首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >mcp agent skills rules 这些的区别和作用, 落地场景 , 和普通的API 调用到底有什么区别?

mcp agent skills rules 这些的区别和作用, 落地场景 , 和普通的API 调用到底有什么区别?

作者头像
SRE运维进阶之路
发布2026-03-16 16:28:23
发布2026-03-16 16:28:23
4190
举报

下面我按工程视角,把 MCP / Agent / Skills / Rules 这几个概念的区别、作用、落地形态,以及它们与传统 API 调用的本质差异系统性说明清楚。整体偏向你熟悉的平台级 / 基础设施级理解,而不是营销式解释。


一、先给一个“一句话对照表”

概念

本质角色

解决什么问题

是否参与推理

是否有状态

API

远程函数

功能调用

MCP

工具接入协议

如何把外部能力安全、标准化接给 LLM

Skill

可执行能力

LLM 能“做什么”

Rule

约束与策略

LLM 不该/必须怎么做

⚠️(弱)

Agent

自主执行体

目标 → 计划 → 行动 → 校验

核心分界线只有一个: 是否具备“自主决策 + 多步执行”的能力 → 有:Agent → 没有:其他全是“被调用的能力组件”


二、API vs MCP:这是很多人最容易混淆的点

1️⃣ 传统 API 调用(你非常熟)

代码语言:javascript
复制
业务代码 → SDK / HTTP → API → 返回结果

特点:

  • 调用方是人写的代码
  • • 参数是强结构
  • • 调用时机、顺序、重试逻辑全是人为确定
  • • API 不关心“语义”,只关心参数

2️⃣ MCP(Model Context Protocol)是什么

MCP 不是“功能”,而是:

一套“让 LLM 能理解并安全调用外部工具”的协议

代码语言:javascript
复制
LLM
 ├─ tools list (schema)
 ├─ tool description (自然语言)
 ├─ auth / permission
 └─ invoke tool (JSON)
MCP 解决的是三个问题

问题

传统 API

MCP

LLM 怎么知道有什么能力

不知道

tools schema

LLM 怎么构造参数

做不到

JSON Schema

怎么防止越权

业务代码

MCP sandbox / auth

一句话:

API 是给“人写的程序”用的 MCP 是给“模型”用的


3️⃣ MCP ≠ Agent

非常关键的一点:

MCP 只负责“接工具” 不负责“什么时候用 / 怎么用 / 用几次”

这件事永远是 Agent 的职责


三、Skill:站在 Agent 视角的“能力单元”

1️⃣ Skill 是什么

Skill = Agent 可调用的一次性能力

通常是:

  • • 一个 API
  • • 一个脚本
  • • 一个数据库查询
  • • 一个自动化操作

例如:

Skill

实际背后

query_order_status

HTTP API

restart_pod

kubectl

get_cpu_usage

PromQL

create_ticket

ITSM API

Skill 的关键特征:

  • 无状态
  • 幂等或可重试
  • 只干一件事

2️⃣ Skill 和 MCP 的关系

代码语言:javascript
复制
Skill(能力定义)
   ↓
MCP(暴露给模型的协议)
   ↓
LLM / Agent(使用者)

Skill 是“业务抽象” MCP 是“技术封装”


四、Rule:不是“逻辑”,是“护栏”

1️⃣ Rule 的真实定位(很多人高估了)

Rule 不是 if/else,不是工作流,也不是 DSL。

Rule 的作用只有一个:

限制 Agent 的行为空间

典型 Rule:

  • • 不允许访问生产数据库
  • • 涉及退款必须人工确认
  • • 单次会话最多执行 5 次重启
  • • 非工作时间禁止变更

Rule 更像:

  • • Kubernetes 的 Admission Controller
  • • Linux 的 SELinux / AppArmor
  • • 金融系统的 风控规则

2️⃣ Rule 不做什么

❌ 不负责任务拆解 ❌ 不决定调用顺序 ❌ 不做推理 ❌ 不处理异常恢复

这些全是 Agent 的事


五、Agent:唯一“活”的东西

1️⃣ Agent 的本质定义

Agent = LLM + 状态 + 目标 + 反馈闭环

最小 Agent Loop:

代码语言:javascript
复制
while not goal_done:
    observe()
    think()
    plan()
    act()
    verify()

这一步是传统 API / 脚本 / 工作流都做不到的


2️⃣ Agent 和传统系统的根本差异

维度

传统系统

Agent

控制流

人写死

模型生成

执行路径

确定性

非确定性

容错

代码

推理 + retry

扩展方式

加代码

加 skill

应对未知

很差

很强


六、典型落地场景(偏你这个级别)

场景 1:运维自动化(比脚本高级)

代码语言:javascript
复制
告警 → Agent
  ├─ 查询指标(skill)
  ├─ 分析趋势(LLM)
  ├─ 判断风险(rule)
  ├─ 执行动作(skill)
  └─ 回写结果

为什么不用脚本?

  • • 根因不确定
  • • 处理路径多
  • • 异常组合爆炸

场景 2:业务支持 / SRE Copilot

  • • 人提需求
  • • Agent 拆解步骤
  • • Skill 执行
  • • Rule 保安全
  • • MCP 管接入

场景 3:复杂审批 / 跨系统操作

比如:

  • • 查订单
  • • 判断异常
  • • 查库存
  • • 生成方案
  • • 是否升级人工

传统方式: → 大量 if/else + 流程引擎 Agent: → 目标驱动 + 约束执行


七、为什么你之前会觉得“企业 LLM 知识库没价值”

结合你之前的判断,其实非常准确。

单纯 LLM + 知识库 = 高级搜索 没有 Agent = 没有闭环 = 没有业务价值

真正有价值的是:

代码语言:javascript
复制
Agent
 ├─ Skill(能干活)
 ├─ Rule(不乱来)
 └─ MCP(能接系统)

八、最后给你一个工程级结论

API 是“函数” Skill 是“能力” MCP 是“适配层” Rule 是“护栏” Agent 是“执行体”

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2026-01-26,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 SRE运维进阶之路 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、先给一个“一句话对照表”
  • 二、API vs MCP:这是很多人最容易混淆的点
    • 1️⃣ 传统 API 调用(你非常熟)
    • 2️⃣ MCP(Model Context Protocol)是什么
      • MCP 解决的是三个问题
    • 3️⃣ MCP ≠ Agent
  • 三、Skill:站在 Agent 视角的“能力单元”
    • 1️⃣ Skill 是什么
    • 2️⃣ Skill 和 MCP 的关系
  • 四、Rule:不是“逻辑”,是“护栏”
    • 1️⃣ Rule 的真实定位(很多人高估了)
    • 2️⃣ Rule 不做什么
  • 五、Agent:唯一“活”的东西
    • 1️⃣ Agent 的本质定义
    • 2️⃣ Agent 和传统系统的根本差异
  • 六、典型落地场景(偏你这个级别)
    • 场景 1:运维自动化(比脚本高级)
    • 场景 2:业务支持 / SRE Copilot
    • 场景 3:复杂审批 / 跨系统操作
  • 七、为什么你之前会觉得“企业 LLM 知识库没价值”
  • 八、最后给你一个工程级结论
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档