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 Anth