最近使用 Work 类 AI 办公产品（纳米Work、WorkBuddy、豆包工作、千问办公等），你可能会看到几个高频词：提示词、技能（Skill）、专家、连接器、MCP、CLI。

这些概念看起来不难，但放在一起就容易混淆。

有人说 Skill 就是提示词，专家就是一堆 Skill，连接器就是 MCP。这样的理解有一定道理，但并不完全准确。

如果想真正用好 AI 办公产品，我们需要先搞明白这些功能分别解决什么问题。

简单来说，提示词解决“这次怎么做”，Skill 解决“如何把一项工作的方法沉淀下来”，专家解决“如何组织一个领域的工作能力”，连接器解决“如何让 AI 使用外部工具”。

下面就用一个软件开发工程师的工作场景，把这些概念一次讲清楚。

一、提示词：告诉 AI 这次应该怎么做

提示词，英文叫 Prompt。

它是我们向 AI 提出要求、提供背景信息、限定任务目标和输出格式的指令。

例如，你想让 AI 帮你写一份项目需求分析文档，可以这样说：

你是一名资深产品经理，请根据我提供的项目背景，梳理业务需求、用户角色、核心功能、业务流程和非功能需求，最后输出一份结构清晰的需求分析文档。

这就是一个提示词。

如果你希望结果更好，还可以补充更多要求：

• 任务目标： 输出一份完整的需求分析文档。

• 工作步骤： 先梳理业务目标，再分析用户角色和业务流程，最后整理功能需求。

• 输出格式： 按照标准需求文档的章节组织内容。

• 质量要求： 对不明确的需求先提出问题，不要擅自假设。

你会发现，提示词不只是简单的一句话，也可以是一套比较完整的任务指令。

那么，既然可以把提示词写得很详细，为什么还需要 Skill？

问题在于：如果你每天都需要 AI 帮你做同一类工作，难道每次都要重新输入一遍完整的指令吗？

不仅麻烦，而且容易遗漏要求，导致每次输出的质量不稳定。

这就引出了 Skill。

二、Skill：把做事方法沉淀下来，需要时再调用

Skill，中文通常翻译为“技能”。

如果用一句话理解：

Skill 是一套可以重复使用、按需调用的任务方法包。

在一些支持 Agent Skills 的产品中，Skill 通常以一个主文件为核心，还可以包含参考文档、模板、脚本等辅助材料。

它不只是提示词，而是把完成某一类任务所需要的指令、流程和资源组织起来。

例如，我们希望 AI 成为一个更可靠的软件开发助手，可以为它准备以下 Skill：

• 需求分析 Skill：梳理业务目标、用户角色、功能需求和验收标准。

• 代码开发 Skill：根据需求编写代码，遵循项目规范。

• 代码审查 Skill：检查代码中的逻辑错误、安全风险和可维护性问题。

• 接口文档 Skill：根据代码和需求整理 API 接口说明。

• 测试用例 Skill：根据需求设计测试场景、测试步骤和预期结果。

这些 Skill 可以分别使用，也可以在一项复杂任务中组合使用。

例如，你让 AI 开发一个用户管理模块，它可以先参考需求分析 Skill，再根据开发 Skill 编写代码，最后调用测试用例 Skill 补充测试。

原本需要你反复解释的工作规范，现在可以沉淀为可复用的技能。

Skill 为什么强调按需加载？

这是 Skill 相比简单提示词很重要的一个特点。

以 Anthropic 的 Agent Skills 实现为例，它采用分层加载的思路：

先识别技能： AI 先了解 Skill 的名称和用途。

需要时加载主文件： 当任务与该技能匹配时，再读取具体的工作流程和指令。

需要更多资料时再加载： 如果任务涉及特定模板、参考文档或脚本，再访问相应资源。

这种方式通常称为渐进式披露。它能够避免把所有技能的全部内容一股脑塞进上下文，从而更有效地利用上下文窗口。具体实现会因产品而异。

举个更贴近实际工作的例子

假设你经常需要撰写微信公众号文章。

你可以制作一个“公众号文章写作 Skill”，在里面规定：

• 如何确定文章主题和核心观点；

• 如何设计标题和文章结构；

• 如何核查事实与引用来源；

• 如何避免重复论述；

• 如何根据目标读者调整表达；

• 如何生成摘要和转发语。

以后，你只需要说：“围绕企业 AI 落地失败的原因，写一篇公众号文章。”

AI 就可以在合适的时候参考这套写作方法，而不必每次重新接收完整的写作规范。

当然，Skill 并不意味着 AI 一定会严格执行所有要求。它仍然需要根据任务选择技能，并且可能出现理解错误。因此，重要任务依然需要检查和验证。

另外，不同产品对 Skill 的实现并不完全一致。有的支持文件夹、脚本和参考资料，有的可能只提供更轻量的技能配置。

所以，把 Skill 理解成“可复用、可组合、可以按需调用的任务方法包”，比简单地说它就是一套提示词更加准确。

三、专家：把多个技能和领域知识组织起来

理解了 Skill，再看 Work 类产品中的“专家”，就容易多了。

这里所说的专家，不一定指一个真正独立训练出来的 AI 模型，而是指产品提供的一种专业化工作角色或能力配置。

它可能包含角色指令、多个Skill、领域知识、参考资料、工具权限和工作流程。具体包含什么，要看产品的实际设计。

可以把它理解为：让通用 AI 按照某个专业领域的工作方式来完成任务。

例如，一个“高级软件开发工程师”专家，可以围绕软件开发工作组织多项能力：

• 需求分析；

• 技术方案设计；

• 代码编写；

• 接口文档生成；

• 代码审查；

• 测试用例设计；

• 缺陷分析。

与此同时，还可以提供项目架构说明、开发规范、接口标准、数据库设计文档等领域资料。

当你提出开发任务时，AI 不再只是临时回答一个问题，而是能够参考这些规则和资料，按照更接近专业工程实践的流程开展工作。

再举几个常见的例子：

市场研究专家

可以结合行业分析、竞品研究、信息检索、数据整理和报告撰写等技能，帮助你完成市场研究。

产品经理专家

可以结合需求分析、用户故事编写、原型需求整理、PRD 撰写和验收标准设计等技能，帮助你推进产品工作。

数据分析专家

可以结合数据清洗、指标分析、统计计算、图表生成和分析报告撰写等技能，处理数据分析任务。

需要注意的是，专家和 Skill 并不是严格统一的行业术语。某个产品可能把一组预配置指令称为“专家”，另一个产品可能将其称为智能体、助手、数字员工或工作流。

因此，我们讨论专家时，重点不应该是名字，而应该是它究竟封装了哪些能力、能够完成哪些任务，以及是否能在真实工作中产生价值。

四、连接器：让 AI 不只会生成内容，还能操作外部应用

前面介绍的提示词、Skill 和专家，主要解决的是 AI 如何理解任务、组织知识和开展工作的问题。

但如果 AI 需要操作飞书、百度网盘、GitHub 或其他企业系统，仅仅生成一段操作建议是不够的。它还需要真正访问外部系统、获取数据，并在获得授权的情况下执行操作。

这就是连接器的作用。

在AI 办公产品中，连接器可以理解为连接 AI 工作环境与外部应用的集成能力。它让 AI 能够在适当的时候调用第三方应用提供的功能，而不必所有事情都依靠人工复制、粘贴和切换软件。

例如，你希望 AI 帮你完成一份项目周报，可以这样提出任务：

“读取飞书多维表格中的项目任务，找出已经延期的工作，按照负责人汇总，再生成一份项目周报。”

如果已经配置好相应的连接器，并且授权范围足够，AI 就可以获取相关任务数据、进行分析，最后整理出周报。

这里有一个关键区别：

Skill 可以告诉 AI 应该如何整理周报，而连接器让 AI 有办法获取真实的项目数据。

两者配合，才能把一项工作从“告诉你怎么做”，推进到“帮助你实际完成”。

1.连接器，为什么会涉及 MCP + Skill 和 CLI + Skill？

理解连接器时，我们还需要进一步区分两个层面：

• 连接方式： AI 通过什么技术手段访问外部应用？

• 使用方法： AI 应该在什么情况下调用这些能力，以及具体怎么操作？

MCP 和 CLI 主要涉及前一个问题；Skill 则可以承担后一个问题中的一部分职责。

在相关连接器实现中，可以看到两种值得理解的组合方式：MCP + Skill，以及CLI + Skill。

MCP 负责把外部应用提供的工具能力，以约定的协议提供给 AI 工作环境；Skill 则可以进一步说明这些工具适合什么任务、应该按照什么步骤调用，以及如何处理返回结果。

例如，连接一个支持 MCP 的项目管理系统后，AI 可以根据 Skill 中的工作规范，查询任务、分析进度，再生成项目报告。

CLI 负责提供具体的命令行操作入口，Skill 则可以说明应该使用哪些命令、如何传入参数、如何组织执行步骤，以及如何检查执行结果。

例如，某个系统提供了查询任务和更新任务状态的 CLI，AI 就可以按照 Skill 中的操作规范，调用对应命令完成工作。

这两种组合的共同点是：连接能力与操作方法相互配合。

但也要注意，MCP + Skill 和 CLI + Skill 是便于理解的实现组合，并不是所有连接器都必须采用这两种形式。不同产品、不同应用的具体实现可能存在差异。

2. MCP + Skill：既要连得上，也要知道怎么用

先看 MCP + Skill。

假设企业希望 AI 帮助员工整理项目资料，涉及读取项目列表、查询任务状态和获取相关文档。

如果项目管理系统提供了 MCP 服务，AI 工作环境就可以通过 MCP 发现并调用该服务开放的工具。

但“能调用工具”和“会把工作做好”并不是一回事。

比如，系统提供了查询项目、获取任务详情、更新任务状态等工具，AI 还需要判断：

• 什么时候应该查询项目列表？

• 分析延期任务需要获取哪些字段？

• 什么时候应该先读取数据，再生成报告？

• 哪些操作只需要读取数据，哪些操作会修改业务状态？

• 结果是否完整，是否需要进一步核查？

这些任务流程和使用规范，就可以通过 Skill 来补充。

因此，可以把两者的分工理解为：

MCP 负责提供可调用的外部能力，Skill 负责指导 AI 如何在工作任务中使用这些能力。

这里并不是说 MCP 自己完全不包含操作说明。MCP 服务也可以提供工具描述等信息，而 Skill 可以进一步组织业务流程和使用规则。两者的具体分工取决于实现方式。

3. CLI + Skill：用现成的命令行工具完成工作

再看 CLI + Skill。

很多软件早就提供了命令行工具。开发者可以通过命令查询数据、创建任务、管理文件或执行其他操作。

如果 AI 工作环境能够安全地执行这些命令，就可以利用现有能力完成工作，不一定需要专门开发一套新的 MCP 服务。

例如，某个项目管理工具提供了 CLI，支持列出任务、查询详情和更新状态。

用户说：“找出本周已经延期的任务，按负责人统计，并输出汇总结果。”

AI 可以先参考相应 Skill，了解命令的使用方法和任务处理流程，再调用 CLI 查询任务数据、筛选延期任务、汇总结果。

不过，CLI + Skill 也有前提：命令行工具必须真实存在，并且已经在相应环境中安装、配置好；AI 需要具备执行命令的权限；具体命令、参数和返回结果也必须符合工具的实际规范。

Skill 不能凭空创造一个不存在的 CLI，也不能因为写了操作说明，就自动获得外部系统的访问权限。

这也是理解这两种组合时非常重要的一点。

4. MCP + Skill 与 CLI + Skill，有什么区别？

需要强调的是，这不是一场谁取代谁的竞争。

如果某个软件已经提供了适合的 CLI，直接使用它可能更方便；如果某个系统通过 MCP 提供了结构化工具能力，那么 MCP 可能更适合对应的集成场景。实际选择还需要考虑维护成本、认证方式、权限控制和运行环境。

两者也可以组合。例如，开发者可以用 MCP 封装现有 CLI，再让兼容的 AI 应用通过 MCP 调用这些能力。

5. 连接器的价值，不只是少切换几个软件

真正有价值的连接器，不是简单地把一个应用放到 AI 的工具列表里，而是让 AI 能够在真实的工作流程中使用它。

比如，一个市场研究任务可能需要搜索公开信息、读取企业内部资料、查询竞品数据，再生成分析报告。

其中，Skill 可以沉淀研究方法和报告规范；专家可以组织市场研究所需的技能和领域知识；连接器则帮助 AI 获取外部数据和调用业务系统。

当这些能力组合起来，AI 就有机会完成更完整的工作链条，而不是只生成一份看起来不错、却没有经过真实数据验证的报告。

当然，连接器也意味着新的安全责任。企业应根据业务需要限制访问范围，对修改、删除、发送等高风险操作设置适当的审批或确认机制，并做好必要的日志记录。

AI 能够操作系统，不等于应该拥有无限权限。

接下来，我们再单独讲清楚 MCP 和 CLI 本身是什么，以及它们为什么不能混为一谈。

五、MCP 和 CLI 到底是什么关系？

聊到连接器，通常还会遇到两个词：MCP 和 CLI。

这两个概念很重要，但一定要分清楚。

1. MCP：让 AI 应用按统一协议调用外部能力

MCP 的全称是 Model Context Protocol，中文通常译为“模型上下文协议”。

不过，如果只是记住这个名字，并不能帮助我们理解它。

更直观地说，MCP 是一种开放协议，让 AI 应用能够以约定的方式发现和使用外部系统提供的工具、资源等能力。

可以把它想象成一套通用的连接规则。

假设某个云盘提供了一个 MCP 服务，它可以把读取文件、搜索文件、创建文件夹等能力，以标准化的方式提供给兼容的 AI 应用。

AI 应用连接这个服务后，就可以在用户提出相关任务时，发现可用工具，并根据需要发起调用。

例如，你说：

“帮我在云盘中找到最近一个月的项目方案，按项目名称归类。”

在获得相应授权、且云盘 MCP 服务确实提供相关能力的前提下，AI 就可以调用文件搜索、读取和整理等工具来完成任务。

这里需要强调两点。

第一，MCP 本身不是百度网盘、高德地图或飞书，它是连接 AI 应用与这些外部系统的一种协议。

第二，MCP 不只是调用工具。MCP 还支持资源和提示模板等能力。只是对于普通办公用户来说，最容易感知的通常是通过它调用外部工具。

2. CLI：通过命令行操作软件

CLI 的全称是 Command-Line Interface，即命令行接口。

它不是一种 AI 专属技术，而是一种历史悠久的软件交互方式。

我们平时在终端里输入命令，让程序执行操作，就是典型的命令行交互。

例如，一个软件可能提供这样的命令：

project list

用于列出项目；也可能提供：

project create

用于创建项目。这里仅是示意命令，实际命令以具体软件的文档为准。

如果某个第三方应用提供了成熟的 CLI，AI 智能体就可以在具备相应执行环境和权限的情况下，通过执行这些命令完成任务。

例如，企业已经有一套命令行工具，可以查询项目数据、创建任务和更新状态。只要 AI 工作环境能够安全地调用这套工具，并且能够正确理解命令及其参数，就可能不需要再专门开发一套全新的集成服务。

不过，CLI 并不等于 MCP。

CLI 是软件提供的一种操作接口；MCP 则是 AI 应用与外部能力之间的一种标准化通信协议。

两者解决的是不同层面的问题。

3. MCP 和 CLI 能不能一起使用？

可以，但要看具体产品如何实现。

一种常见的架构是：第三方软件原本就提供 CLI，开发者再通过一个 MCP 服务，把部分命令行能力封装成标准化工具，供 AI 应用调用。

这样，AI 应用通过 MCP 调用工具，而工具内部可能再执行 CLI 命令。

但也有另一种方式：AI 工作环境直接调用已经安装好的 CLI，并通过技能说明告诉 AI 应该使用哪些命令、参数和工作流程。

因此，可以把它们的关系概括为：

• MCP： 一套标准化的连接与调用协议。

• CLI： 软件提供的命令行操作接口。

• 连接器： 面向用户的集成入口，背后可以采用不同技术方案。

在具体产品中，连接器可能采用 MCP 方案，也可能采用 CLI 方案，还可能通过 API、插件或其他机制集成。并不是所有连接器都必须使用 MCP。

六、把这些概念放在一起，就清楚了

假设你希望 AI 帮你完成一份市场研究报告。

这个任务涉及多个环节：收集资料、分析竞品、整理数据、形成结论，最后输出报告。

整个过程可以这样理解。

这些概念并不是互相替代的关系，而是可以组合使用的不同能力。

需要说明的是，表格展示的是一种便于理解的概念模型，并不意味着每个Work产品都严格按照这六层架构实现。

七、真正重要的，是让 AI 进入工作流程

理解这些术语，并不是为了记住几个英文缩写，而是为了更好地使用 AI 办公产品。

如果只是聊天，通常一个提示词就可以开始。

如果经常做同一类工作，就可以把成熟的方法整理成 Skill，减少重复指令，提高工作的一致性。

如果需要处理某个专业领域的复杂任务，可以进一步组织多个 Skill、专业资料和工作规范，形成更完整的专家能力。

如果任务需要访问外部系统、读取真实数据或执行实际操作，就需要配置适当的连接器，并完成必要的授权。

当这些能力组合起来，AI 才有机会从一个回答问题的助手，变成能够参与真实工作流程的智能体。

当然，能力越强，越需要关注安全问题。

特别是在企业环境中，连接器可能涉及内部文档、客户信息、业务数据甚至生产系统。使用之前，需要确认数据访问范围、账号权限、操作日志和风险控制措施。涉及删除文件、修改关键数据、发送外部消息等操作时，最好设置明确的确认机制。

不要因为 AI 能够执行操作，就默认它应该拥有无限权限。

AI 办公真正的价值，不是多了几个功能，而是把任务方法、专业知识和外部工具连接起来，让 AI 在可控的范围内完成更多真实工作。

这才是理解提示词、技能、专家和连接器这些概念的意义。

更多AI资讯，请扫码关注Aiker World社区公众号