Claude 如何區分 Prompt、Skill、Tool 與 Subagent?

依 Claude 公開資料整理:用三個問題分辨一次性 Prompt、可重用 Skill、Tool/MCP 資料連線與獨立 Subagent。

本文整理 Anthropic/Claude 公開的工程與產品文件,並加入 Gwarket 對可驗證 AI 工作流的分析;不是 Anthropic 官方文件或產品承諾。

「幫我做一個 agent」常常是一句還沒說清楚的需求。因為人們口中的 agent,可能其實需要的是一段提示、一套可重用規則、外部資料連線,或一個獨立處理任務的工作單元。

把這些東西分清楚,才能少做一層不必要的系統。

名稱它解決什麼何時用
Prompt這一次要做什麼單次任務、立即修正
Skill每次都要遵守怎麼做可重複的方法、格式或專業規則
ToolAI 能實際操作什麼讀檔、查資料、建立文件、呼叫系統
MCPAI 怎麼連到外部資料與工具需要長期連線到資料庫、雲端或企業系統
Subagent誰來獨立完成一段工作研究支線、獨立審查、可平行任務

先問「缺的是什麼」

如果你每次都要提醒 AI:「請以這個結構寫、標出不確定事項、不要過度宣稱」,缺的是 Skill,不是新的 agent。

如果它根本碰不到資料夾、資料庫或專案工具,缺的是 Tool 或 MCP,不是更長的 prompt。

如果主任務被大量研究資料拖慢,或你需要一個乾淨視角來審查結果,才需要 subagent。

這個判斷很重要,因為不同選擇的維護成本不同。把共用方法塞進每個 subagent,久了會出現多個版本;把單次的臨時需求做成 Skill,則會增加不必要的規則。Anthropic 的分類也很清楚:Project 提供背景知識,Skill 教它如何做事,MCP 負責連接資料,subagent 負責獨立執行。

一個實用例子

假設你要做內容研究:

這不是一套固定科技名詞,而是一張診斷圖。先知道哪一層缺東西,再補那一層。

四個常見的錯配

把重複提示當成個人能力

如果每次工作前都要重新貼上一大段「請依這個格式、依這個標準、不要做那些事」,問題不是你不會 prompt,而是這些規則已經成為穩定流程的一部分。此時應該被整理為可重用的 Skill 或專案規則,讓每一次工作都從相同基準開始。

用更長的 Prompt 解決沒有資料的問題

Prompt 無法讓 AI 看見它沒有權限或沒有連線的資料。需要讀真實檔案、查當前系統、取得正式數據時,先處理資料連線與權限;否則再漂亮的提示,也只是在要求它根據不完整脈絡猜答案。

把所有規則塞進 Project

Project 適合放「這個工作是什麼」:背景、歷史、文件、讀者與共同語言。它不適合承載每一種任務的詳細操作步驟。把所有方法都塞進背景,會讓每次對話都背著不相關的內容。可跨任務使用的程序,才是 Skill 的位置。

為了新鮮感建立 Subagent

Subagent 的代價是新 context、交接與額外驗收。它應該取得一個邊界清楚的任務,例如「只找一手來源並回傳可驗證主張」,而不是「再想想有沒有更好的答案」。後者只是把同一個不清楚的問題複製一份。

選擇之前,先問三句

  1. 這是這一次才需要,還是每次都要遵守?
  2. AI 缺的是方法、背景,還是資料與操作權限?
  3. 這一段工作交出去後,是否能帶著清楚的交付物回來?

第一題區分 Prompt 與 Skill;第二題區分 Project、Tool 與 MCP;第三題才決定要不要使用 subagent。大部分「我要做 agent」的需求,經過這三問後會縮小成一個更容易解的問題。

先讓系統最少,再讓它可重用

一個健康的演進順序通常是:先用 Prompt 驗證任務能否成立;當方法反覆出現,再抽成 Skill;當手動搬資料成為瓶頸,再接 Tool 或 MCP;當工作真的需要隔離或平行,才建立 subagent。

這個順序的好處是,每一層都是為已觀察到的需要而加,不必預先維護一套龐大卻少用的 agent 架構。系統越小,越容易知道效果來自哪裡,也越容易在方向錯誤時退回。

尤其在個人或小團隊階段,這種可退回性很重要。你不必因為看過大型公司的架構圖,就假設自己也需要相同的層次。先讓一個任務穩定有效,再把真正重複、真正耗時的部分抽出來,通常會走得更快。

讀者保存卡

Prompt 說這次做什麼;Skill 說一貫怎麼做;Tool/MCP 提供可操作的資料與能力;Subagent 承接獨立工作。

來源