>
<div class="af-input-desc">指令型输入</div>
</div>
</div>
<svg class="af-arrow" width="120" height="30" viewBox="0 0 120 30">
<path d="M20 5 L60 20 M100 5 L60 20 M60 20 L60 30" fill="none" stroke="currentColor" stroke-width="1.5" stroke-linecap="round"></path>
</svg>
<div class="af-node af-main">
<div style="font-size: 16px; font-weight: 800;">🧠 主 Agent</div>
<div style="font-size: 12px; opacity: 0.9;">解析 · 规划 · 路由</div>
</div>
<svg class="af-arrow" width="24" height="40" viewBox="0 0 24 40" fill="none" stroke="currentColor" stroke-width="2">
<path d="M12 0v35M12 35l-5-5M12 35l5-5" stroke-dasharray="2 2"></path>
</svg>
<div style="margin-bottom: 8px; font-size: 11px; font-weight: 700; color: #94a3b8; text-transform: uppercase; text-align: center; letter-spacing: 0.05em;">Tools / Capabilities</div>
<div class="af-tools-container">
<div class="af-tool-card b-skill">
<div class="af-tool-title c-skill">🛠️ Skills</div>
<div class="af-tool-desc">预设最佳实践</div>
</div>
<div class="af-tool-card b-mcp">
<div class="af-tool-title c-mcp">🔌 MCP Server</div>
<div class="af-tool-desc">连接外部 API、数据库与实时数据</div>
</div>
<div class="af-tool-card b-sub">
<div class="af-tool-title c-sub">🤖 Subagents</div>
<div class="af-tool-desc">并行处理复杂任务，递归解决问题</div>
</div>
</div>
<svg class="af-arrow" width="24" height="24" viewBox="0 0 24 24" fill="none" stroke="currentColor" stroke-width="2" stroke-linecap="round" stroke-linejoin="round"><path d="M12 5v14M19 12l-7 7-7-7"></path></svg>
<div class="af-node af-success">✨ 任务达成</div>
| 维度 | Prompt | Skills | Commands | MCP | Agent | Subagent |
|---|---|---|---|---|---|---|
| 核心目标 | 即时对话 | 稳定输出 | 快捷复用 | 外部集成 | 自主闭环 | 隔离并行 |
| 复用性 | 🔴 低 | 🟢 高 | 💎 极高 | 🟢 高 | 🟡 中 | 🟡 中 |
| 工程成本 | 🟢 极低 | 🟢 低 | 🟢 低 | 🟡 中 | 🔴 极高 | 🔴 高 |
| 技术栈 | 纯文本 | MD定义 | YAML/MD | JSON-RPC | 全栈逻辑 | 隔离线程 |
