RAG、工具调用、斜杠命令、Skills 与 MCP：大模型能力扩展技术全景解析

在构建企业级 AI 应用时，开发者常面临一个核心问题：如何让大模型突破自身局限，安全、高效地访问外部知识与执行真实世界操作？ 为此，业界发展出多种互补的技术机制——RAG、工具调用（Tool Calling）、斜杠命令（Slash Commands）、Skills 和 MCP。它们看似相似，实则定位迥异。本文将系统梳理五者的区别与联系，助你精准选型。

---

一、核心定位对比

一句话总结：

• RAG 补知识，工具调用/Skills/MCP 赋能力，斜杠命令提效率。

---

二、详细机制与关系

1. RAG：知识增强层

• 作用：在生成前检索相关文档，注入上下文。

• 不涉及执行，仅提升回答的事实性。

• 典型场景：企业知识库问答、法律条款查询。

2. 工具调用（Tool Calling）：动作执行层

• 作用：模型生成结构化参数，调用预注册函数（如 send_email(to, subject)）。

• 依赖 LLM 的函数调用能力（如 OpenAI、通义千问）。

• 是 Skills 和 MCP 的上层消费接口。

3. Skills：业务能力封装层（以 Spring AI Alibaba 为例）

• 作用：将一个完整业务能力（描述 + 工具 + 资源）打包为独立单元。

• 通过 read_skill() 实现渐进式披露，避免提示词膨胀。

• 内部仍依赖 Tool Calling 执行具体逻辑。

• 示例：sales_analytics 技能包含 SQL 规则和执行脚本。

4. MCP（Model Context Protocol）：工具接入标准层

• 作用：定义统一协议（gRPC/HTTP），让任意语言编写的工具可被 AI 平台发现和调用。

• 是 Tool Calling 的“基础设施”，实现跨语言、跨平台集成。

• 开发者实现 MCP 服务后，AI 框架可自动将其注册为 Tool。

5. 斜杠命令（Slash Commands）：用户交互快捷层

• 作用：用户输入 /clear、/search 等指令，直接触发预设逻辑。

• 完全绕过模型推理，由前端或路由层处理。

• 适用于确定性高、无需智能判断的操作。

---

三、协同工作流程示例

设想一个智能销售助手：

1. 用户问：“上季度销售额最高的客户是谁？”

2. RAG 先检索公司销售政策文档，确认“上季度”定义；

3. 模型判断需调用分析能力，通过 Skills 机制加载 sales_analytics 技能；

4. 技能描述中声明绑定一个 MCP 服务（如 Python 编写的 SQL 执行器）；

5. 框架将该服务注册为 Tool，模型生成 execute_sql("SELECT ...") 调用；

6. 若用户想快速重试，可输入 /rerun_last_query —— 这是 斜杠命令。

整个过程融合了全部五项技术，各司其职。

---

四、选型建议

• 只需查内部文档？ → 用 RAG。

• 需调用 API 或执行代码？ → 用 Tool Calling。

• 构建复杂、可复用的企业智能体？ → 引入 Skills（如 Spring AI Alibaba）。

• 团队多语言开发，需统一工具接入？ → 采用 MCP。

• 提供用户快捷操作？ → 设计 斜杠命令。

---

结语

RAG、Tool Calling、Skills、MCP 和斜杠命令并非互斥，而是构成了一套从知识增强 → 动作执行 → 能力封装 → 标准接入 → 用户交互的完整能力扩展栈。理解它们的边界与协同关系，是设计高可用、可维护 AI 应用的关键。