MCP 需要写代码、起进程、配 JSON。而 Agent Skill 只需要一个 Markdown 文件就能给 AI 增加一项新能力。这不是取舍问题，而是两种不同哲学的产品。
一个需要三步的问题
你想让 AI 每次遇到代码审查请求时，都按照固定的流程来做：先看逻辑，再看安全，再看性能，最后给出改进建议。
方案一：每次手动粘贴 Prompt
"请按照以下流程审查这段代码：1. 检查逻辑错误... 2. 检查安全问题... 3. ..."
每次都要粘，累了就不粘了，效果参差不齐。
方案二：写一个 MCP Server
定义工具、起进程、配 JSON、测试... 30 分钟起步。
方案三：写一个 Agent Skill
创建一个 SKILL.md 文件，20 行 Markdown，安装一次，永久可用。
Skill 的本质：一个有结构的 Markdown 文件
Agent Skill（以 OpenClaw/Claude Code 为代表）的核心文件是 SKILL.md，它有三段固定结构：
---
name: code-reviewer
version: 1.0.0
description: 按规范流程审查代码质量
tags: [code, review, quality]
---
## Use when
用户提交代码并请求审查时：
- "帮我 review 这段代码"
- "这段代码有问题吗"
- "帮我看看代码质量"
## NOT for
- 用户只是让你解释代码的功能（不需要 review）
- 用户让你写新代码（不是审查已有代码）
- 代码很短且逻辑很简单（直接回答即可）
## Workflow
收到代码审查请求后，执行以下步骤：
### 步骤 1：理解代码
- 识别编程语言和框架
- 理解代码的功能和业务逻辑
- 明确审查范围
### 步骤 2：多维度分析
按以下维度逐一检查，每个维度给出结论：
- **逻辑正确性**：算法、边界条件、异常处理
- **安全性**：SQL 注入、XSS、敏感信息暴露
- **性能**：时间/空间复杂度、数据库 N+1、不必要的循环
- **可读性**：命名、注释、代码结构
- **可维护性**：耦合度、重复代码、测试覆盖
### 步骤 3：输出报告
使用以下格式：
**总体评分：X/10**
| 维度 | 状态 | 说明 |
|------|------|------|
| 逻辑 | ✅/⚠️/❌ | ... |
| 安全 | ... | ... |
**主要问题（按优先级）：**
1. [严重] ...
2. [中等] ...
**改进建议：**
[修改后的代码片段]
Use when / NOT for：AI 的"情境感知系统"
Use when 和 NOT for 是 Skill 最核心的两个部分，它们控制 AI 的触发条件。
Use when 的写法原则
不要只写意图，要写场景表现：
# ❌ 太抽象
## Use when
用户需要代码审查时
# ✅ 具体可识别
## Use when
用户说以下任意一种话时：
- "帮我 review" / "看看这段代码" / "有什么问题"
- 提交了代码，并使用了"审查"、"质量"、"改进"等词
- 明确说"这段代码对吗"或"这样写有问题吗"
为什么要这么具体？
AI 匹配触发条件时，是在"理解语义"，不是在做关键词匹配。但语义越具体，误触发率越低，漏触发率也越低。
NOT for 同样重要
## NOT for
- "这段代码是什么意思"→ 解释代码，不是审查
- "帮我加一个功能" → 新增功能，不是审查
- 用户没有提供代码，只是描述了问题
没有 NOT for，AI 可能在"解释代码"的场景下也启动审查流程——产生不必要的开销和奇怪的输出。
Workflow：AI 的"操作手册"
Workflow 是 Skill 的执行逻辑，写好了会直接提升输出质量。
关键原则：步骤要有顺序，每步要有可执行的操作
# ❌ 太模糊
## Workflow
1. 分析代码
2. 给出建议
# ✅ 可执行
## Workflow
### 步骤 1：预处理
- 确认编程语言（如未说明，从代码推断）
- 确认审查重点（用户有没有特别说关注某方面）
### 步骤 2：静态分析
逐行检查以下问题，遇到问题记录到列表：
- 变量命名是否语义清晰
- 函数是否做了超出其名称暗示范围的事情（单一职责）
- 是否有魔法数字（应改为常量）
### 步骤 3：输出
先给总体评分，再给问题清单，每个问题附修复建议
渐进式披露：Skill 最有意思的设计理念
Skill 的 Workflow 支持一种叫**渐进式披露（Progressive Disclosure）**的模式。
简单说：根据任务的复杂程度，动态决定执行深度。
## Workflow
### 快速路径（简单代码 < 50 行）
直接输出：主要问题 2-3 条 + 快速建议
### 标准路径（普通代码 50-500 行）
按五维度完整分析，输出详细报告
### 深度路径（复杂系统代码 > 500 行）
1. 先问用户：审查重点是什么？（业务逻辑/性能/安全）
2. 针对重点方向做深度分析
3. 给出可直接执行的改进 PR 说明
这样，一个 Skill 能适配从"快速过一眼"到"深度 Code Review"的不同场景，而不是把所有人都推进"完整五维度分析"的重流程。
Skill vs MCP：怎么选
| 维度 | Agent Skill | MCP Server |
|---|---|---|
| 实现成本 | 低（写 Markdown） | 高（写代码） |
| 触发方式 | AI 自动识别场景 | 需要 Host 主动调用 |
| 能力边界 | 引导 AI 的思维流程 | 执行 AI 无法直接做的操作 |
| 适合场景 | 改变 AI 的行为方式 | 接入外部系统/数据 |
| 典型例子 | 代码审查、写作风格、分析报告 | 读数据库、调用 API、操作文件 |
一句话区分：
- Skill 是"告诉 AI 怎么想"
- MCP 是"给 AI 新的手"
两者不互斥，经常组合使用：先用 MCP 读取数据，再用 Skill 控制分析流程。
安装和使用一个 Skill
# 从 ClawHub 安装
clawhub install code-reviewer-skill
# 安装后直接使用，不需要任何配置
# 在 Claude Code / OpenClaw 中直接说：
# "帮我 review 这段代码：[粘贴代码]"
也可以本地安装自定义 Skill：
# 把你的 SKILL.md 放到 Skills 目录
~/.claude/skills/my-code-reviewer/SKILL.md
发布一个 Skill 到 ClawHub
如果你的 Skill 对别人也有用，可以发布出去：
# 1. 创建 npm 包
mkdir openclaw-skill-code-reviewer
cd openclaw-skill-code-reviewer
npm init
# 2. 创建 SKILL.md（主文件）
# 3. 测试
# 4. 发布到 npm（包名必须以 openclaw-skill- 开头）
npm publish --access public
# 5. 在 clawhub.com/submit 提交
总结
Agent Skill 的核心价值：
- 极低门槛：不需要写代码，Markdown 就够了
- 自动触发：AI 自己识别场景，不需要用户手动调用
- 可复用：安装一次，对所有相关场景永久生效
- 可发布：写好的 Skill 可以分享给整个社区
最适合用 Skill 的场景：任何你希望 AI 在某类任务中固定遵循某种思维框架或输出格式的需求。
