Agent、模型、Skill、MCP、Token、API 的关系：AI小白能看懂的概念

很多人刚开始学习 AI 时，听到“Agent、模型、Skill、MCP、Token、API”这些词，会觉得它们像是完全不同的技术概念。

• 有的人说：“我们要做一个 AI Agent。”
• 有的人说：“这个 Agent 要接入 MCP。”
• 有的人说：“给它加几个 Skill。”
• 还有人说：“注意 Token 成本，API 调用别超了。”

如果你不是技术人员，很容易被这些词绕晕：它们到底分别是什么意思？谁和谁是一回事？谁控制谁？谁负责思考？谁负责执行？谁又和费用有关？

这篇文章用小白能看懂的方式，把这些概念放在一个完整办公场景里解释清楚。你可以先记住一句话：

模型是 AI 的大脑，Agent 是会做事的 AI 手脚，Skill 是给 AI 的技能，MCP 是它连接外部工具的标准约定，API 是系统之间传递消息的通道，Token 是 AI 读写内容和计算成本的基本单位。

一、先用一个办公室助理的例子理解它们

假设公司给你安排了一个 AI 办公助理，它的任务是帮行政部门处理日常工作。

你对它说：

请帮我整理本周会议纪要，提取待办事项，查一下相关制度，然后生成一封邮件发给责任人。

这个任务看起来简单，但如果拆开来看，AI 助理需要做很多事。

它要先理解你的意思，这需要 模型。

它要判断任务怎么分步骤完成，这需要 Agent。

它要会整理会议纪要、提取待办、写邮件，这些能力可以理解为 Skill。

它要去读取公司制度文档、查询日历、调用邮件系统，这需要连接外部工具，而 MCP 就是其中一种标准连接方式。

它和外部系统之间传递请求，比如“读取这份文档”“发送这封邮件”，通常会通过 API。

它读取你的会议记录、生成纪要和邮件时，处理的文字内容会消耗 Token。

所以，这几个词不是孤立的。它们描述的是一个 AI 系统从“理解任务”到“完成任务”的不同环节。

二、模型是什么？它是 AI 的“大脑”

模型可以理解为 AI 背后的“大脑”。它负责理解你的输入、分析你的需求、生成回答、总结内容、改写文字、推理判断。

比如你输入：

把下面这段会议记录整理成纪要。

模型会尝试理解会议记录中哪些是主题，哪些是讨论内容，哪些是结论，哪些是待办事项，然后生成一份结构化纪要。

模型本身很重要，因为它决定了 AI 的基础能力。不同模型擅长的事情可能不一样。有的模型擅长写作，有的擅长逻辑分析，有的擅长代码，有的擅长处理长文档，有的擅长看图片。

但是，模型通常只是“大脑”，它本身不一定能直接操作外部世界，例如你电脑的本地文件。

这就像一个人很聪明，但如果没有电脑权限、没有文件、没有工具、不能发邮件，他也只能给你建议，不能真正帮你把事情办完。

所以，模型回答的是“我应该怎么做”和“内容应该怎么写”；而要真的执行复杂任务，就需要 Agent、工具、API、MCP 等能力配合。

一句话理解：

模型负责理解和生成，是 AI 系统的思考能力来源。

三、Agent 是什么？它是“会规划、会调用工具、会连续做事的 AI 助手”

Agent 通常被翻译成“智能体”。如果只看这个词，可能会觉得很抽象。对小白来说，可以先这样理解：

Agent 是一个围绕目标行动的 AI 助手。它不只是回答问题，还会拆解任务、制定步骤、调用工具、观察结果，并继续完成下一步。

普通聊天 AI 更像是“问一句答一句”。你问它：

帮我写一份会议纪要。

它就生成一份纪要。

而 Agent 更像一个能做事的助理。你给它一个目标：

请把今天的会议录音整理成纪要，并把待办事项发给相关负责人。

它可能会这样工作：

1. 先找到会议录音文件
2. 再把录音转成文字
3. 然后提取会议主题、结论和待办
4. 接着识别每个待办对应的责任人
5. 再生成邮件草稿
6. 最后等待你确认后发送

这就是 Agent 和普通聊天 AI 的区别：普通 AI 更偏回答，Agent 更偏完成任务。

当然，真正成熟的 Agent 不应该完全不受控制地乱操作。对于发邮件、删文件、提交表单、付款、修改数据等重要动作，通常需要人工确认。

一句话理解：

Agent 是把模型能力组织起来，按照目标一步步完成任务的 AI 执行者。

四、Skill 是什么？它是 Agent 会用的“具体技能”

Skill 就是 Agent 掌握的“具体本事”或“岗位技能”。

如果 Agent 是一个刚入职的 AI 助理，那 Skill 就是它的“培训手册”。你教会它一项本事，它以后就能独立承担这一类工作。比如：

• 怎么整理会议纪要
• 怎么写通知公告
• 怎么提取待办事项
• 怎么把零散信息做成表格

每学会一项，这个 Agent 能干的事就多一样。

一个销售 Agent 可能有这些 Skill：

• 整理客户资料
• 生成跟进邮件
• 分析客户意向
• 总结沟通记录
• 生成报价说明
• 提醒下次跟进时间

为什么需要 Skill？

直接让 AI “写一份会议纪要”，它可能每次写得都不一样：今天很详细，明天很简略；今天有责任人，明天漏了截止时间。输出不稳定，你每次都要返工。

Skill 的作用，就是把“整理会议纪要”这类任务变成一份“标准做法说明书”。它规定了：

• 这个任务要解决什么问题
• 应该按什么步骤做
• 最终输出什么格式
• 哪些地方必须检查、哪些地方可以标注“待确认”

有了 Skill，Agent 处理同类任务时就能按同一个标准执行，输出稳定、可控、可复用。

举个例子：会议纪要 Skill

你可以把“会议纪要 Skill”理解为一份固定的会议纪要模板。它告诉 Agent：

1. 识别会议主题
2. 提取参会人员
3. 整理讨论要点
4. 区分已确定结论和待确认问题
5. 输出待办事项、责任人、截止时间
6. 如果信息缺失，标注“待确认”

以后只要说“用会议纪要 Skill 整理这份录音转写稿”，Agent 就会按这个固定流程产出纪要，而不是每次自由发挥。

一句话理解：

Skill 是 Agent 做具体事情的标准方法。它把“会聊天”的 AI，变成“会按固定流程完成特定任务”的工作助手。

五、MCP 是什么？它像是 AI 连接外部工具的“标准插座”

MCP 是一个让 AI 系统连接外部工具和数据源的协议。对小白来说，不需要先理解协议细节，可以先把它理解为：

MCP 是一种标准连接方式，让 Agent 可以更规范地使用外部工具、读取外部资料、调用外部能力。

如果没有外部连接，AI 只能根据你输入的文字回答。它可能不知道你电脑里有哪些文件，也不能直接读取公司知识库，更不能操作项目管理系统、日历、邮件、数据库等工具。

而有了类似 MCP 这样的连接方式，Agent 就有机会接入更多真实工具。

比如它可以连接：

• 公司文档系统：用来查询制度和流程
• 日历系统：用来查看会议安排
• 邮件系统：用来生成或发送邮件
• 表格系统：用来读取名单和统计数据
• 项目管理系统：用来创建任务和更新状态
• 知识库系统：用来检索内部资料

为什么要有“标准连接方式”？

因为如果每个工具都用完全不同的连接方式，AI 开发者就要为每个工具单独做一套适配，成本高，也容易混乱。MCP 的价值在于提供一种更统一的方式，让 Agent 知道有哪些工具可用、每个工具能做什么、应该怎样调用。

你可以把 MCP 想象成办公室里的标准插座。

电器种类很多，有电脑、打印机、投影仪、充电器。如果每个设备都要一种专用接口，使用起来会很麻烦。标准插座的作用，就是让不同设备可以用统一方式接入电力系统。

MCP 对 AI 来说也类似。不同工具像不同设备，MCP 像标准插座，让 AI 更容易连接它们。

一句话理解：

MCP 是 Agent 连接外部工具和数据的标准接口，让 AI 从“只会回答”走向“能使用工具”。

六、API 是什么？它是系统之间沟通的“服务窗口”

API 是一个更基础、更常见的技术概念。你可以把 API 理解成：

一个系统开放给另一个系统使用的服务窗口。

比如你在一个办公系统里点击“发送短信通知”，背后可能调用了短信平台的 API。你在报销系统里提交发票识别，背后可能调用了发票识别服务的 API。你让 AI 生成一段文字，应用也可能通过模型 API 把你的问题发给 AI 服务，再把回答返回给你。

API 的本质是系统之间的约定。

一个系统告诉外部：“你按照这个格式把请求发给我，我就按照约定返回结果。”

比如一个邮件系统的 API 可能支持：

• 创建邮件草稿
• 查询收件人
• 发送邮件
• 查看邮件状态

一个 AI 模型 API 可能支持：

• 发送一段提示词
• 指定模型
• 设置输出长度
• 返回生成结果
• 统计 Token 消耗

API 和 MCP 有什么区别？

可以先这样理解：API 是很多系统本来就有的服务接口，而 MCP 更像是为了让 AI Agent 更方便、更统一地使用这些工具而设计的一层连接规范。

很多时候，MCP 背后也可能会去调用具体工具的 API。也就是说，Agent 通过 MCP 找到工具，工具再通过 API 完成实际操作。

一句话理解：

API 是系统之间传递消息和返回结果的通道，是很多 AI 工具能工作的基础。

七、Token 是什么？它是 AI 读写内容的“容量单位”，也常常和成本有关

Token 是 AI 使用中经常出现的一个词。小白可以先把它理解成：

AI 处理文字时使用的基本计量单位。

你输入给 AI 的内容会消耗 Token，AI 输出的内容也会消耗 Token。输入越长、输出越长，通常消耗的 Token 越多。

比如你让 AI 处理一句话，消耗的 Token 很少。你让它阅读一份几十页的会议材料，再生成一份完整报告，消耗的 Token 就会明显增加。

Token 和两个问题关系很大。

第一个是“容量”。

AI 一次能处理的内容不是无限的。如果你一次塞进去太多会议记录、制度文件、聊天记录，它可能处理不完整，或者忽略前面的内容。因此长资料最好分段处理，复杂任务最好拆成多步完成。

第二个是“费用”。

很多 AI 服务按 Token 计费。你输入的内容越多，输出越长，调用次数越多，成本就越高。

比如一个 Agent 如果为了完成任务反复读取长文档、不断调用模型、生成很多中间结果，就可能消耗大量 Token。对于企业使用 AI 来说，Token 成本是需要管理的。

这也是为什么真正做 AI 应用时，不能只看“能不能完成任务”，还要看“完成一次任务要花多少成本”。

一句话理解：

Token 是 AI 读写内容的容量单位，也常常影响调用成本和处理上限。

八、它们之间到底是什么关系？

现在我们把 Agent、模型、Skill、MCP、API、Token 放到一起看。

你可以用一个“AI 员工”的比喻来理解。

模型 是这个 AI 员工的大脑，负责理解、分析和生成内容。

Agent 是这个 AI 员工的工作方式，它不只是回答问题，而是围绕目标持续行动。

Skill 是这个 AI 员工掌握的技能，比如写纪要、发通知、查资料、做总结。

MCP 是这个 AI 员工连接外部工具的标准插座，让它能接入文档、邮件、日历、数据库等系统。

API 是这些工具真正提供服务的窗口，负责接收请求、返回结果。

Token 是 AI 员工阅读和写作时消耗的信息容量，也会影响成本。

如果用一句更完整的话来说：

Agent 调用模型进行思考和生成，使用 Skill 完成具体任务，通过 MCP 连接外部工具，而外部工具通常通过 API 提供能力；在整个过程中，模型读写内容会消耗 Token。

九、用一个完整案例看懂它们如何协作

假设你是行政人员，需要完成一个任务：

请根据本周会议记录，整理一份项目推进纪要，并把每个待办事项同步到项目管理系统。

如果只是普通聊天 AI，它可能只能帮你生成一份纪要文本。

但如果是一个接入工具的 Agent，它可以按流程完成更多事情。

首先，你把会议记录发给 AI。
模型开始理解会议内容，判断哪些是讨论要点、哪些是结论、哪些是待办事项。这里消耗 Token。

然后，Agent 负责拆解任务。
它可能把任务拆成三步：先整理纪要，再提取待办，再同步任务。

接着，Agent 调用会议纪要 Skill。
这个 Skill 按固定格式输出：会议主题、参会人员、讨论要点、结论、待办事项、责任人、截止时间。

之后，Agent 调用待办提取 Skill。
它把“谁负责什么、什么时候完成、当前状态是什么”整理成结构化清单。

然后，Agent 需要把待办同步到项目管理系统。
这时它通过 MCP 找到可用的项目管理工具。

MCP 告诉 Agent：这个工具可以创建任务、查询成员、设置截止时间。

真正创建任务时，背后可能调用项目管理系统的 API。

最后，Agent 返回结果：

已整理会议纪要。共识别 8 个待办事项，其中 6 个已成功创建到项目管理系统，2 个缺少责任人，等待人工确认。

在这个案例里，每个概念都有自己的位置。

• 模型：负责读懂内容
• Agent：负责规划和执行
• Skill：负责稳定处理具体任务
• MCP：负责连接项目管理工具
• API：负责完成创建任务这个实际动作
• Token：贯穿整个模型读写过程

十、小白最容易混淆的 5 组关系

1. Agent 和模型不是一回事

模型是大脑，Agent 是会围绕目标行动的执行者。

一个 Agent 背后通常会调用一个或多个模型。没有模型，Agent 很难理解和生成内容；但只有模型，也不一定能自动完成复杂任务。

2. Skill 和工具不是一回事

Skill 更像“做事的方法”，工具更像“可以被使用的外部系统”。

比如“整理会议纪要”是 Skill；“读取会议录音文件”可能需要工具；“发送邮件”也需要工具。

3. MCP 和 API 不是一回事

API 是系统提供服务的接口。MCP 是让 AI Agent 更统一地发现和使用工具的一种连接规范。

你可以粗略理解为：API 是具体服务窗口，MCP 是 AI 使用这些服务窗口的一套标准接入方式。

4. Token 和 API 不是一回事

Token 是 AI 处理文本的计量单位。API 是系统之间调用服务的方式。

一次 API 调用可能会消耗 Token，也可能不消耗模型 Token，取决于调用的是什么服务。调用 AI 模型 API 通常会产生 Token 消耗；调用日历查询 API，主要是普通系统接口调用，不一定按 Token 计费。

5. Agent 强不强，不只看模型强不强

一个强大的 Agent，需要模型、Skill、工具、权限、记忆、工作流、异常处理、人工确认等多方面配合。

模型能力强，只代表它“脑子好”。但要成为可靠的工作助手，还要看它能不能正确使用工具、能不能按流程做事、能不能在关键节点让人确认。

十一、一个简单的关系图

这个图可以这样读：

用户提出目标后，Agent 会拆解任务。它一边调用模型进行理解和生成，一边选择合适的 Skill 处理具体工作。如果需要使用外部系统，它会通过 MCP 找到工具，再通过工具 API 完成实际操作。在整个模型读写过程中，会消耗 Token。最后，重要结果需要人工确认和审核。

十二、对行政、秘书、运营、人事来说，这些概念怎么落地？

• 行政人员：AI 不只是帮你写通知，还可以在接入工具后帮你查会议室、生成通知、创建日程、提醒参会人。但真正发送前，最好由你确认。
• 秘书：AI 不只是帮你整理会议纪要，还可以从录音转写稿里提取待办，查询相关背景资料，生成邮件草稿。但涉及领导表述、会议结论和责任分工时，必须人工核对。
• 人事：AI 不只是帮你写招聘文案，还可以根据岗位说明生成面试题、整理候选人信息、安排面试时间。但涉及候选人隐私、薪资、录用结论时，要严格控制权限。
• 运营：AI 不只是帮你写活动文案，还可以整理用户反馈、生成内容日历、分析数据、创建任务。但涉及对外发布内容和用户数据时，仍然要审核。

所以，这些术语不是技术人员的专属词汇。它们本质上都在回答一个问题：

AI 到底只是帮我写字，还是能帮我完成一整套工作？

十三、真正使用时要注意什么？

当 AI 只是聊天时，风险主要是“回答不准确”或“内容不合适”。

但当 AI 变成 Agent，并且接入 MCP、API、工具和 Skill 后，风险就会变得更复杂。因为它可能真的会读取资料、创建任务、发送邮件、修改数据。

所以小白用户要记住三个原则：

1. 敏感资料不要随便给

   涉及身份证号、手机号、薪资、合同、客户名单、内部战略、未公开经营数据等内容时，要先脱敏，或者确认公司允许使用相关 AI 工具处理。

2. 关键动作必须人工确认

   发送邮件、修改系统数据、删除文件、提交审批、对外发布、生成合同内容等动作，不能完全交给 AI 自动完成。

3. AI 输出必须检查

   尤其是人名、日期、金额、政策、法律条款、会议结论、责任人、截止时间等信息，必须人工核对。

AI 可以提高效率，但不能替你承担职场责任。

十四、小白最后只需要记住这一版

如果你觉得前面内容很多，可以先记住下面这段：

模型是 AI 的大脑，负责理解和生成。Agent 是会围绕目标做事的 AI 助手。Skill 是 Agent 掌握的具体技能，比如写纪要、提待办、写邮件。MCP 是 Agent 连接外部工具的标准方式。API 是系统之间传递请求和返回结果的服务接口。Token 是 AI 读写内容时消耗的容量单位，也常常影响成本。

把它们放在一起，就是：

Agent 使用模型思考，用 Skill 完成具体任务，通过 MCP 连接工具，再由工具 API 执行操作；整个过程中，模型处理文字会消耗 Token。

这就是它们之间最核心的关系。