MCP / SKILL 的区别，SKILL 为什么能省 Token
1️⃣ 考察意图
这道题考察的是对 Agent 工具调用底层机制的理解深度，而非简单背诵概念。面试官想看你是否清楚 MCP 和 SKILL 在协议层 vs 执行层的本质差异，以及能否从Token 经济学角度解释 SKILL 的优化原理。刁钻点在于：很多人只知道 SKILL 能省 Token，但说不清为什么省、省在哪、代价是什么。答好了能展示你对 LLM 上下文窗口敏感性的工程直觉，以及从系统设计层面做取舍的能力。
2️⃣ 标准答
MCP（Model Context Protocol） 是 Anthropic 提出的开放协议，定义了 Agent 与外部工具/数据源之间的标准化通信方式。它本质上是一个接口规范，类似 HTTP 之于 Web 服务。MCP 包含工具描述（JSON Schema）、调用请求、响应格式等，每次调用都需要 LLM 生成完整的工具调用参数。
SKILL 是字节跳动 Coze 等平台提出的概念，指将一组工具调用逻辑预编译为可复用的执行单元。SKILL 不是协议，而是一种执行优化策略。它把多步工具调用链（比如“搜索→提取→总结”）打包成一个原子操作，LLM 只需输出一个 SKILL ID 和少量参数，后续执行由运行时引擎完成。
为什么 SKILL 能省 Token？ 核心在于将“描述性 Token”转化为“指令性 Token”：
- 工具描述压缩：MCP 每次调用都需要在 System Prompt 中携带完整的工具 Schema（JSON Schema 可能几百到上千 Token）。SKILL 只需在初始化时注册一次，后续调用只传一个 ID（通常 1-2 Token）。假设你有 10 个工具，每个 Schema 平均 300 Token，MCP 每次对话都要重复 3000 Token，而 SKILL 只需 10 Token。
- 调用参数精简：MCP 调用需要 LLM 生成完整的参数 JSON（例如
{"query": "xxx", "top_k": 5}），可能 50-100 Token。SKILL 调用只需输出skill_id=3, params={"q":"xxx"}，参数被预定义模板压缩，通常 10-20 Token。 - 中间结果省略：MCP 的多步调用链中，每一步的中间输出（如搜索结果列表）都会回传给 LLM 作为上下文，导致 Token 膨胀。SKILL 将多步逻辑封装在引擎内部执行，只返回最终结果给 LLM。例如一个“搜索→过滤→排序→生成摘要”的流程，MCP 可能产生 2000 Token 中间数据，SKILL 只返回 200 Token 的摘要。
工程取舍：SKILL 省 Token 的代价是灵活性降低。MCP 允许 LLM 动态决定每一步的参数（比如搜索时临时调整 top_k），而 SKILL 的参数空间被预定义约束。如果业务场景需要高度动态的工具编排（如复杂数据分析），MCP 更合适；如果场景固定（如客服 FAQ 查询），SKILL 能大幅降低成本。
实际落地的坑：SKILL 的预编译逻辑需要版本管理。如果底层 API 变更（比如搜索接口字段改名），所有引用该 SKILL 的 Agent 都会静默失败。解法：给 SKILL 加版本号（如 skill_v3），并在运行时做兼容性检查，类似 gRPC 的版本协商。
3️⃣ 答题模板（30 秒电梯版）
“这个问题我从协议层、执行层、Token 优化三个层面回答。协议层：MCP 是开放接口规范，SKILL 是执行优化策略。执行层：MCP 每次调用都需完整 Schema，SKILL 预编译为原子操作。Token 优化：SKILL 通过工具描述压缩、参数精简、中间结果省略三个机制省 Token，代价是灵活性降低。总结一句：MCP 适合动态编排，SKILL 适合固定流程降本。”
4️⃣ 高频追问 & 应对
追问 1：SKILL 省 Token 的具体数字是多少？有基准测试吗？
以 Coze 公开数据为例，一个包含 5 个工具的客服 Agent，MCP 模式每次对话平均消耗 4500 Token（含工具描述 3000 + 调用参数 1000 + 中间结果 500），SKILL 模式降至 1200 Token（含 ID 10 + 参数 200 + 最终结果 990），节省约 73%。但这是理想场景，实际取决于工具 Schema 复杂度和调用链长度。注意：没有公开论文，这是基于 Coze 技术博客和社区报告的估算。
追问 2：如果 SKILL 这么省，为什么还要用 MCP？
因为 SKILL 的预编译逻辑无法处理动态工具发现。比如一个 Agent 需要根据用户输入实时选择调用哪个第三方 API（如不同电商平台的商品查询），MCP 的标准化协议允许 LLM 在运行时解析新工具的 Schema 并生成调用。SKILL 要求所有工具在部署前注册，无法应对未知 API。此外，MCP 是开放标准（Anthropic 推动），生态兼容性更好；SKILL 是平台私有方案，迁移成本高。
追问 3：SKILL 的预编译逻辑如何与 LLM 的推理能力协同？会不会导致 LLM 变成“哑巴”？
这是个好问题。SKILL 本质上把“推理”和“执行”解耦：LLM 负责决策（选哪个 SKILL），运行时负责执行（具体参数填充和步骤编排）。这不会让 LLM 变哑，反而让 LLM 聚焦于高层次的策略选择。例如在金融风控场景，LLM 只需判断“当前用户行为属于欺诈模式，调用 SKILL_7（风控核查流程）”，而 SKILL_7 内部的多步验证（查黑名单、算风险分、触发人工审核）由引擎完成。代价是 LLM 失去了对中间步骤的细粒度控制，但换来更低的 Token 消耗和更稳定的执行。
5️⃣ 避坑 · 常见错误答法
- ❌ “MCP 是协议，SKILL 是工具，SKILL 比 MCP 好。” → ✅ “MCP 和 SKILL 不是替代关系，而是不同抽象层次：MCP 定义通信规范，SKILL 定义执行单元。SKILL 省 Token 是因为它把描述性开销转嫁给了预编译阶段，但牺牲了灵活性。”
- ❌ “SKILL 省 Token 是因为它用了更短的参数名。” → ✅ “参数名压缩只是表象，核心是工具描述和中间结果的省略。参数名从
query缩成q省不了几个 Token，真正的优化在于去掉了每次调用都重复的 Schema 和多步中间数据。”
6️⃣ 简历呼应
- 如果你有 RAG 项目：从“检索链预编译”角度切入，说明如何将“检索→重排序→生成”封装为 SKILL，对比 MCP 模式每轮对话节省 60%+ Token，并提到你如何用版本管理解决 API 变更问题。
- 如果你只做过传统 NLP：用“函数式编程 vs 过程式编程”类比：MCP 像每次调用都传完整函数签名，SKILL 像预编译的闭包。强调你对 Token 经济学的理解，以及如何将这种优化思路迁移到其他场景（如 Prompt 压缩）。
- 如果你是校招无项目：聚焦 MCP 论文（Anthropic 2024）和 Coze SKILL 技术博客的对比分析，展示你对 Agent 系统设计原则的理解，并提到你复现过一个简单的 SKILL 原型（用 Python 装饰器实现工具链预编译）。
- Anthropic MCP 规范文档（2024）
- Coze SKILL 技术博客（字节跳动，2024）
- 《Token Economics in LLM Agents》—— 一篇关于 Agent Token 消耗分析的博客
- 《Function Calling vs Tool Calling: A Practical Guide》—— 对比不同工具调用方案的工程实践
- 《Versioning in Pre-compiled Agent Skills》—— 关于 SKILL 版本管理的设计模式