适用场景：Cursor IDE + AI Agent 协作开发
概览
| 维度 | MCP | Rule | Skill |
|---|---|---|---|
| 本质 | 外部能力扩展协议 | 持久化行为约束 | 按需加载的专项工作流 |
| 触发方式 | 自动（工具调用） | 自动（会话启动时注入） | 按需（AI 识别场景后主动读取） |
| 作用范围 | 工具能力层 | 思维约束层 | 执行策略层 |
| 配置位置 | ~/.cursor/mcp.json 或项目 mcp.json | .cursor/rules/*.mdc | .agents/skills/*/SKILL.md 或 .cursor/skills/*/SKILL.md |
| 持久性 | 长期（服务进程） | 长期（每次会话注入） | 临时（单次任务加载） |
一、MCP（Model Context Protocol）
是什么
MCP 是 Anthropic 提出的开放协议，让 AI 模型能够连接并调用外部工具与数据源。在 Cursor 中，MCP Server 以独立进程运行，AI 通过标准化接口调用它们。
解决什么问题
AI 模型天然是无状态的文字处理系统，MCP 打破了这个边界，赋予 AI 实际操作能力：
- 查询数据库、读写文件系统
- 调用第三方 API（GitHub、Slack、Jira）
- 执行代码、运行 Shell 命令
- 访问实时数据（搜索、天气、股价）
核心特点
用户提问 → AI 决策 → 调用 MCP 工具 → 获取真实数据 → 生成回答
- 双向通信：AI 不仅能读数据，还能写入和操作
- 标准化：任何人都可以开发符合协议的 MCP Server
- 隔离性：工具逻辑在独立进程中运行，不污染 AI 上下文
示例
// ~/.cursor/mcp.json
{
"mcpServers": {
"github": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-github"],
"env": {
"GITHUB_PERSONAL_ACCESS_TOKEN": "<YOUR_TOKEN>"
}
}
}
}
二、Rule（规则）
是什么
Rule 是写在 .cursor/rules/*.mdc 文件中的持久化行为约束，每次对话开始时自动注入 AI 的系统提示，影响 AI 在整个会话中的思维模式和输出风格。
解决什么问题
在没有 Rule 的情况下，AI 每次对话都是"全新"的，不了解：
- 项目的技术栈和编码规范
- 团队的架构决策和偏好
- 业务领域的背景知识
Rule 的作用是将团队共识固化为 AI 的默认行为，无需每次重复说明。
核心特点
会话开始 → 自动注入匹配的 Rule → AI 整个会话遵循约束
- 被动触发：无需用户主动请求，自动生效
- 范围控制：可全局生效（
alwaysApply: true）或仅对特定文件生效（globs: **/*.ts） - 轻量简洁：建议 50 行以内，聚焦单一关注点
Rule 的两种模式
# 模式一：始终生效
---
description: 项目核心编码规范
alwaysApply: true
---
# 模式二：文件触发
---
description: TypeScript 类型规范
globs: **/*.ts
alwaysApply: false
---
示例
某个前端项目开发规范 development-quality.mdc 规定了：
- 禁止使用 any 类型，必须明确定义类型。
- 禁止使用魔法数字和数组索引常量，必须定义有语义的常量。
- TODO 项必须用
// TODO: ...标注。
三、Skill（技能）
是什么
Skill 是存放在 .agents/skills/*/SKILL.md（或 .cursor/skills/*/SKILL.md）中的专项工作流指南，AI 在识别到特定任务场景时，主动读取并按照其中的步骤和模板执行。
解决什么问题
Rule 负责"AI 平时应该怎样思考"，而 Skill 解决"AI 执行特定复杂任务时应该遵循什么流程"：
- 如何做代码 Review（分角色、分优先级给出反馈）
- 如何做产品需求分析（生成 PRD、用户故事、状态图）
- 如何生成标准化 commit message
- 如何执行 PDF 处理（调用哪个库、验证步骤是什么）
核心特点
用户请求 → AI 识别匹配场景 → 读取 SKILL.md → 按流程执行 → 输出结构化结果
- 主动触发：AI 根据描述（description）判断是否需要读取该 Skill
- 按需加载：不会默认占用上下文，只在需要时读取
- 流程化：包含详细的步骤、模板、示例，指导 AI 完成复杂任务
- 可复用：Personal Skill 跨项目复用，Project Skill 随代码库共享
Skill 的目录结构
Skills 会自动从以下位置加载：
| 位置 | 作用域 |
|---|---|
.agents/skills/ | 项目级（开放标准推荐） |
.cursor/skills/ | 项目级 |
~/.cursor/skills/ | 用户级（全局） |
推荐的目录结构：
.agents/
└── skills/
└── deploy-app/
├── SKILL.md # 主指令文件（必须）
├── scripts/ # 可执行脚本（可选）
│ ├── deploy.sh
│ └── validate.py
├── references/ # 按需加载的参考文档（可选）
│ └── REFERENCE.md
└── assets/ # 模板、配置等静态资源（可选）
└── config-template.json
| 目录 | 用途 |
|---|---|
scripts/ | Agent 可执行的脚本（Bash、Python 等） |
references/ | 详细参考文档，Agent 按需加载，节省上下文 |
assets/ | 模板、配置文件等静态资源 |
示例
某个全栈项目的研发 Skill development-ops 定义了并行子 Agent 模式：
- API Developer Agent：设计 RESTful 接口
- Frontend Agent：实现 React 组件
- Test Agent：生成单元测试和集成测试
- Security Agent：扫描安全漏洞
三者的层次关系
graph TD
graph TD
A[用户请求] --> B[Rule - 约束层]
B --> C[Skill - 策略层]
C --> D[MCP - 能力层]
B -.- B1[始终生效，规范 AI 的思维方式、输出格式、技术选型偏好]
C -.- C1[按需加载，提供特定任务的详细执行流程和输出模板]
D -.- D1[调用真实工具，获取/操作外部数据]
style A fill:#e1f5fe
style B fill:#fff3e0
style C fill:#e8f5e9
style D fill:#fce4ec
协作关系：一个完整的例子
任务："帮我 Review 这个 PR 并写入评论"
1. Rule 生效
└─ AI 自动遵循编码规范
2. Skill 触发
└─ AI 识别到"代码 Review"场景，读取 development-ops Skill
└─ 按照 API / Frontend / Test / Security 四个子角色分析代码
3. MCP 调用
└─ AI 调用 GitHub MCP Server
└─ 获取 PR diff → 写入 Review 评论 → 请求合并
三者分工清晰，缺一不可：
- 没有 Rule：AI 不知道项目用 TypeScript，可能给出 JavaScript 建议
- 没有 Skill：AI Review 代码时没有固定流程，输出随机且不标准
- 没有 MCP：AI 只能"说"要做什么，无法真正操作 GitHub
如何选择？
| 需求场景 | 使用什么 |
|---|---|
| 强制 AI 始终遵循某种编码风格 | Rule（alwaysApply: true） |
仅在编辑 .ts 文件时提示某规范 | Rule（globs: **/*.ts） |
| 为某类复杂任务提供标准化执行流程 | Skill |
| 让 AI 访问数据库 / 调用 API | MCP |
| 跨项目复用的个人工作流 | Skill（存放在 ~/.cursor/skills/） |
| 团队共享的项目规范 | Rule 或 Skill（存放在 .cursor/ 目录，提交到 Git） |
