04：Skills vs Tools, MCP, and Subagents（技能 vs 工具、MCP 和子代理）

Claude Code安装以及使用教程

链接: https://pan.baidu.com/s/1LrpnnKWXfEcgspjulIGmrg?pwd=rmzw 提取码: rmzw

获取更多ai大模型资料可以加小姐姐微信：bzcxy0012（好友申请写AY，通过直接要就行)

本节课将讲解如何使用 Skills（技能）与 Tools（工具）、MCP 和 Subagents（子代理）结合使用，创建强大的智能工作流。

逐一介绍每个组件，了解它们如何协同工作，以及学习何时使用什么。

1、智能体生态系统概览

在智能体生态系统中，各种技术如 MCP、Skills、Tools 和 Subagents 共同协作：


- MCP 服务器：提供所需的上下文 - Subagents：用于多线程和并行处理 - Skills：用于可重复的主线程工作流

2、Skills vs MCP（模型上下文协议）


对比维度	MCP	Skills
核心功能	连接智能体与外部系统和数据	定义可重复的工作流
数据来源	外部数据库等	利用 MCP 提供的工具和数据
使用场景	获取模型不知道的外部数据	教智能体如何处理这些数据

MCP 就像带来所有底层工具和资源的连接器
Skills 就像使用这些工具构建特定工作流的可重复流程当利用外部数据计算指标、研究和计算数据时，所有底层工具和资源都可以通过 MCP 服务器外部提供

3、Skills vs Tools

想象你有一些工具：锤子、锯子和钉子。

你有一个技能：如何建造书架。

区别


Tools（工具）	Skills（技能）
提供访问文件系统的方式	扩展智能体的能力，提供专业知识和指令
提供底层能力来生成、读取技能	引入需要执行的额外文件和脚本
支持文件编辑、执行代码、加载技能	创建可预测的工作流

重要特性

工具定义（名称、描述、参数）始终存在于上下文窗口中
技能是渐进式加载的，只在需要时加载
如果某个工具不是每次对话都需要，通过仅在需要时加载可以节省大量 token

4、Skills vs Subagents

什么是Subagents？

Subagent是一种为执行单一、明确定义的任务而专门构建的特化AI Agent。它并非孤立工作，而是通常在一个Orchestrator（编排器）的协调下，与其他Subagent协同完成复杂的用户请求。

Subagents在多智能体系统中扮演着重要角色，它们通过专业化分工、独立上下文、可定制性和多种交互模式，提升了开发效率和代码质量

Subagents的工作方式

主智能体可以生成或创建Subagents，子代理可以向父智能体报告。这些子代理可以通过以下方式创建：

Claude Code
Agent SDK
自定义实现

Subagents的价值


特性	说明
隔离上下文	提供独立的上下文环境
有限权限	限制工具使用权限
技能访问	每个子代理可以访问特定的技能

应用场景

主智能体可以作为编排器，利用所需的技能。子代理可以实现相同理念，使用特定技能。

示例：一个专门的代码审查子代理，其唯一任务是分析和审查代码库，并利用技能来指定你、你的团队或公司如何进行代码审查。

综合示例：客户洞察分析器

Agent 是整个架构的大脑与指挥中心，LLM 作为推理引擎，能够理解复杂指令、进行多步思考和决策规划；同时配备代码执行环境，支持动态调用工具和执行脚本。

Agent 的主要职责是接收高层任务目标，将其拆解为可执行的子任务，协调下方的 Interview Analyzer 和 Survey Analyzer 两个子分析器并行工作，最后整合各分析器的输出结果，生成统一、结构化的客户洞察报告。Agent 还负责管理与多个 MCP 服务器的通信，确保数据流的顺畅传输。

Interview Analyzer & Survey Analyzer 是 Agent 的执行手臂；Interview Analyzer 专注于处理非结构化的客户访谈记录，运用自然语言理解技术提取关键观点、情感倾向和深层需求；Survey Analyzer 则针对结构化的问卷数据进行统计分析、模式识别和趋势归纳。这两个工具相互独立又可并行运行，各自接收 Agent 分配的任务后，调用 Filesystem 中的 Skills 和 LLM 能力进行深度处理，最终将结构化分析结果返回给 Agent 进行汇总。这种分工设计使得系统能够高效处理不同类型的数据源，同时保持模块化的可扩展性。

Filesystem 与 Skills 层构成了系统的能力基础设施；Filesystem 作为技能容器，封装了多个可复用的 Skill 模块，这些 Skill 是经过抽象的业务能力单元。左侧的指导文档（“A guide for how to categorize feedback and how to summarize findings”）作为元指令（Meta-prompt），定义了系统处理数据的标准方法论——包括分类维度、总结框架和质量标准。实现了”知识即配置”的理念：通过修改指导文档即可调整系统行为，无需改动底层代码，Skills 层向下为分析器提供标准化工具支持，向上为 Agent 提供可编排的能力单元，确保分析过程的一致性和可维护性。

MCP 服务器层是系统的外部连接关键，这一层包含三个 MCP 服务器：通用型的 MCP server 1 和 MCP server 3，以及专门对接云存储的 Google Drive MCP server，Agent 能够以统一的方式调用不同服务商的 API，无需关心底层接口差异；

工作流程

主智能体（配备工具）
    ↓
通过 MCP 服务器获取工具
    ↓
分派子代理分析客户
    ↓
并行分析客户访谈和调查
    ↓
使用 Skills 进行可预测的分析

各组件作用


组件	作用
MCP	外部引入数据
子代理	并行化执行，在独立线程和上下文中运行
Skills	以可预测、可重复、可移植的方式消费所有信息

AI 生态系统组件对比表


组件	定义	特点
Prompts（提示词）	与模型通信的最原子单位	基础但不易扩展
Skills（技能）	通过代码和资源打包提示词和对话	可预测、可重复、可移植
Subagents（子代理）	被委派任务的独立智能体	可复用技能，隔离上下文
MCP	定义子代理使用的工具	按需加载必要数据

烧饼的分享站

Explorer