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。它们处在一个 AI 系统的不同层。RAG 是一种检索模式，用于把答案锚定在您的文档之上。MCP 是一个开放协议，让模型可以调用您的工具和数据。Agent Skills 是打包好的流程性知识，代理按需加载。Custom GPTs 是运行在 ChatGPT 内部的无代码助手。市场把它们框定为"选一个"。对大多数企业而言，正确的视角是把它们组合起来：同一个代理可以遵循一个 Skill（流程），通过 MCP 触达您的系统（工具），并经由 RAG 拉取上下文（知识），三者同时进行。唯一真正的非此即彼是 Custom GPTs，因为选择它是一个平台与锁定的决策，而非一个构建模块的决策。

这是工程视角，不是销售说辞。这一领域变化很快，因此日期很重要；以下内容截至 2026 年中有效，在做出承诺前值得对照一手文档重新核对。

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。

前三者是同一个代理的不同层，可以自由组合。Custom GPTs 是一个交付界面，而即便是它，如今底层也依赖 MCP。

RAG：从您的知识中作答

检索增强生成会从您的知识来源中检索相关文档，并在模型作答之前把它们注入模型上下文。它的存在是为了把答案锚定在您的专有数据或当前数据上，减少幻觉，并在不重新训练的情况下保持答案新鲜。要记住的一点：经典 RAG 是一种读取模式。它不调用 API，也不改变状态。一旦您的系统需要采取行动，您就进入了工具的范畴，而非 RAG。如果您在 RAG 与微调、或仅仅是更大的上下文窗口之间权衡，我们在 RAG vs 微调 vs 长上下文 中已作了梳理。

MCP：把模型连接到您的系统

Model Context Protocol 是由 Anthropic 于 2024 年底推出的开放标准，用于把 AI 应用连接到外部工具和数据。官方的类比是 AI 的 USB-C 接口：用一种标准方式把模型插到任何东西上，于是您只需构建一次连接器，任何兼容的主机都能使用它，而无需为每个工具编写定制集成。它是一个客户端-服务器协议，服务器可以暴露工具（动作）、资源（数据）和提示词。当您希望模型或代理以可复用、厂商中立的方式调用您的系统时，您就需要 MCP。它不是什么：不是检索技术、不是模型、也不是流程性指令。它是代理之下的管道。如今它已真正实现跨厂商，OpenAI、Google 和 Microsoft 都已采用，并于 2025 年 12 月被捐赠给 Linux Foundation 的 Agentic AI Foundation。

Agent Skills：把流程打包

Agent Skills 由 Anthropic 于 2025 年 10 月推出，并在当年晚些时候作为开放标准发布，它们是由指令、脚本和资源组成的有组织文件夹，代理会发现它们，并仅在任务匹配时才加载。其基本单元是一个 SKILL.md 文件：一段简短描述加上一段流程性知识，可选地附带脚本。其巧妙之处在于渐进式披露，在 Skill 真正需要之前，只有名称和描述位于上下文中，因此一座 Skill 库在被使用之前几乎不耗费成本。最常被混淆的一点：Skills 是对 MCP 的补充，而非与之竞争。MCP 是连接性，即代理能触达的系统。Skills 是流程，即代理遵循的做法，而一个 skill 可以编排 MCP 工具。把 skill 当作已安装的软件来对待，只使用来自可信来源的 skill。

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：六个经过签名的单文件 SKILL.md skill，列在位于 /.well-known/agent-skills/index.json 的机器可读清单中，每个都对应一个人类可读的页面。例如我们的 qa-advisor skill，把一位资深 QA 工程师的流程，即各项检查与评分，编码为可移植、带版本的知识。它不连接系统，也不检索文档。它告诉代理该如何思考。这正是 skill 的本质，也正是 MCP 和 RAG 都不是的东西。

Custom GPTs：快速打包的助手

Custom GPT 是 ChatGPT 的无代码版本，在 GPT Builder 中构建，结合了指令、少量知识文件和可选的 actions，运行在 ChatGPT 内部。它是给非开发者一个有用助手的最快方式，对一个快速的内部问答机器人来说也没问题。其代价是实实在在的：构建需要付费档位，知识有上限，而且存在硬性锁定，因为 Custom GPT 无法导出、无法自托管，也无法在另一个模型上运行。OpenAI 自身的开发者势头已转向可移植的、基于 API 和 MCP 的代理，而 Custom GPTs 尽管仍受支持，已不再是前沿。在 GPT 中做原型；把真正的东西构建成一个代理。

决策树

从您真正需要模型去做的事情出发。

1. 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。
2. 以可复用、厂商中立的方式调用您的系统、API、数据库、内部工具？ MCP。构建一次服务器；任何主机都能使用它。
3. 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。
4. 想要在 ChatGPT 内部为非开发者提供一个快速的无代码助手，并接受锁定？ Custom GPT。
5. 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。"