一张图看懂：Prompt / Context / Skill / MCP / Subagent 各管哪一段

到这里，第 2 段的六个名词都讲完了。单看每一篇你都懂了，但真正要用起来，还差一步：知道它们各自站在哪个位置。

这一篇不引入任何新概念，只做一件事——把它们放回一次真实请求的路径上，让你看清谁管哪一段。

看完你应该能顺畅回答这三个问题：

• 我这次没做好，是提示词的问题、上下文的问题，还是缺工具？
• 这个要求，我该临时说、写进 Skill、还是装个 MCP？
• 什么时候该派 subagent 出去？

把一次完整的请求拆开，顺序是这样的：

1. 你说一句话 → 这是 Prompt 里最直接的那一部分
2. 工具把材料凑齐 → 系统提示词、项目约定文件、历史对话、你附的文件，加上你的话，一起装进 Context（上下文窗口）
3. 模型读完，决定下一步 → 直接回答？还是需要动手？
4. 需要动手 → 调用工具 → 读写文件、执行命令、搜索
5. 工具够不到的系统 → 走 MCP → 数据库、设计稿、日历、各种服务
6. 不知道该怎么做 → 加载 Skill → 把这件事的流程和标准读进来
7. 活太脏太大 → 派 Subagent → 它在自己的上下文里干完，只带结论回来
8. 结果回到上下文 → 模型继续判断，直到任务完成

注意第 4 到第 8 步是在循环里反复发生的（这就是 2.5 讲的 agent 循环），每一轮的产出都会回到上下文里。

看懂这条路径，你会发现所有名词都在解决同一件事：模型这一次到底能看到什么、能做到什么。

一句话串起来：

你用 Prompt 提要求，所有材料装进 Context 交给模型；模型是一个 Agent，它按 Skill 里写的规矩做事，通过 MCP 连上外部系统，把脏活丢给 Subagent，整个过程按 Token 计费。

① Prompt vs Skill —— 说一次 vs 存下来

同一个要求，你这次说叫提示词，写下来存好让它每次自动照做，就是 Skill。判断标准：这件事你会不会做第二次。

② Skill vs MCP —— 怎么做 vs 能连什么

Skill 是说明书，MCP 是插口。要用数据库里的数据做周报：MCP 负责把数据取出来，Skill 负责规定周报怎么写。缺工具装 MCP，缺规矩写 Skill。

③ Context vs 记忆 —— 这一次 vs 长期

上下文是这一次递给它的材料，请求结束就没了。你看到的「记忆」功能，是把内容存成文件、下次再自动塞进上下文——本质上还是靠上下文，只是有人替你重新递了一遍（4.3 讲怎么做）。

④ Agent vs Subagent —— 主线 vs 支线

Agent 是推进整个任务的那一个，Subagent 是它派出去干一件具体脏活的。核心差别是上下文是否独立：subagent 看不到你的对话历史，也不会把它读的一堆内容带回来。

任务：「每周一，把上周的工作记录整理成周报，格式按公司模板，其中的项目数据从内部系统取。」

看这几个名词分别落在哪：

如果哪一环没配，会发生什么：

• 没有 Skill → 每次都要重新交代格式，产出每次都不太一样
• 没有 MCP → 你得自己把数据导出来贴给它
• 没有 Subagent → 20 份记录全进主上下文，后面它开始抓错重点
• 上下文没管好 → 聊到后面它忘了格式要求

这就是为什么这些概念要一起学：它们解决的是同一件事的不同环节。

不用背定义，能用自己的话答上来就算过：

1. 模型「记得」上一轮说的话，是靠什么实现的？
2. 上下文塞得越满越好吗？为什么？
3. 同一个要求，什么时候该写成 Skill，而不是每次说一遍？
4. 你想让 AI 读飞书文档，该找 Skill 还是 MCP？
5. Subagent 和主 agent 最本质的区别是什么？
6. 为什么第 20 轮对话比第 1 轮贵？
7. 一份 3 万字的文档，大概多少 token？

参考答案

① 靠工具每次把历史重新发一遍 · ② 不好，token 越多准确率和召回越差（context rot） · ③ 会重复做、有明确标准的事 · ④ MCP，缺的是「连得上」 · ⑤ 独立的上下文，只返回结论 · ⑥ 每轮都要重发全部历史 · ⑦ 约 1.8 万（3 万字 × 0.6）

这一段到这里就结束了。 你已经能看懂绝大多数 AI 工具教程里的名词，不用边看边查。

下一段开始动手：第 3 段 安装 AI Agent 工具——先搞清终端是什么（3.1），再挑一个工具装上、接上模型、连上 GitHub，让它真的在你电脑上跑起来。