深入解析AI Agent技术发展脉络，从2022年ReAct范式的提出，到2024年MCP标准的诞生，再到最新Skills规范的落地。这篇文章系统梳理了Agent、ReAct、MCP、Tool之间的演进关系，揭示技术标准化背后的工程化思考，为理解和应用Agent技术提供了清晰的历史视角。
智能速览
ReAct范式解决了CoT缺乏外部反馈的问题，实现想一步做一步的循环
Function Calling让模型原生支持结构化JSON输出，连接外部工具
MCP标准统一了Tool发现和调用方式，实现一次开发多框架通用
Skills是面向场景的SOP复合体，解决了复杂任务的执行顺序问题
渐进式披露设计确保Token效率，按需加载资源避免浪费
精华内容
技术演进总会在工程化落地过程中自然标准化。从ReAct的思维框架，到MCP的连接标准，再到Skills的执行规范，每一步都解决了实际应用中的核心痛点。
技术演进脉络
2022年10月，姚顺雨提出ReAct范式，通过Reason+Act循环让模型学会想一步、做一步、看反馈的交互方式，解决了传统CoT缺乏外部反馈的问题。2022年11月GPT-3.5的诞生提供了强大底座，证明了模型理解复杂指令的能力。
2023年2月Meta发布Toolformer论文，证明模型可通过自监督学习学会何时调用什么API。同年3月OpenAI推出ChatGPT Plugins，让AI能访问最新信息并使用第三方服务。6月的Function Calling更是让模型原生支持结构化JSON输出。
2023年7月到2024年10月是框架爆发期，LangChain、AutoGPT等蓬勃发展但工具定义碎片化。直到2024年11月Anthropic发布MCP标准，才统一了Tool发现和调用方式。
核心概念解析
Agent是具备规划、记忆和工具使用能力的自治实体，负责接收指令并驱动决策闭环。ReAct是Agent的认知架构，通过动态循环执行推理-行动-修正的过程解决问题。
Skills是面向场景的策略封装层，将指令、工具链和工作流组合成SOP。Tool则是执行原子能力的具体API接口。MCP作为互联标准，解耦了模型与数据源，建立AI与工具之间的标准化通道。
Function Calling是LLM原生的结构化能力，让模型理解JSON Schema并生成规范请求。Tool Calling则是Agent层执行工具并获取反馈的具体过程。
Skills与MCP关系
Skills和MCP定位不同但互补。MCP解决能力接入问题，让AI调用外部工具和数据源；Skills解决Token效率问题，优化能力选择和组合。两者都是Anthropic提出的行业标准。
MCP有stdio和streamable http两种通信协议，包含tools/list、tools/call等工程化规范。Skills相对轻量，只在提示词定义和加载标准上有要求。
工程化配合时，可先在上下文声明MCP工具，然后在Skills的instruction中指定这些工具的使用场景和调用时机。通过MCP广场加载Tool列表，Skills广场配置Skills元数据和指令。
渐进式披露设计
渐进式披露是Skills标准最关键的设计，确保简单理解而非预先加载所有内容。采用三阶段加载机制：第一阶段提供约100个token的Skills描述信息，类似书籍目录，快速判断相关性；第二阶段元数据优先加载；第三阶段完整指令加载，包含代码脚本、配置文件等。
这种设计的优势在于按需加载资源，不浪费上下文窗口，提升Token效率，支持大量Skills同时存在。对于复杂任务场景，Agent可以动态获取所需内容，保持执行效率。
企业应用实践
企业建设中Skills分为通用和私有两类。通用Skills如git操作、office文档处理、代码安全扫描等，通常从开源社区获取。私有Skills则是企业内部SOP和合规规则，需要自驱沉淀。
注意Skills是高维知识抽象，与传统RAG知识库不同。企业混乱的confluence知识库无法直接使用，需要结构化程度高、简洁明了的最佳实践。
对于执行脚本的Skills，有三种处理策略：本地系统配置环境直接执行、配置特定Docker镜像执行、将脚本封装为MCP服务。个人使用倾向本地执行，企业工程化建议MCP封装以复用基础设施。
Agent技术的标准化进程反映了AI工程化的必然趋势。从思维框架到连接协议再到执行规范，每一步都在解决实际落地的痛点。Skills的出现标志着Agent从技术探索走向工程实践，但如何在标准化与灵活性之间找到平衡，仍是值得持续探索的方向。
