【OpenClaw 教程】用 OpenClaw 彻底搞懂 Prompt、Agent、MCP：从概念到实战结构图

最近很多朋友在折腾 OpenClaw 或者各种 AI 框架的时候，总是会反复听到三个名词：Prompt、Agent、MCP。概念一多，很容易就听懵了：到底谁负责跟大模型说话？谁负责去调工具？为什么中间非得再夹一个叫 MCP 的东西？

所以今天这篇文章咱们不敲安装命令，也不搞那些虚头巴脑的理论，只用一篇大白话把这三个概念讲清楚、连起来。通过具体的使用场景，咱们直接在脑子里建起一张完整的结构图。废话不多说，咱们直接开始！

一、Prompt 是什么？它决定了「模型在想什么」

先从最常见的 Prompt 说起。简单理解：

• Prompt = 给模型的指令 + 背景信息。
• 它告诉模型：你是谁、你要干什么、要遵守什么规则、输出什么格式。
• 在 OpenClaw 里，Prompt 通常会出现在 Agent 的配置中，或者由调用方临时补充。

一个完整的 Prompt，往往包含几层：

• 系统提示（System Prompt）：定义角色和硬约束，比如「你是一个严谨的后端开发」。
• 用户输入（User Prompt）：这次具体想做什么，比如「帮我设计一个用户登录 API」。
• 上下文（Context）：历史对话、项目说明、代码片段等。

二、Agent 是什么？它是「带工具和习惯的虚拟同事」

只靠 Prompt 还不够，好比只给人写了一份岗位说明书，但没有给他配电脑、软件、网络权限。这时就需要 Agent：

• Agent = 模型 + Prompt + 工具权限 + 行为策略。
• 它是一个可配置、可复用的 AI 角色，可以被多次调用。
• 不同 Agent 可以使用同一个底层模型，但 Prompt 和工具配置完全不同。

在 OpenClaw 里，一个典型的 Agent 配置通常包括：

• 使用的模型提供商和型号（例如某个 GPT、Claude、Gemini 版本）。
• 系统级 Prompt（角色定义、风格要求、禁止事项）。
• 可调用的工具列表（例如联网搜索、执行命令、访问数据库）。
• 记忆配置（是否启用长期记忆、从哪里加载历史信息）。
• 控制策略（例如是否允许多轮工具调用、最大思考步数、错误重试策略）。

三、MCP 是什么？它是「模型访问外部世界的统一插座」

有了 Agent 之后，还差最后一块：Agent 怎么安全、统一地访问外部系统？比如：

• 读取本地或远程文件。
• 调用第三方 API（GitHub、飞书、Notion……）。
• 访问数据库或搜索索引。

MCP（Model Context Protocol）的核心目标，就是提供一个统一协议，让不同模型、不同运行时都能以标准化的方式访问这些外部资源。

可以把 MCP 想象成：

• 一套规范：定义了工具如何被描述、如何被调用、返回值长什么样。
• 一条总线：上游是模型 / Agent，下游是各种工具和数据源。
• 一层隔离：把具体实现细节藏在协议后面，便于替换和复用。

四、三者之间到底什么关系？

现在我们可以把 Prompt、Agent、MCP 放在一张逻辑图里：

• Prompt：告诉模型「你是谁、该怎么想、输出什么」。
• Agent：在 Prompt 基础上，加上模型选择、工具权限、记忆和策略，变成一个可复用的 AI 角色。
• MCP：作为工具层协议，让 Agent 能通过统一的方式访问外部世界。

用一句话总结：

五、示例：做一个「文档问答 Agent」 时三者分别怎么用？

假设你想做一个「项目文档问答助手」，可以在 OpenClaw 里这样拆解：

5.1 Prompt：定义角色与输出格式

首先为这个 Agent 写一段系统 Prompt：

• 你是某项目的内部文档助手，只根据提供的文档回答问题。
• 不编造信息，遇到文档里没有的内容要明确说不知道。
• 回答时先给简短结论，再给引用来源（文档标题 / 小节）。

这部分会固定写在 Agent 配置中，成为它的「性格」和「口头禅」。

5.2 Agent：绑定模型和工具

接着创建一个 Agent，指定：

• 使用哪个模型（例如擅长长文本理解的版本）。
• 启用哪几个 MCP 工具：如「搜索项目文档索引」、「读取指定文档片段」。
• 是否启用记忆（比如缓存常问问题的答案）。
• 是否允许多轮工具调用（先搜索，再按需读取多处文档）。

从此以后，你只要在不同入口（Web、飞书、终端）调用这个 Agent，它都会以同样的方式工作。

5.3 MCP：封装文档检索能力

最后，用 MCP 的协议把文档检索功能封装成工具，例如：

• search_docs(query)：在向量索引或全文搜索引擎里查相关段落。
• get_doc_chunk(doc_id, span)：按文档 ID + 位置读取原文。

Agent 不需要知道到底用的是哪家向量库、底层是 SQLite 还是 Elasticsearch，只需要按 MCP 约定的格式调用工具即可。

六、在 OpenClaw 中设计 Prompt / Agent / MCP 的几个实战建议

• 先想 Agent，再写 Prompt：不要一上来就写一段特别长的 Prompt，先想清楚这个 Agent 在团队里扮演什么角色。
• Prompt 尽量模块化：把角色描述、输出格式要求、风格偏好拆成几块，便于在多个 Agent 之间复用。
• MCP 工具要「小而专」：一个工具只做一件事（比如「搜索文档」），复杂任务由多次工具调用和 Agent 逻辑组合完成。
• 日志里记录 Prompt 和工具调用链：出现奇怪行为时，能快速回溯到底是 Prompt 写得含糊，还是工具返回了异常数据。

七、总结：把三个名词变成一张简单心智图

最后再用一句非常接地气的话重复一次：

• Prompt：给大脑写说明书。
• Agent：把带着这本说明书的大脑，变成一位有工具、有习惯的虚拟同事。
• MCP：给这位同事接上一块标准插线板，让 TA 能按规则、安全地摸到外部世界。

理解了这三个层次，你在看任何 AI 框架（不只是 OpenClaw）的文档和视频时，都会更容易找到对应关系，也更容易判断：这个功能到底属于「提示词层」、「Agent 层」还是「工具协议层」。

挖个坑，关注我。以后细谈这里面怎么手搓一个简单的 MCP 插件。仅一家之言，如有疑问欢迎留言交流。