AI Agent 全透彻解析：Skill、Tool、MCP 与主流 Agent 的关系

AI Agent 不是某一种模型，也不只是“能聊天的 AI”。本文以官方定义为准，解释 Agent、Tool、Skill、MCP 的边界，并对比 Claude Code、Codex、OpenCode、OpenClaw、Hermes Agent 与 Nanobot 的定位和关系。

截至 2026 年 7 月，Agent 仍然没有唯一的行业定义。不同厂商强调的角度不同，但核心结构已经相当清楚：

模型负责推理，Tool 负责行动，Skill 提供方法，MCP 负责连接；Agent Runtime 把它们组织成能够持续工作的执行循环。

一、权威资料如何定义 Agent？

1.1 OpenAI 的定义

OpenAI Agents SDK 官方文档将 Agent 定义为：配置了 Instructions（指令）、Tools（工具），以及 Handoff、Guardrail、结构化输出等可选运行行为的大语言模型。

这个定义强调 Agent 的组成：

1
Agent = Model + Instructions + Tools + Runtime Behavior

1.2 Anthropic 的定义

Anthropic《Building Effective Agents》区分了 Workflow 和 Agent：

Workflow：大模型和工具按照预先定义的代码路径运行。
Agent：大模型动态决定自己的执行过程和工具使用方式。

这个定义强调 Agent 的决策权。固定执行“检索→总结→发送”的系统，即使使用了大模型，也更接近 Workflow；能根据工具结果自行决定下一步的系统，才更接近 Agent。

1.3 两个定义为什么不冲突？

OpenAI 描述 Agent“由什么组成”，Anthropic 描述 Agent“如何运行”。合在一起，可以得到一个更完整的理解：

Agent 是以模型为决策核心，带有指令和工具，并能根据环境反馈持续选择下一步行动的系统。

flowchart LR U["用户目标"] --> M["模型判断下一步"] M --> Q{"任务完成了吗？"} Q -->|否| T["调用 Tool"] T --> E["环境返回事实或错误"] E --> M Q -->|是| R["交付结果"] G["权限／Guardrail／人工审批"] -.约束.-> T

Agent 的关键不是“回答像人”，而是形成了 观察→决策→行动→验证 的闭环。

二、模型、Agent 和 Agentic Harness 是什么关系？

这是理解各种产品关系的关键。

2.1 模型不是 Agent

Claude、GPT、Gemini 等模型负责理解和生成内容。模型本身通常不直接读取你的磁盘、运行命令或修改代码。

2.2 Agentic Harness 把模型变成可行动的 Agent

Claude Code 官方术语表把 Agentic Harness 定义为：围绕模型提供工具、上下文管理和执行环境，使模型成为 Agent 的运行框架。

Claude Code 工作原理进一步说明，Claude Code 是 Claude 模型外面的 Harness：模型负责推理，Harness 提供文件访问、Shell、权限、上下文管理和 Agent Loop。

可以类比为：

1
2
3
模型：大脑
Agentic Harness：身体、工作台和管理制度
Agent：两者组合后正在完成任务的系统

因此，Claude Code 与 Claude 不是同一个概念，Codex 与底层 GPT 模型也不是同一个概念。

2.3 “Agent”这个词为什么经常指不同东西？

日常讨论中，“Agent”至少可能指三层：

层次	含义	例子
产品／Harness	提供完整 Agent 运行能力的软件	Claude Code、Codex、OpenCode
Agent 配置	一组特定模型、指令、工具和权限	Plan Agent、Review Agent
运行实例	正在处理某个任务的一次会话	当前修复 Bug 的 Agent Session

说“Codex 是一个 Agent”时，通常是在说产品层；说“创建一个安全审查 Agent”时，通常是在说配置或运行实例。

三、Tool、Skill 和 MCP 的权威定义

3.1 Tool：可以执行的具体能力

OpenAI Agents SDK Tool 文档将 Tool 描述为让 Agent 获取数据、运行代码、调用外部 API 或操作计算机的能力。

例如：

read_file：读取文件；
web_search：搜索网页；
run_tests：执行测试；
send_message：发送消息；
create_order：创建订单。

Tool 应该具有明确的名称、描述、输入和输出。模型选择 Tool 并生成参数，真正的操作由 Agent Runtime 或外部服务执行。

Tool 回答的是：Agent 能做什么？

3.2 Skill：可复用的工作方法

Agent Skills 官方网站将 Skill 定义为扩展 Agent 专业知识和工作流程的开放格式。一个 Skill 通常是包含 SKILL.md 的目录，也可以包含脚本、模板和参考资料。

Skill 采用渐进式加载：

Agent 先看到名称和描述。
任务匹配时加载完整 SKILL.md。
确有需要时再读取参考资料或执行脚本。

例如，“技术博客写作 Skill”会规定先确定读者、再核验资料、然后组织结构和校对全文。它不会自动赋予 Agent 搜索网络或修改文件的权限。

Skill 回答的是：这类任务应该怎么做？

3.3 MCP：连接工具与上下文的标准协议

Model Context Protocol 官方架构文档说明，MCP 是 AI 应用交换工具与上下文的协议，不规定应用必须使用什么模型，也不规定 Agent 如何管理上下文。

MCP 采用三类角色：

Host：运行 Agent 的 AI 应用。
Client：Host 中连接某个 Server 的组件。
Server：提供能力或上下文的程序。

MCP Server 可以提供：

MCP 原语	作用
Tools	可执行的动作
Resources	可读取的数据和上下文
Prompts	可复用的提示模板

flowchart LR A["Agent／MCP Host"] --> C["MCP Client"] C <-->|"MCP 协议"| S["MCP Server"] S --> API["API／数据库／本地程序"] S --> T["Tools"] S --> R["Resources"] S --> P["Prompts"]

MCP 不是 Tool 本身。一个 MCP Server 可以暴露多个 Tool；同一个 Agent 也可以同时拥有内置 Tool、普通函数 Tool 和 MCP Tool。

MCP 回答的是：Agent 如何以标准方式连接外部能力？

3.4 三者的关系

1
2
3
4
Skill：规定先查资料、再写作、最后校对
Tool：真正执行搜索、读文件和构建命令
MCP：把外部资料库或内容平台接入 Agent
Agent：根据目标决定何时使用哪一个

需求	应该使用
增加一个具体动作	Tool
固化一套重复流程	Skill
标准化连接外部服务	MCP
根据现场反馈动态完成任务	Agent

四、Prompt、Context、RAG、Memory 又是什么？

这些概念负责的是“Agent 知道什么”，而 Tool 负责“Agent 能做什么”。

概念	作用	适用场景
Prompt	描述本次目标	“分析这个 Bug”
Instructions	长期生效的行为规则	代码规范、禁止修改的目录
Context	模型当前能够看到的信息总和	对话、文件、Tool 结果
RAG	从大型知识库按需取回相关内容	企业文档、代码库、历史工单
Memory	跨会话保存有用信息	用户偏好、历史决定、任务状态

RAG 不是 Memory。RAG 解决“这次应该查出什么”，Memory 解决“以后还应该记住什么”。Skill 也不是 Memory：Skill 保存的是可复用流程，而不是某次对话的历史。

五、六种 Agent 产品分别是什么？

先给出结论：

Claude Code、Codex、OpenCode、OpenClaw、Hermes Agent 和 Nanobot 都属于 Agent 产品或 Agent Runtime，但它们服务的主要场景不同。

前三者以软件开发为中心；后三者更接近长期运行、连接聊天渠道和个人工作流的通用 Agent。

5.1 Claude Code

Anthropic 官方介绍将 Claude Code 称为 Agentic Coding System。它能够读取代码库、跨文件修改、执行测试并交付代码。

它的定位是：

类型：编码 Agent／Agentic Harness；
核心模型：Claude 系列；
主要环境：终端、IDE、桌面端、Web 和云端执行环境；
扩展方式：CLAUDE.md、Skill、MCP、Hook、Subagent 和 Agent Team；
主要用途：理解代码、实现功能、排查 Bug、重构和测试。

Claude Code 是 Agent，不是 Claude 模型本身。Claude 是推理核心，Claude Code 是提供工具、上下文、权限和执行循环的 Harness。

5.2 Codex

OpenAI Codex 官方页面将 Codex 定位为可以端到端完成开发任务的 Coding Agent，覆盖功能开发、重构、迁移和 Pull Request 等工作。

它的定位是：

类型：编码 Agent／Agentic Harness；
核心模型：OpenAI 模型；
主要环境：CLI、IDE、桌面应用和云端任务；
扩展方式：AGENTS.md、Skill、MCP、Plugin、Hook 和 Subagent；
主要用途：本地仓库开发、代码审查、并行任务和云端委派。

Codex 也不是一个单独的模型名称。在当前产品语境中，Codex 更应理解为 OpenAI 的 Agent 产品和执行环境。

5.3 OpenCode

OpenCode 官方文档直接将其定义为开源 AI Coding Agent，可通过终端、桌面应用和 IDE 扩展使用。

它的定位是：

类型：开源编码 Agent／Harness；
核心模型：支持多个模型提供商；
主要环境：终端、桌面端和 IDE；
扩展方式：自定义 Agent、Skill、MCP、Tool、Command 和 Plugin；
主要用途：以厂商中立的方式完成代码开发。

OpenCode Agent 文档区分 Primary Agent 和 Subagent，并允许每个 Agent 使用不同 Prompt、模型和工具权限。这也说明 OpenCode 既是一个 Agent 产品，又是可以承载多个 Agent 配置的 Runtime。

5.4 OpenClaw

OpenClaw 官方仓库将其定义为运行在用户自己设备上的 Personal AI Assistant。它通过 Gateway 长期运行，并连接 WhatsApp、Telegram、Slack、Discord、飞书等消息渠道。

它的定位是：

类型：自托管个人 Agent 平台／Gateway；
核心模型：支持多个模型提供商；
主要环境：个人设备、服务进程和消息渠道；
扩展方式：Tool、Skill、Plugin、Channel 和 Agent 配置；
主要用途：让个人 Agent 长期在线，通过常用聊天软件执行真实任务。

OpenClaw 的重点不是代码仓库，而是“常驻、跨渠道、个人化”。它也能执行编码任务，但产品边界比编码 Agent 更广。

5.5 Hermes Agent

Nous Research 官方文档将 Hermes Agent 定义为具有内置学习循环的 Self-improving AI Agent。它可以从经验创建和改进 Skill，并维护跨会话 Memory。

它的定位是：

类型：通用、自托管、强调自我改进的 Agent Runtime；
核心模型：支持 Nous Portal、OpenRouter、OpenAI 兼容接口等；
主要环境：本机、服务器、容器和多个消息平台；
扩展方式：内置 Tool、Agent Skills、MCP、Memory 和 Subagent；
主要用途：个人助理、研究、自动化、远程任务和长期知识积累。

Hermes Agent 的突出特点是把 Memory、Skill 创建和 Skill 改进组成显式学习闭环，而不只是加载人工编写的 Skill。

5.6 Nanobot

HKUDS Nanobot 官方仓库将 Nanobot 定义为开源、超轻量、可自托管的 Personal AI Agent。它围绕一个小型 Agent Loop 提供聊天渠道、Tool、Memory、MCP、自动化和部署能力。

它的定位是：

类型：轻量级个人 Agent Runtime；
核心模型：支持 OpenAI 兼容接口和本地模型；
主要环境：CLI、WebUI、本地或服务器 Gateway、聊天平台；
扩展方式：Tool、Skill、MCP、Channel、Automation 和 Subagent；
主要用途：以较小、易读、可修改的运行时搭建个人 Agent。

Nanobot 与 OpenClaw、Hermes Agent 的方向相近，但更强调核心轻量、源码可读和低复杂度部署。

六、它们之间到底是什么关系？

6.1 它们是同一层的产品，不是 Agent 的零件

六个项目都位于“Agent 产品／Harness”这一层。它们内部都可以包含模型、Tool、Skill、Memory、MCP 和一个或多个 Agent 实例。

flowchart TB subgraph Coding ["编码 Agent／Agentic Harness"] CC["Claude Code"] CX["Codex"] OC["OpenCode"] end subgraph Personal ["通用／个人 Agent Runtime"] CL["OpenClaw"] HA["Hermes Agent"] NB["Nanobot"] end M["Model"] --> Coding M --> Personal T["Tool／Skill／MCP／Memory"] --> Coding T --> Personal Coding --> ENV1["代码仓库与开发环境"] Personal --> ENV2["聊天渠道、个人设备与长期自动化"]

它们既不是 Tool，也不是 Skill，更不是 MCP Server。它们是使用这些组件来运行 Agent 的完整产品。

6.2 它们是不是互相竞争？

部分竞争，但不是完全同类竞争：

产品	核心方向	最接近的对手
Claude Code	Claude 生态的专业编码 Agent	Codex、OpenCode
Codex	OpenAI 生态的专业编码 Agent	Claude Code、OpenCode
OpenCode	开源、多模型编码 Agent	Claude Code、Codex
OpenClaw	常驻、多渠道个人 Agent 平台	Hermes Agent、Nanobot
Hermes Agent	强调 Memory 与自我改进的通用 Agent	OpenClaw、Nanobot
Nanobot	轻量、可读、可自托管的个人 Agent	OpenClaw、Hermes Agent

编码 Agent 也可以写文档、搜索资料和运行普通命令；个人 Agent 也可以通过 Shell 或 Skill 修改代码。这里的分类表示产品的主要设计中心，不是能力的绝对边界。

6.3 一个 Agent 能不能调用另一个 Agent？

可以，但需要明确编排关系。例如：

1
2
3
OpenClaw 主 Agent
  └─ 通过命令、Plugin 或自定义 Tool 委派编码任务给 Codex
       └─ Codex 在代码仓库中修改并测试

在这个具体系统里，OpenClaw 是 Orchestrator，Codex 被包装为 Tool 或 Worker Agent。但这不是它们天然的产品关系。换一个系统，Codex 也可以调用外部 Agent。

应当区分：

产品关系：Claude Code、Codex 等是独立 Agent 产品。
运行关系：某次任务中，一个 Agent 可以成为另一个 Agent 的 Tool、Subagent 或 Handoff 目标。
协议关系：独立 Agent 跨系统协作可以使用 A2A；Agent 连接 Tool 和 Resource 通常使用 MCP。

七、应该如何选择？

需求	更适合的选择
深度使用 Claude 完成软件开发	Claude Code
深度使用 OpenAI 生态并进行本地、桌面和云端编码	Codex
希望开源、可配置并自由选择模型提供商	OpenCode
希望个人 Agent 常驻设备并连接大量聊天渠道	OpenClaw
重视长期 Memory、自动生成 Skill 和自我改进	Hermes Agent
希望核心轻量、易读、易修改和自托管	Nanobot

选择前还应考虑：

数据是留在本机，还是发送到云端模型？
Agent 获得了哪些文件、Shell、账号和消息权限？
写入、删除、发送和支付是否需要人工审批？
是否真的需要长期运行、跨渠道和 Memory？
是否能够查看完整 Tool 调用和失败记录？
单 Agent 已经足够时，是否仍然引入了复杂编排？

八、最终总结

理解 Agent 生态，可以从三个层次入手：

1
2
3
4
5
6
7
8
第一层：模型
Claude、GPT、Gemini 等，负责理解与推理。

第二层：Agent 组件
Prompt、Context、Tool、Skill、MCP、Memory、Guardrail 等。

第三层：Agent 产品／Harness
Claude Code、Codex、OpenCode、OpenClaw、Hermes Agent、Nanobot 等。

最后记住这些边界：

Agent：根据环境反馈持续决策和行动的系统。
Tool：一项可以真正执行的能力。
Skill：一套可复用的专业流程和知识。
MCP：连接 Agent 与外部工具、资源的标准协议。
Agentic Harness：把模型、工具、上下文、权限和执行循环组合起来的运行框架。
Claude Code／Codex／OpenCode：以软件开发为中心的 Agent 产品。
OpenClaw／Hermes Agent／Nanobot：以长期运行、个人助理和跨渠道自动化为中心的 Agent Runtime。

新的 Agent 产品还会不断出现，但判断方法不会频繁变化：先看它处于哪一层，再看它把决策权、工具、上下文和权限交给了谁。这样就能分清它是模型、组件、协议，还是一个真正运行 Agent 的完整系统。