MCP vs Skill：详解哪个更nb

在 Claude Code、Cursor 等 AI Agent 工具的使用过程中，MCP（Model Context Protocol）与 Skill（Agent Skill）是两个高频出现的能力扩展概念。二者看似都是为了增强 AI 的能力边界，但在设计哲学、技术架构和适用场景上有着本质区别。本文将从这三个维度，彻底厘清两者的核心差异、存在价值及选型原则。

一、一句话核心区分

MCP 和 Skill 是 AI Agent 能力扩展的两大核心支柱，定位截然不同：

• MCP 解决「连接」问题：让 AI 突破自身数据局限，访问外部世界的工具、数据源与服务。
• Skill 解决「方法论」问题：为 AI 注入专业的流程知识，教 AI 如何标准化完成特定任务。

Anthropic 官方给出了精准定义：

MCP connects Claude to external services and data sources. Skills provide procedural knowledge—instructions for how to complete specific tasks or workflows.

用一个生动的比喻概括：MCP 是 AI 的「手」，负责触碰外部世界；Skill 是 AI 的「技能书」，负责指导操作方法。两者的配合是 AI 完成复杂任务的关键——比如 MCP 让 AI 连接数据库，Skill 教 AI 如何分析查询结果并生成报告。

二、MCP：AI 应用的「通用 USB-C 接口」

1. 定义与核心定位

MCP 是 Anthropic 于 2024 年 11 月发布的开源协议，旨在标准化 AI 应用与外部系统的交互方式。其核心价值是实现「一次对接，多端复用」，就像 USB-C 接口可以连接各种外设一样，MCP 为 AI 提供了访问外部工具的通用标准。

需要明确的是，MCP 并非 Claude 专属。截至 2025 年初，该协议已被 OpenAI、Google、Microsoft 等主流平台及 Zed、Replit 等开发工具采纳，生态内开源 MCP 连接器数量已超 1000 个。

2. 技术架构

MCP 基于 JSON-RPC 2.0 协议构建，采用「客户端-主机-服务器」三层架构：

┌─────────────────────────────────────────────────────────┐
│                        Host                              │
│              (Claude Desktop / Cursor)                   │
│                                                          │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐      │
│  │   Client    │  │   Client    │  │   Client    │      │
│  │  (GitHub)   │  │ (Postgres)  │  │  (Sentry)   │      │
│  └──────┬──────┘  └──────┬──────┘  └──────┬──────┘      │
└─────────┼────────────────┼────────────────┼─────────────┘
          │                │                │
          ▼                ▼                ▼
    ┌───────────┐    ┌───────────┐    ┌───────────┐
    │MCP Server │    │MCP Server │    │MCP Server │
    │ (GitHub)  │    │(Postgres) │    │ (Sentry)  │
    └───────────┘    └───────────┘    └───────────┘

• Host：用户直接交互的终端应用，如 Claude Desktop、Cursor。
• Client：Host 内负责与特定外部系统通信的组件。
• Server：连接外部系统的桥梁，对接数据库、API、本地文件等资源。

3. 三大核心原语

MCP 定义了 Server 可暴露的三类核心能力，覆盖 AI 与外部交互的全场景：

4. 与 Function Calling 的关系

很多人会混淆 MCP 和 OpenAI 的 Function Calling，二者是层级互补的关系：

• Function Calling：是 LLM 的基础能力，负责将自然语言需求转化为结构化的函数调用指令，解决「决定调用什么工具」的问题。
• MCP：是 Function Calling 之上的协议层，负责标准化工具的「发现、调用、结果返回」流程，解决「怎么调用工具」的问题。

两者的协作流程如下：

用户输入 → LLM (Function Calling) → 生成工具调用指令 → MCP Protocol → MCP Server 执行 → 返回结果给 LLM

5. 传输方式与适用场景

MCP 支持两种主流传输方式，适配不同的部署需求：

6. 代价与价值

MCP 虽能大幅扩展 AI 能力，但也存在明显的使用成本：

核心价值：标准化与可复用性。同一个 MCP Server 可在多个 AI 应用中复用，且支持运行时动态发现工具，摆脱了「工具能力写死在代码里」的局限。

三、Skill：AI Agent 的「智能技能手册」

1. 定义与核心定位

Skill（Agent Skill）是 Anthropic 于 2025 年 10 月发布的特性，本质是**「指令、脚本、资源的结构化集合」**，用于为 AI 注入特定任务的专业流程知识。

其核心定位与 MCP 形成互补：MCP 处于「集成层」，负责连接外部；Skill 处于「提示/知识层」，负责指导方法。官方定义如下：

Skills are organized folders of instructions, scripts, and resources that agents can discover and load dynamically to perform better at specific tasks.

2. 核心设计：渐进式信息公开

Skill 的最大创新是渐进式信息公开（Progressive Disclosure），这是 Anthropic 上下文工程理念的核心实践。其原理类似于「一本结构化的手册」——先看目录，再查章节，最后翻附录，确保 AI 只加载当前任务需要的信息。

Skill 的三层加载逻辑如下：

Claude 判断任务相关性 → 按需加载信息
├─ 第 1 层：元数据（始终加载）→ 名称+描述（约 100 tokens）
├─ 第 2 层：核心指令（按需加载）→ SKILL.md 完整内容（通常 < 5k tokens）
└─ 第 3+ 层：支持文件（深度按需）→ reference.md、scripts/helper.py 等

这种设计的优势在于极致的 Token 效率：即使拥有几十个 Skill，也不会一次性占用大量上下文窗口，解决了传统提示词「信息过载」的问题。

3. 上下文工程的核心思想

Skill 是「上下文工程」的产物，这一理念是对传统「提示词工程」的升级：

• 提示词工程：聚焦「如何写好单条提示词」，优化指令的表述方式。
• 上下文工程：聚焦「如何管理上下文窗口的信息」，确保有限的 Token 空间发挥最大价值。

LLM 的上下文窗口是稀缺资源，上下文工程的核心目标就是「在正确的时间，给 AI 正确的信息」，而 Skill 的渐进式加载正是这一目标的最佳实践。

4. 触发机制与文件结构

（1）自动触发机制

Skill 与 Slash Command 的核心区别在于触发方式：Skill 是语义匹配自动触发，无需用户显式调用。其工作流程为：

1. 扫描阶段：Claude 读取所有 Skill 的元数据（名称+描述）。
2. 匹配阶段：将用户请求与 Skill 描述进行语义匹配。
3. 加载阶段：匹配成功后，按需加载核心指令与支持文件。
4. 执行阶段：按照 Skill 指令完成任务。

（2）标准文件结构

一个规范的 Skill 是一个文件夹，结构如下：

my-skill/
├── SKILL.md              # 必需：元数据+核心指令
├── reference.md          # 可选：详细参考文档
├── examples.md           # 可选：使用示例
├── scripts/
│   └── helper.py         # 可选：辅助脚本
└── templates/
    └── template.txt      # 可选：输出模板

其中 SKILL.md 是核心文件，必须包含 YAML 格式的元数据：

---
name: code-review
description: >
  Review code for bugs, security issues, and style violations.
  Use when asked to review code, check for bugs, or audit PRs.
allowed-tools: Read, Grep  # 可选：限制可用工具范围
---

# Code Review Skill
## Instructions
1. First check for security vulnerabilities...
2. Then check for performance issues...

5. 安全考虑与平台支持

（1）安全风险与应对

Skill 的核心风险是prompt injection——恶意 Skill 可能在长文件中隐藏恶意指令。应对措施包括：

• 仅使用可信来源的 Skill；
• 审查 Skill 中的脚本与指令；
• 通过 allowed-tools 限制工具使用范围。

（2）平台支持范围

目前 Skill 是Anthropic 生态专属特性，支持的平台包括：

• Claude.ai（Pro/Max/Team/Enterprise）
• Claude Code
• Claude Agent SDK
• Claude Developer Platform

四、MCP 与 Skill 全方位对比

为了更清晰地展示两者的差异，我们从 11 个核心维度进行对比：

五、选型指南：什么时候用 MCP？什么时候用 Skill？

MCP 和 Skill 并非替代关系，而是互补关系。具体选型需结合实际需求：

1. 优先使用 MCP 的场景

• 需要访问外部数据：如查询数据库、调用第三方 API、读取本地文件/日志。
• 需要操作外部系统：如创建 GitHub Issue、发送 Slack 消息、执行自动化脚本。
• 需要实时信息：如查看监控数据、获取搜索引擎结果、同步最新业务数据。
• 需要跨平台复用：如同一工具需在 Claude、Cursor 等多个应用中使用。

2. 优先使用 Skill 的场景

• 处理重复性工作流程：如代码审查、文档生成、数据报表分析。
• 落地内部规范：如公司代码风格、PR 提交规范、文档撰写标准。
• 完成多步骤复杂任务：如需要严格遵循特定流程的专业任务（如安全审计、需求拆解）。
• Token 敏感场景：如需要加载大量知识，但又不想占用过多上下文窗口。

3. 黄金组合：MCP + Skill 协同使用

大部分复杂任务需要两者配合完成。以「按照团队规范审查 PR」为例，协同流程如下：

用户需求：Review PR #456 并按照团队规范给出建议
├─ 步骤 1：MCP（GitHub 连接器）→ 获取 PR 代码与相关信息
├─ 步骤 2：Skill（团队代码审查规范）→ 注入审查流程与标准
├─ 步骤 3：LLM → 按照 Skill 指令分析代码，生成审查意见
└─ 步骤 4：MCP（GitHub 连接器）→ 提交审查评论到 PR

六、补充：Skill 与 Slash Command 的区别

很多用户会混淆 Skill 和 Slash Command，两者的核心差异在于触发主体：

七、总结

MCP 和 Skill 是 AI Agent 能力扩展的两大核心机制，代表了两种不同的设计哲学：

• MCP 是「连接主义」：聚焦「AI 能访问什么」，通过标准化协议打破 AI 与外部世界的壁垒。
• Skill 是「知识打包」：聚焦「AI 知道怎么做」，通过上下文工程让 AI 掌握专业的任务流程。

二者的协同使用，是构建强大 AI Agent 的关键——MCP 让 AI 能「碰到」数据，Skill 让 AI 会「处理」数据。随着 AI Agent 技术的发展，这两种机制将成为开发者必须掌握的核心工具。

写好 Skill 的关键技巧

1. 精准描述触发场景：description 要明确「做什么」「什么时候用」「触发关键词」，避免宽泛表述。
2. 保持 Skill 专注性：一个 Skill 只负责一个任务，避免跨领域的「万能 Skill」。
3. 控制核心文件长度：SKILL.md 建议控制在 500 行以内，复杂内容拆分到支持文件。
4. 做好版本控制：通过 Git 管理 Skill 的变更历史，方便团队共享与迭代。

考研失利想速成冲春招的考研看看我发过的这篇帖子：论考研失利如何冲春招

想要学习Java冲实习或冲春招的，我能助你一臂之力，我之前整理了高质量可速成的魔改外卖项目话术和7000字轮子项目话术，还有超全超精品八股大全专栏，怎么写简历，怎么包装实习经历，怎么0基础速成冲春招和实习等等精品帖子，大家可以去看看我的精品文章汇总帖子：往期精品秋招帖子汇总

我的八股大全、算法、项目话术全专栏（20w人学习，超千人订阅，牛客最受欢迎最高质量java八股专栏，内容包含： 1.八股大全：多一句没有少一句不行的最精简八股整理，完全可以应付校招社招的八股拷打！ 2.速成项目话术：目前有魔改苍穹外卖项目话术（额外扩展了很多技术亮点），能速成拿去面试，后面会更新魔改黑马点评、商城项目等等热门高质量项目话术 3.智力题超详细题解汇总； 4.面试时非技术问题话术整理，绝对震惊面试官一年； 5.算法lc hot100全题系列题解：绝对通俗易懂；6、场景题汇总：快速冲刺秋招专栏