摘要：还在为每次都要重复写 Prompt 头疼？还在担心 MCP 服务器配置太麻烦？今天聊聊从 MCP 到 Skills 的进化，如何用“文件夹”把 AI 变成你的专属超级员工。
最近大家都用挺久 AI Agent（智能体） 了。但大家是不是有个共同感受：这玩意儿“嘴”挺甜，但“手”有点笨。
你让它“写个周报”，它能洋洋洒洒几千字；你让它“把上周的会议录音整理成周报并发到群里”，它就开始装傻充愣，或者报错给你看。
为了解决“手笨”的问题，MCP (Model Context Protocol) 横空出世，号称让 AI 连接外部世界的标准协议。这确实是个进步，相当于给 AI 配了部电话，它能打电话调用 API 了。
但今天，我想跟大家聊一个更新、更“性感”的概念——Skills（技能）。
如果说 MCP 是给 AI 装了电话，那 Skills 就是直接给 AI 请了个带工具箱的资深老师傅站你旁边。
一、为什么传统的 Prompt 和 MCP 还不够？
先复盘一下我们现在的痛点。
1. Prompt 的“一次性”诅咒
以前我们玩 Prompt Engineering，像是在跟 AI 谈一次性恋爱。
“请帮我写一份 RRD 文档，要求包含背景、目标、功能列表..."
每次都要把背景、格式、要求重复一遍。
- 不稳定：今天写得好，明天可能就跑偏。
- 不可复用：你精心调教的“提示词”，换个场景就废了。
- 无状态：它记不住你的公司规范，记不住你的代码风格。
2. MCP 的“重”与“贵”
MCP 确实解决了连接问题，但它本质是 C/S 架构（客户端 - 服务器）。
- 太重：你想让 AI 能读 Excel，你得先写个 Node.js 或 Python 的 Server，部署，维护端口。
- 太贵（Token）：MCP 连接后，通常会把所有 Tool 的定义一股脑塞进上下文。工具一多，AI 的“脑子”（Context Window）就炸了，变笨了。
这时候，Skills 架构站了出来。
二、Skills 是什么？可复用的"AI 经验包”
在 OpenClaw 等新一代智能体框架中，Skills 被定义为：Prompt + 规划 + 工具 + 资源 的组合包。
通俗点说，Skills 就是把你的“工作经验”封装成了文件夹。
举个栗子 🌰
假设你有个需求：“分析这个 Excel 销售数据，按公司模板输出报告”。
- 用 MCP：AI 调用
read_excel工具 -> 拿到数据 -> 瞎分析 -> 输出纯文本。 - 用 Skills：AI 加载
data-analysis-skill-> 读取SKILL.md里的公司分析规范 -> 调用本地脚本处理数据 -> 输出符合公司 VI 风格的报告。
看到了吗？MCP 解决了“能做什么”，Skills 解决了“怎么做得更好”。
三、扒开 Skills 的“三层漏斗”架构
Skills 最让我惊艳的，不是它的能力，而是它的实现方式。它没有复杂的服务器，就是一个文件夹。
ppt-expert/ # 技能文件夹（名字即技能名）
├── SKILL.md # 核心：说明书（必须有）
├── scripts/ # 进阶：具体的执行脚本
│ └── generate_ppt.py
└── resources/ # 辅助：公司模板、品牌指南
它通过**“三层漏斗”**机制，完美解决了 Token 消耗和响应速度的问题。
第一层：名片（Metadata）
位置：SKILL.md 顶部的 YAML 区域。
---
name: ppt-expert
description: "当用户需要制作符合公司品牌规范的 PPT 时使用"
---
原理：这是 AI 时刻记在脑子里的东西。系统启动时，只扫描所有技能的“名片”。 好处：哪怕你装了 1000 个技能，AI 也不会晕，因为它只看了 1000 行简介。
第二层：详细指南（Skill Body）
位置：SKILL.md 的正文。
触发：只有当你说“做个 PPT"时，系统才会把这份详细的 Markdown 动态加载到上下文里。
内容：这里写的是“经验”。比如：“如果用户没给大纲，先引导用户补充”、“配色必须使用 brand-guidelines 里的色值”。
好处：按需加载。不用时不占内存，用时才注入灵魂。
第三层：实操动作（Scripts）
位置：scripts/ 里的代码。
触发：AI 读完指南，决定执行 python scripts/generate_ppt.py。
好处：本地执行，安全隔离。代码不在 AI 脑子里，是在你电脑上跑的。你可以在脚本里写死“禁止删除系统文件”，就算 AI 发疯，脚本这关它也过不去。
四、为什么我说 Skills 会火？
结合我这几天的折腾，Skills 有几个无法拒绝的理由：
1. 极致的“本地优先” (Local-First)
MCP 很多时候依赖云端桥接，而 Skills 天生就是为了操控你的本地文件、Shell、数据库设计的。 它像是给 AI 递了一把真实的扳手，而不是一个远程遥控器。对于隐私敏感、需要操作本地文件的场景，Skills 是降维打击。
2. 文档即协议 (Documentation as Code)
MCP 的工具行为由冷冰冰的 JSON Schema 定义。
而 Skills 的核心是 SKILL.md。你可以用自然语言写“最佳实践”：
“如果第一次搜索没结果，尝试换个关键词” “优先点击带有官方标识的链接”
这种提示词注入式的技能定义，让 AI 使用工具时有了“灵性”，懂得了“潜规则”。
3. 团队标准化的神器
想象一下，你是一家公司的 Tech Lead。
你不需要给每个新人培训“怎么写周报”。
你只需要开发一个 weekly-report-skill，里面写好了公司的格式、语气、数据源。
新人（或者新来的 AI）只要加载这个 Skill，输出的东西就永远符合公司规范。
Skills = 可复用的团队工作经验。
五、MCP 和 Skills，我该选哪个？
并不是说 MCP 死了，它们更像是左右手。
| 特性 | MCP (Model Context Protocol) | OpenClaw Skills |
|---|---|---|
| 本质 | 跨语言/平台的通信协议标准 | 本地脚本化、文档化的能力包 |
| 场景 | 连接成熟的外部服务 (Slack, Google Drive) | 自动化本地流程 (整理文件、剪辑视频) |
| 架构 | Client - Server (解耦) | Plugin - Script (集成) |
| 上手 | 需要写 Server 后端代码 | 只需写 Markdown 和简单脚本 |
我的建议是：
- 如果你要连接外部 SaaS API，用 MCP，这是标准。
- 如果你要让 AI自动化你的工作流，或者沉淀团队知识，用 Skills，这是效率。
- 终极形态：Skills + MCP。用 Skills 做规划和决策，用 MCP 做底层连接。这才是完整的 AI Agent。
六、结语：从“提示词工程师”到“技能架构师”
学习 MCP 到 Skills 的这段时间，我最大的感触是：我们正在从“教 AI 说话”，转向“教 AI 做事”。
以前我们纠结怎么写 Prompt 才能让 AI 不胡说八道。 以后我们可能更关心，怎么设计一个 Skill，能让 AI 自动帮我把这一堆乱七八糟的 Excel 整理成老板爱看的 PPT。
Skills 让 AI 不再是聊天机器人，它开始有了“职业”。
如果你也想试试，不妨从创建一个简单的文件夹开始，写一个 SKILL.md，告诉 AI 你的第一个“工作规范”。
毕竟，让 AI 打工，才是我们人类的终极梦想，对吧？ 😎
