Agent、Skill、MCP是什么？一文讲透AI概念与跨境应用

Agent、Skill、MCP到底是什么？

讲透三者区别、AI常见概念与跨境企业的落地路径

最近研究AI，常常有种跟不上节奏的感觉。ChatGPT、Claude还没用透，Agent、Skill、MCP、RAG又接连出现。名词越攒越多，可每天照样得整理报表、处理客户消息、查政策。

如果你也是跨境卖家，不妨先把技术名词放一边。想象一下：每周一早上，你最希望AI帮你完成哪件费时间的工作？下面就用“亚马逊经营周报”这件小事，把这些概念拆开。

先说结论：Agent负责推进任务，Skill提供可复用的方法，MCP让AI应用以标准化方式连接外部系统。三者可以协作，但不是同一种技术，也不需要同时使用。

阅读路线：先看一份周报如何拆成三种能力 → 再理解8个常见概念 → 最后照着选型清单，找到适合自己团队的第一步。

PART 01

从一份亚马逊周报，看懂三者分工

假设运营小李每周一都要交一份美国站周报。他得从订单表、广告表和费用表里找数据，对齐SKU，计算利润，再写出问题和建议。最让人头疼的，不是写报告，而是每次都要重新整理、重新核对。

Agent｜任务执行者

理解“完成周报”的目标，决定先检查数据完整性还是先计算指标，遇到异常时调整步骤，最后交付报告。

Skill｜岗位SOP与专业方法

约定利润计算口径、ACOS/TACOS定义、异常筛选规则、报告模板及复核清单。不同成员调用时尽量使用同一套标准。

MCP｜标准化连接协议

当企业具备可用接口和授权时，让AI应用通过MCP服务读取ERP、数据库或文件系统的数据与工具；它本身不生成报表，也不保证数据正确。

三者协作关系

任务目标

Agent · 决策与执行

↓ 调用方法与工具 ↓

Skill · 业务规则 / 模板 / 脚本

↕ 授权连接 ↕

MCP · 外部工具与数据连接

示意架构，并非强制技术顺序：Skill可不依赖MCP，Agent也可直接调用API。

PART 02

Agent：从回答问题，走向执行任务

平常问AI一句“这个SKU为什么亏损”，它会给出一段分析。Agent更进一步：它可以按任务目标去读取获授权的数据、核对字段、调用计算工具。发现某张表缺了成本列，它可以先提示补齐，而不是继续编一个利润数字。

但能做更多事，不代表应该放开所有权限。比如ACOS突然升高，可能是投放失控，也可能是新品测试。要不要停广告，仍然应由了解经营目标的人拍板。

Agent适合多步骤、存在分支判断、最终结果可以验收的任务；不代表“自动化程度越高越好”。

PART 03

Skill：把经验整理成AI可重复使用的工作方法

想想团队里那位经验丰富的同事：同样一份VAT申请材料，他一眼就知道先查主体类型，再核对名称地址，最后列补件清单。新人则可能每一步都得问。Skill尝试把这种“做事顺序”固定下来，让AI下次还能照着做。

具体做法可以是一份说明文件，配上参考资料、模板和必要脚本。Anthropic的Agent Skills就是这样的实现之一。它更像一本随时能翻开的岗位手册，而不等于给AI安装了一种万能超能力。

跨境案例：欧洲VAT材料初审Skill

输入

客户拟申请国家、主体类型、申请材料目录及文件。

方法

识别业务情形 → 检查材料完整性 → 交叉比对主体名称与地址 → 检索当前官方要求 → 标识需专业复核的特殊问题。

输出

已齐备材料、缺失材料、字段疑点、引用来源、人工确认项五个区块。

这里必须设定边界：Skill中沉淀的是审核方法，不是永久有效的税法。具体申报义务、税务身份与材料政策仍需核对当地官方现行要求，由专业人员负责最终判断。

Skill最适合沉淀反复使用的工作经验：内容审核SOP、平台政策研判流程、客户资料核对、财税工单分类。

PART 04

MCP：接上系统，不等于获得全部权限

如果AI是新同事，MCP更像一套标准的连接插座。它规定AI应用怎样与外部工具、数据服务交互，但不会凭空获得ERP账号，也不代表所有平台都已经支持。

例如，订单在ERP，广告数据在另一套系统。过去你先导出两张表再上传。具备接口和授权后，可以让支持MCP的AI客户端通过对应服务请求数据，少一次搬运。但数据有没有缺漏、能不能跨平台比，仍要检查。

MCP不能绕过平台API限制，也不能替你申请数据权限。没有现成MCP服务时，直接使用API、导出Excel或者编写脚本，可能更经济。

PART 05

一张经营周报，如何从手工做到可复用？

下面这套是方便理解的演示方案，不是已经部署的真实案例。假设每周有三张表：订单、广告和费用。我们先不谈“大型智能体”，只想让一份周报少返工。

原始输入

订单：SKU、销量、实收销售额、退款；广告：SKU、广告花费、广告销售额；费用：采购、物流、平台及仓储费用。

规则约定

先明确统计周期、币种、SKU映射、缺失数据处理方式。ACOS=广告花费÷广告归因销售额；TACOS=广告花费÷总销售额。利润必须采用企业确认的实际成本口径。

AI处理

读取三份文件 → 校验并关联SKU → 计算指标 → 标记异常 → 输出问题清单。关键计算建议使用程序/表格公式，不让语言模型随意心算。

人工验收

复核随机SKU、异常值、缺失数据和成本口径；广告调整建议由运营负责人决定是否执行。

交付内容

一张SKU经营汇总表、一份异常说明、一份下周待办建议；附计算口径和数据缺口说明。

最省事的起点可能只是Excel公式加固定提示词。等全组都需要同一种分析，再把规则整理成Skill；需要经常读ERP数据，再考虑API或MCP；经常遇到不同异常、要灵活安排步骤时，才值得加入Agent。复杂度应该跟着需求增长。

周度分析工作流示例

01 数据输入

订单 / 广告 / 费用

02 规则核对

口径 / 币种 / 缺失值

03 工具计算

SKU关联 / ACOS / TACOS / 利润

04 AI解读

异常说明 / 行动建议

05 人工复核

核验后再执行

一个可直接照做的小测试

拿三份脱敏后的CSV报表，先让AI列出字段缺失和SKU无法匹配的记录；再用Excel或Python按统一公式计算ACOS、TACOS、利润；最后让AI只解释异常，并附上对应的数据行。

验收标准：随机抽查10个SKU，逐项对照原表。算错、引用不到来源、或擅自补数字的结果，都不算通过。

PART 06

另外8个AI概念，不用死记硬背

LLM 大语言模型

负责语言理解与生成；如翻译Listing、整理评论。

Prompt 提示词

一次任务的要求和约束；例如“按SKU输出异常原因”。

Workflow 工作流

预设的执行步骤；适合固定的导入、计算、导出。

API 应用程序接口

软件之间的调用方式；例如通过合规授权获取订单数据。

RAG 检索增强生成

先检索相关资料，再让模型基于检索内容回答。

知识库 Knowledge Base

保存、索引和管理资料；例如公司SOP与产品手册。

Function Calling 工具调用

模型提出符合接口规则的调用请求，实际执行由系统控制。

Multi-Agent 多智能体

多个承担不同职责的Agent协作，比如调研、校验、汇总。

记住两组区别就够了：知识库解决“资料放在哪里”，Skill解决“拿到资料后怎么做”；RAG解决“回答前如何检索依据”，MCP解决“系统怎么连接工具和数据”。

PART 07

跨境企业从哪项任务切入？

市场内容

以官方平台公告为输入，研究、核实、写稿、人工审校；适合沉淀选题审核Skill。

多语言客服

让知识库提供产品与售后政策，AI草拟回复；退款、法律争议要设置人工审批。

广告与利润

以可校验公式处理报表，AI解释异常；优先统一口径，再考虑自动化。

税务资料初审

标准化比对主体信息、文件缺漏及申请材料；避免让AI独立作法律结论。

新人知识问答

把内部SOP与历史FAQ做成可溯源检索，回答需显示文档出处和适用版本。

PART 08

到底要Prompt、Workflow、Skill还是Agent？

不用先选产品，也不用为了新概念焦虑。拿着手头的任务，按下面的顺序问：它只是偶尔做一次，还是每天都重复？步骤固定吗？需要外部系统的数据吗？真的需要AI自行决定下一步吗？

AI选型决策图

偶尔做一次

先用 Prompt + 手工检查

每天重复，步骤固定

优先 Workflow / 脚本

规则复杂，需要多人复用

沉淀 Skill + 版本管理

步骤常变化，需要动态判断

评估 Agent + 审批机制

数据分散于多个系统

评估 API / MCP + 权限治理

这些条件可同时出现。MCP是连接方式，不是比Agent更高级的“下一阶段”。

成本也不要只看会员费。一次自动化改造，还可能需要清洗报表、配置权限、维护脚本、抽样验算。是否值得做，可以连续试运行几周，记录节省的时间、错误率和人工复核成本。

PART 09

未来值得积累的，是业务资产

我更建议跨境企业先攒三样东西：可信的数据口径、靠谱的业务SOP、清晰的操作权限。工具一换，这些东西仍能继续使用。

接下来值得观察的，是ERP、CRM和跨境平台是否提供更多稳定、可授权、可审计的AI连接能力。如果接口开放和工具兼容性改善，跨系统集成的重复工作可能减少；但速度取决于平台支持、成本和数据合规条件。

工欲善其事，必先利其器。但更重要的是先想清楚：究竟要完成什么事？与其追着每一个新工具跑，不如先挑出团队最常重复、结果也最好核验的一件工作，把它做稳。