源文件：https://github.com/lennonli/licheng-AI-tutorials/blob/main/docs/mcp-over-prompts-ABL-20260831-V1.md
AI优先｜给AI接工具：为什么MCP比单纯提示词更重要
很多人刚开始用AI时，主要精力都放在提示词上。
怎么写得更清楚；
怎么让AI理解背景；
怎么让它输出得更专业；
怎么少一点幻觉。
这些当然都重要。
但用了Agent一段时间以后，我越来越觉得：
只优化提示词，天花板其实很明显。
因为提示词解决的是：
“怎么让AI更好地思考和回答。”
而MCP、API和各种工具解决的是另一个问题：
“怎么让AI真正拿到外部信息，并完成实际操作。”
这两者不是一个层级。
如果说提示词是在教AI怎么工作，
那么工具是在给AI配：
眼睛、手、数据库和操作权限。
一、一个没有工具的AI，再聪明也有边界
比如你问一个AI：
“帮我分析这家公司的工商情况。”
如果它没有企业信息查询工具，它能做的往往只是：
根据你提供的信息分析；
或者依赖公开网页搜索。
但如果给它接上企业信息查询工具，它就可以进一步去获取：
- 股东；
- 董事；
- 历史变更；
- 对外投资；
- 司法风险；
- 经营异常；
- 股权结构。
这时候它拿到的已经不是一个抽象问题。
而是：
实时任务数据。
再比如法律研究。
你可以写一个非常长的提示词：
“请务必核实现行有效的法律法规，不要编造案例。”
这当然应该写。
但如果AI没有可靠的法规和案例检索工具，它还是只能在有限的信息范围里判断。
更好的做法是：
规则上要求核验，同时给它能够核验的工具。
这两者结合，可靠性才会明显提高。
二、提示词不能替代数据源
我觉得这是一个很重要的认识。
有些AI问题不是提示词写得不好。
而是：
它根本没有数据。
比如：
- “帮我看一下我最近一个月的邮件。”
没有邮箱权限，提示词再好也没用。
- “帮我看看这个项目文件夹里的全部材料。”
没有文件系统权限，也做不了。
- “查一下某公司的最新工商信息。”
没有数据源，只能依赖二手网页。
- “修改这个Git项目并测试。”
没有代码仓库和终端能力，只能告诉你怎么改。
所以很多时候，如果发现一个AI任务反复做不好，可以先别急着继续优化提示词。
先问一句：
它是不是缺工具？
三、MCP最大的价值，是把外部能力标准化地接给Agent
MCP这几年受到很多关注，我觉得核心价值其实很好理解。
它可以把很多原本分散的外部能力，以相对统一的方式提供给Agent调用。
例如：
- 文件系统；
- 数据库；
- GitHub；
- 网页；
- 企业信息；
- 法律资料；
- 云盘；
- 邮件；
- 日历；
- 各种内部业务系统。
以前人使用软件，是：
自己打开一个系统；查完；复制结果；再贴给AI。
有了工具调用以后，理想状态变成：
AI自己去查。
这一步变化很大。
因为以前AI只是：
处理你喂给它的信息。
接上工具以后，它开始能够：
自己获取完成任务所需要的信息。
这才更接近真正的Agent。
四、Agent和普通聊天AI的差距，很大一部分就在“工具使用”
我现在越来越不愿意只用“模型强不强”来评价一个AI产品。
还会看：
- 它能不能读文件；
- 能不能调用终端；
- 能不能访问代码仓库；
- 能不能联网检索；
- 能不能接MCP；
- 能不能生成和修改文件；
- 能不能操作实际系统。
因为真实工作最终不是考试。
不是让AI坐在那里回答一道题。
真实工作的流程往往是：
拿资料；查信息；分析；修改；生成文件；保存；交付。
如果AI只能完成中间的“分析”，人还是要负责前后所有搬运工作。
那整个工作流没有真正被打通。
所以我觉得Agent时代应该更加关注：
端到端完成能力。
五、最好的状态，是不要人工搬运信息
我以前很讨厌一种AI工作方式：
先打开一个网站；搜索；复制；切回AI；粘贴；让AI分析；AI告诉你还缺一个信息；再打开另一个网站；再复制；再粘贴。
这种模式虽然用了AI，但人仍然是整个系统里的“数据搬运工”。
更好的状态应该是：
你告诉Agent：
“完成这项法律研究，法规优先查官方来源，案例用指定数据库核验，最终输出Word。”
然后它自己：
- 检索；
- 读取；
- 比较；
- 分析；
- 引用；
- 生成文件。
人最后负责复核。
这才符合我之前讲的：
5%的时间设计，90%的时间让AI执行，5%的时间复核。
如果中间90%的时间你还在不停复制粘贴，那这个工作系统还没有真正自动化。
六、MCP不是越多越好
当然，这里又有一个很容易走到极端的地方。
看到MCP很好用，就装几十个。
最后Agent拥有一大堆工具：
- 功能重复；
- 名字相似；
- 权限复杂；
- 稳定性不一。
这样反而可能影响使用。
我觉得MCP还是应该围绕：
真实工作需求。
比如一个律师，真正高频可能只需要几类：
- 法律法规和案例；
- 企业信息；
- 文件系统；
- 云盘；
- 网页检索；
- Word、Excel处理；
- 邮件和日历。
先把这几类稳定下来。
比装几十个偶尔才用一次的MCP更有意义。
七、工具最好有明确职责
多工具和多Agent其实有点类似。
每个工具最好有明确定位。
例如：
- 官方法规源负责核验法条；
- 案例数据库负责查裁判和监管案例；
- 企业数据库负责查工商和司法信息；
- 本地文件系统负责当前项目；
- 知识库负责历史经验；
- 网页检索负责公开补充资料。
这样AI知道：
什么问题应该去哪里查。
这会比什么都扔给一个通用搜索工具稳定很多。
所以好的AI工作系统，不只是“接上工具”。
还要有：
工具选择规则。
八、专业工作尤其要注意“数据源优先级”
法律、财务、投资这类工作不能只追求：
“查到了。”
还要问：
从哪里查到的？
例如法律问题：
官方法规原文的优先级，应当高于普通网络文章。
企业信息：
正式企业信息和专业数据库，通常比论坛内容更可靠。
一个成熟的Agent最好知道：
哪些工具是：
- 权威来源；
哪些是：
- 辅助参考；
哪些只能：
- 提供线索。
这其实和前面讲知识库可信度分级是同一个逻辑。
不是工具能查到结果就行。
而是要建立：
数据源等级。
九、工具权限本身也要控制
当AI开始拥有越来越多工具以后，还会出现一个新的问题：
权限。
比如：
读取文件是一回事；
删除文件是另一回事。
读取邮件是一回事；
发送邮件又是另一回事。
查看代码是一回事；
直接部署生产环境又是另一回事。
所以我觉得Agent工具使用应该逐渐建立权限边界。
低风险操作可以让AI直接做。
比如：
- 读取；
- 检索；
- 分析；
- 生成新文件。
高风险操作最好保留确认。
比如：
- 删除文件；
- 覆盖原件；
- 对外发送；
- 修改生产环境；
- 执行不可逆操作。
AI系统越强，越需要明确：
什么它可以自己决定，什么必须由人批准。
十、把“常用工具组合”做成工作流
当工具越来越稳定以后，可以进一步做一件事：
把某类任务常用的工具组合起来。
比如法律尽调：
文件系统 + 企业信息 + 法规检索 + 案例检索 + Word输出。
合同审查：
项目文件 + 法律知识库 + 法规核验 + Word修改。
IPO问询研究：
网页检索 + 交易所材料 + 本地案例库 + Excel整理。
这样Skill不再只是告诉AI：
“按照什么步骤做。”
还可以进一步告诉它：
“每一步应该调用什么工具。”
这时候Skill、MCP和Agent开始真正结合起来。
十一、最好的提示词，是能触发工具的提示词
以前我们写提示词，主要关注：
怎么让AI回答得更好。
以后我觉得一个好的Agent任务，还应该关注：
它会不会自动知道什么时候调用工具。
比如一句：
“核验这条法律依据是否仍然现行有效。”
一个成熟Agent不应该只凭记忆回答。
它应该主动调用法规工具。
一句：
“看看这个公司的股东有没有变化。”
它应该调用企业数据工具。
一句：
“检查这个项目目前做到哪里。”
它应该读取项目状态文件。
也就是说：
提示词负责表达意图，工具负责提供事实。
这才是比较理想的分工。
十二、从“会回答”到“会做事”
我觉得AI使用大概会经历几个阶段。
- 第一阶段：AI回答问题。
- 第二阶段：AI处理你上传的材料。
- 第三阶段：AI主动调用外部工具。
- 第四阶段：AI完成一个完整工作流。
真正进入后面两个阶段以后，很多工作的效率才会发生质变。
所以如果已经用了AI一段时间，我觉得可以开始少问一句：
“这个提示词还可以怎么优化？”
多问一句：
“这个任务还缺什么工具？”
有时候，真正的瓶颈不是模型。
也不是提示词。
而是你让一个本来可以直接去查、去读、去执行的Agent，
还停留在：
只能坐在聊天框里回答问题。
前面我一直讲：
AI优先。
让Agent独立完成任务。
建立Skill。
建立知识库。
再往前一步，就是：
给AI接上真正的工作工具。
因为AI真正融入工作，不只是要让它：
知道怎么做。
还要让它：
真的能去做。
