本文内容
MCP vs RAG vs Agent Skills vs Custom GPTs：面向企业的决策树
这四者并不是同一个问题的四个答案。它们处在 AI 系统的不同层。RAG 是一种检索模式，为生成过程提供相关的外部上下文。MCP 是一种开放协议，AI 应用可借此发现服务器暴露的上下文和工具。Agent Skills 是一种开放的文件夹格式，用于封装流程性指令以及可选的资源或脚本。Custom GPTs 是在 ChatGPT 内配置并使用的无代码助手。兼容的代理可以组合检索、MCP 工具和 Skills，但这些层都不会自动附带其他层。Custom GPT 是一项独立的 ChatGPT 产品选择，受账户、工作区和功能限制。
这是工程视角，不是销售说辞。我们于 2026 年 9 月 2 日根据一手资料核对了产品与规范相关说法。产品可用性和主机支持可能变化，因此在做出承诺前应再次检查文中链接的文档。
不确定您的用例究竟需要其中哪一个？
预约免费咨询一眼看清区别
不再混淆它们的最快方法，就是看清每一个究竟是什么。
| 维度 | RAG | MCP | Agent Skills | Custom GPTs |
|---|---|---|---|---|
| 主要用途 | 知识（锚定） | 工具与数据连接 | 流程（怎么做） | 打包好的助手 |
| 开放还是专有 | 开放技术 | 开放标准 | 开放标准 | 专有（OpenAI） |
| 会执行动作吗？ | 检索步骤本身不会 | 客户端调用工具时，工具可以执行动作 | 仅能通过运行时允许的脚本或工具 | 启用 Apps 或 Actions 时可以 |
| 可跨厂商移植吗？ | 架构模式，不是包格式 | 协议层可移植，取决于主机支持 | 开放格式，取决于运行时兼容性 | 在 ChatGPT 中运行 |
| 在哪里运行 | 应用或检索服务 | 由客户端使用的本地或远程服务器 | 兼容的代理运行时 | 在 ChatGPT 内部 |
| 它本质上是什么 | 检索加生成模式 | 客户端-服务器协议 | 包含 SKILL.md 的目录 | 配置好的 ChatGPT 助手 |
前三者可以在兼容的代理中组合。Custom GPT 是 ChatGPT 的交付界面。OpenAI 的 Apps SDK 建立在 MCP 之上，但这并不意味着每个 Custom GPT 或 GPT Action 都自动属于 MCP 集成。
RAG：从您的知识中作答
检索增强生成将检索到的外部上下文与生成结合起来。它可以在不重新训练的情况下，把答案建立在专有或最新资料上，但不能保证输出正确：检索质量、来源质量、提示和评测仍然重要。检索步骤本身不会写入 API 或改变状态。应用可以把 RAG 与能执行动作的工具组合，但这些动作来自另一层。如果您正在权衡 RAG、微调或更大的上下文窗口，请参阅 RAG vs 微调 vs 长上下文。
MCP：把模型连接到您的系统
Model Context Protocol 是 Anthropic 于 2024 年 11 月推出的开放客户端-服务器标准。根据当前规范，服务器可以暴露提示、资源和工具，客户端与服务器会协商支持的能力。因此，一个连接器可被兼容主机复用，但部署、授权、协议功能和工具审批仍需针对每个主机测试。MCP 本身不定义检索、模型或业务流程。其采用已跨越多家厂商：OpenAI 为 Responses API 加入了远程 MCP，Google 让 Gemini API 和 SDK 工具兼容 MCP，Microsoft 将 Copilot Studio 的 MCP 集成推向正式可用。2025 年 12 月 9 日，MCP 成为 Linux Foundation Agentic AI Foundation 的创始项目之一。
Agent Skills：把流程打包
Anthropic 于 2025 年 10 月推出 Agent Skills，并在 12 月将该格式发布为开放标准。其规范定义了一个目录，其中必须包含由 YAML 前置元数据和 Markdown 指令构成的 SKILL.md，还可选配脚本、参考资料和资源文件。兼容的代理通过渐进式披露按需加载更多细节。但运行时支持、允许的工具、依赖项和兼容性仍可能不同。Skill 可以描述如何使用 MCP 工具，但运行时必须提供并授权这些工具。应把 Skill 中的脚本视为已安装软件，并审查其源代码和权限。
这对我们而言并非空谈。我们发布了一个公开的 Agent Skills 注册表。其公开响应在 /.well-known/agent-skills/index.json 的机器可读清单中列出六个 skill，每个 SKILL.md 都有 SHA-256 摘要和对应的人类可读页面。部分 skill 还包含参考文件，因此并非全部都是单文件包。例如我们的 qa-advisor 封装了 QA 审查流程及配套参考资料。清单中的摘要可用于核对文件完整性，但它不是发布者身份签名。
如果需要一个具体写作案例，我们的用 Agent Skills 让 AI 写作更自然的指南比较了三种开源方法，并说明团队如何在保留作者声音的同时评测 workflow。
Custom GPTs：快速打包的助手
OpenAI 将 GPT 描述为在 ChatGPT 内构建和使用的无代码助手。它们可以组合指令、上传的知识、内置功能、Apps 或 Actions。一个 GPT 可以使用 Apps 或 Actions，但不能同时使用两者。当前的创建文档指出，个人 Free、Go、Plus 和 Pro 账户不能新建或发布 GPT；Business、Enterprise 和 Edu 工作区中获得许可的用户可在网页端创建。现有个人 GPT 仍可使用，并可能根据套餐和权限继续编辑。每个 GPT 最多可包含 20 个知识文件，每个文件最大 512 MB，功能可用性取决于账户、工作区和地区。GPT 在 ChatGPT 内运行，不能作为外部产品的嵌入机制。当这个托管界面及其限制符合任务时可使用 GPT；当您需要自己的产品界面、部署或程序化生命周期时，应构建 API 应用。
决策树
从您真正需要模型去做的事情出发。
- 从您的文档或知识中作答？ RAG。把答案锚定在您的数据上，无需重新训练。
- 通过可复用协议暴露系统、API、数据库或内部工具？ MCP。构建服务器后，还要在每个目标主机中测试授权和能力。
- 可靠地遵循一个可重复的流程或公司工作流？ Agent Skills。把知识打包，按需加载。
- 想在符合条件的 ChatGPT 托管工作区中使用无代码助手？ 如果工作区政策和权限允许创建，可选择 Custom GPT。
- 需要不止其中一个（大多数真实系统都如此）？ 把它们组合起来。一个客服代理从文档中作答（RAG），查询订单并发起退款（MCP），并遵循您的升级与语气规则（Skill）。RAG 甚至可以被暴露为一个 MCP 工具，因此"RAG vs MCP"通常是个伪选择。
"RAG 是知识，MCP 是连接性，Skills 是流程，而 Custom GPT 是一个打包好的助手。一旦您把它们看作不同的层，而非相互竞争的产品，问题就不再是选哪一个，而是选哪种组合。"
常见问题
MCP vs RAG，区别是什么？
Agent Skills 和 MCP 是一回事吗？
如果我已经有了 RAG，还需要 MCP 吗？
选 Custom GPT 还是构建一个代理？
MCP 是 RAG 的替代品吗？
它们能协同工作吗？
OpenAI 真的采用了 Anthropic 的 MCP 吗？
Agent Skills 是否锁定在单一厂商？
如果我基于 Custom GPTs 构建，会被锁定吗？
最低投入的起步方式是什么？
最终思考
这一领域的困惑源于把四个不同的层当成相互竞争的产品。RAG 提供检索到的上下文，MCP 标准化客户端与服务器之间的上下文和工具交换，Skills 封装流程，而 Custom GPT 在 ChatGPT 内配置助手。
应选择满足任务和运营约束的最小组合。对 MCP 核对主机兼容性与授权，对 Skills 核对运行时兼容性与代码权限，对 RAG 核对检索质量，对 GPT 核对当前工作区资格。我们的公开 skills 提供完整性摘要和可检查的源代码，让使用者能够核验将要安装的内容。
想要帮助，把 RAG、MCP 和 Skills 组合成一个能跑起来的代理？
预约免费咨询