今天又是一整日在研究 AI 技術，學了滿多東西，就拿其中一個來講好了 AI agent skills vs MCPs.

我之前有寫過一篇 agent skills 的文章，不過當時認知還有一些淺，只知道它可說是用自然語言寫的一段可重複利用的提示詞，像程式語言中的 functions.

但我最近發覺它的用法跟 MCP 有些重疊，讓我疑惑它的優勢在哪？在這 AI 時代問問題找答案已變得廉價了，所以我就去問 ChatGPT，果然得到很精闢的答案😆

簡單來說 MCP 是 LLM agent 的「工具與說明書」，而 Skill 是 LLM agent 的「工作技能」，而 LLM agent 是一位「工作者」。這還是不好懂嗎？舉個較具體的例子，比如一位雕刻師（工作者），他有許多雕刻工具與工具說明書，那他還少了什麼？少了雕刻技能 (skill)！比如這些雕刻工具要按什麼步驟使用，才能雕出好東西，這就是一種工作流的技能。

如果雕刻師缺少了後天學習的技能，那麼就只能靠他的天賦去使用工具完成作品。每個雕刻師的天賦不同，做出的作品品質也會差很多。但如果他們都學會了某種已研發已久、成熟的「技能 (skill)」，那麼天賦不好的雕刻師就能明顯提升作品品質！

以上雕刻師的例子也適用於 AI agent 的工作情形。Agent skills 的優點不僅是提示詞的複用(如同程式的 functions)，還能作工作流的定義！

比如想叫 LLM agent 做一件複雜的事：叫它把一整個程式碼做出一分 PowerPoint 檔，比較笨的 LLM 可能就直接說它不會做。但如果將別人寫好的 PowerPoint skill 讓它使用，它就會做！為什麼這麼神奇？因為 PowerPoint skill 當中可以將一件複雜的工作流拆解成好幾步簡單的步驟，指導 LLM agent 一步步完成！比如第 1 步叫它讀程式碼；第 2 步叫它做出大綱，各頁內容，輸出一頁頁 htmls；第 3 步教它用某工具將 htmls 轉成 pptx！

所以 Agent Skills 的價值不僅僅是複用提示詞，還能將工作流 workflows 教給 agents! 而 MCP 只是提供工具 (tools) 給 LLM agents. RAG 則是提供資料給 LLM agents.

我總結（不知是否有人已提過的觀點），LLM 提示詞工程 (prompt engineering) 的幾項不同技巧：
Skills -> workflows
MCPs -> tools
RAG -> data

更新：跟一位高手討論此議題，我修正一點：Skills, MCPs, RAG 這幾個不完全是”提示詞工程”。”提示詞工程”講的只是利用提示詞技術改善 LLM 輸出的學問。

但 Skills, MCPs 兩者顯然不是只對提示詞作調校，它們還牽涉 LLM 以外的工具協同運作。

而 Skills, MCPs, RAG 的共同點，可說是 LLM agent 的工作技術，而差異在達成工作目使用的資源 – workflows, tools, data.