MCP 是什么？
**MCP（Model Context Protocol，模型上下文协议）**是由 Anthropic 推出的一项开源标准，旨在标准化 AI 模型与外部数据源、工具之间的连接方式。你可以把它形象地理解为 AI 领域的“USB-C 接口”。
过去，要让 AI 访问某个特定的数据库或 API，开发者必须为每个 AI 应用编写定制的集成代码。MCP 的出现打破了这种碎片化。它是一个开放的通信协议，允许开发者构建一次数据接口（MCP Server），就可以被任何支持 MCP 协议的 AI 客户端（如 Claude Desktop、Trae、Cursor 等）无缝接入。它极大增强了 AI 获取实时信息和操作外部系统的能力。
它是什么样子的？
从架构上看，MCP 采用的是经典的客户端-服务端（Client-Server）模型。它主要由以下核心部分组成：
- MCP Host（宿主应用程序）： 也就是用户直接交互的 AI 软件（比如 Trae IDE，或者 Claude Desktop）。
- MCP Client（客户端）： 运行在 Host 内部，负责管理与各个 Server 的连接。
- MCP Server（服务端）： 这是一个轻量级的独立程序，充当 AI 与具体数据源之间的桥梁。你可以编写一个连接 GitHub 的 MCP Server，或者一个查询本地 MySQL 数据库的 MCP Server。
在协议层面，MCP Server 主要向 AI 暴露三种核心能力：
- Resources（资源）： 提供 AI 可以读取的上下文数据，通常带有类似
file://或postgres://的 URI Scheme（比如具体的日志文件、数据库 schema 等）。 - Tools（工具）： 允许 AI 模型主动调用的可执行函数（比如执行一段 SQL 查询、拉取某个网页内容、甚至发邮件）。
- Prompts（提示词）： 预定义的提示词模板或工作流，帮助用户快速启动特定任务。
它们之间的通信使用的是 JSON-RPC 2.0 格式，底层传输机制通常是 stdio（用于运行在本地机器上的 Server）或 SSE（Server-Sent Events，用于远程 Server）。
它是如何起作用的？
MCP 的实际运作流程非常自然，通常包含以下几个步骤：
- 初始化与能力发现： 当你启动支持 MCP 的 AI 应用时，应用会启动并连接你配置好的 MCP Server。建立连接后，Server 会向 AI 声明：“我拥有读取数据库的能力，并提供了一个叫
query_db的工具”。 - 接收用户指令： 你向 AI 提问：“帮我查一下数据库里今天新注册的用户数量”。
- 大模型推理与决策： AI 模型分析你的意图后，发现自己不具备实时数据库信息，但它知道刚才 MCP Server 注册过一个
query_db工具。于是，AI 决定生成一个调用该工具的请求（包含必要的 SQL 语句或参数）。 - 执行操作： AI 应用（Client）通过协议将这个 JSON 格式的请求发送给 MCP Server。Server 接收后，实际连接到真实的数据库执行查询操作。
- 返回并生成回答： Server 将数据库查询的结果（比如“共有 15 名新用户”）返回给 AI。AI 拿到这个上下文后，将其转化为自然语言回答给你：“今天数据库中共有 15 名新注册用户。”
SKill是什么
在 AI 智能体（Agent）和 AI 开发工具（如 Trae 等 IDE）的语境下，Skill（技能）是指 AI 掌握的、用于完成特定复杂任务的“标准化工作流”或“高级本领”。
如果说 MCP 和底层工具（Tools）给 AI 提供了“手和脚”（比如读取文件、联网搜索的能力），那么 Skill 就是教会 AI “如何运用这些手脚去跳一支特定的舞蹈”。
以下是对 Skills 的详细拆解：
┃ 1. Skills 是由什么构成的？
一个完整的 Skill 通常并不是单一的代码，而是以下几个元素的“打包组合”：
• 专属提示词（System Prompt）： 为 AI 设定一个特定的角色和目标。比如在“代码审查”技能中，提示词会告诉 AI：“你现在是一个拥有 10 年经验的高级资深工程师，你的目标是找出代码中的性能瓶颈和安全漏洞。”
• 工作流编排（Workflow / Logic）： 定义了完成这个任务的固定步骤。比如：第一步先读取变动的文件 -> 第二步检索相关的官方文档 -> 第三步执行本地代码测试 -> 第四步输出特定格式的报告。
• 工具集（Tools / MCP）： 这个技能在执行过程中被授权使用的工具列表（比如读写文件的工具、执行 Bash 命令的工具等）。
┃ 2. 为什么需要 Skills？
• 降低用户门槛： 用户不需要一步步“手把手”教 AI 怎么干活。你不需要说“请先读取文件 A，再分析它的逻辑，再和文件 B 对比，最后告诉我区别”。你只需要触发一个名叫 Explain Code（解释代码） 的 Skill，AI 就会自动走完这个流程。
• 保证结果的稳定性与专业性： 通过预设优秀的提示词和标准流程，Skill 可以确保 AI 每次面对同类任务时，都能输出高质量、格式统一的结果，而不是每次都靠大模型“自由发挥”。
┃ 3. Skills 的典型例子
在日常开发中，你可能会遇到或者使用以下这些典型的 Skills：
• Code Review（代码审查）： 自动拉取 Git Diff，分析代码规范，指出潜在 Bug，并直接在代码中生成评审评论。
• Generate Tests（生成测试用例）： 自动分析当前函数的输入输出，寻找边界条件，并生成对应的单元测试代码。
• Debug / Fix Error（错误诊断）： 当你的终端报错时，这个 Skill 会自动抓取报错日志，去代码库里搜索错误源头，甚至在网上搜索解决方案，最后给你一个修改建议。
• Onboard（项目引导）： 当你刚接手一个新项目时，触发这个 Skill，AI 会自动阅读 README、梳理代码架构、找出核心入口，并给你生成一份项目大纲。
┃ 4. 形象的总结
• 大模型（LLM）： 是一个超级聪明但没有经验的大学毕业生。
• Tools / MCP： 是分配给他的办公电脑、内网权限、搜索引擎。
• Skills： 就是发给他的**《员工岗位SOP（标准作业程序）手册》**。
当你对 AI 说“执行代码审查技能”时，就相当于告诉这个聪明的毕业生：“现在翻开SOP手册的第三页，按照上面的 5 个步骤，用你的电脑完成这份代码的审查工作。”
MCP 与 Skills (技能) 的区别和联系
要理解 MCP 和 Skills（技能） 之间的区别与联系，我们可以从底层基础设施和上层应用能力这两个维度来区分。
简而言之：MCP 是连接标准（像 USB 接口），而 Skills 是 AI 掌握的具体本领或工作流（像使用打印机打印文档的能力）。
1. 核心区别 (Differences)
| 维度 | MCP (Model Context Protocol) | Skills (技能) |
|---|---|---|
| 本质定位 | 底层通信协议/架构标准。它定义了 AI 客户端如何与外部服务进行数据交换和工具调用。 | 上层应用能力/工作流。它代表了 AI 能够为用户完成的特定、复杂的任务或流程。 |
| 抽象层级 | 偏向底层和技术实现。关注于 JSON-RPC 格式、stdio/SSE 传输、安全校验等。 | 偏向用户侧和业务逻辑。关注于完成一个具体任务（如“审查代码”、“总结网页”、“创建架构图”）。 |
| 通用性与标准 | 跨平台的开源标准。一个写好的 MCP Server 可以同时被 Trae、Cursor、Claude Desktop 等不同软件使用。 | 通常是平台绑定或产品特有的。比如 Trae 里的某个特定 Skill，换到另一个 AI 软件里可能就不叫这个名字，或者实现方式完全不同。 |
| 组成要素 | 由 Resources（资源）、Tools（工具函数）、Prompts（提示词）组成。 | 通常由一系列特定的 Prompt（提示词）、上下文数据以及对多个基础工具（可能包含 MCP 提供的工具）的编排组合而成。 |
2. 内在联系 (Connections)
尽管它们位于不同的层级，但在现代 AI Agent 的架构中，它们是紧密合作的：
- MCP 是构建 Skills 的“武器库”： 一个强大的 Skill 通常需要访问外部数据或执行动作。例如，一个名为“数据库诊断专家”的 Skill，它本身只是一套诊断逻辑和提示词（思考方式）。为了真正发挥作用，它需要通过 MCP 连接到本地的 MySQL 数据库去读取 schema（利用 MCP 的 Resources）和执行诊断 SQL（利用 MCP 的 Tools）。
- Skills 是 MCP 能力的“业务封装”：
MCP 暴露出来的往往是原子化的能力（例如：
read_file,github_search_issue,execute_bash）。普通用户直接调用这些工具会比较繁琐。Skills 可以将这些底层的 MCP 工具打包成一个连贯的工作流。例如，“代码审查 (Code Review)” Skill 会自动执行：使用 MCP 拉取代码 -> 使用大模型分析 -> 使用 MCP 提交 Review 评论。 - MCP 的 Prompts 类似于轻量级的 Skills：
MCP 协议中包含一个
Prompts模块，允许服务端向 AI 提供预设的指令模板。这其实就是一种最轻量级的、跨平台的 Skill 分发方式。
3. 一个通俗的类比
- 基础工具（Tools / API）： 就像是各种食材和厨具（比如刀、锅、土豆、牛肉）。
- MCP（协议）： 就像是标准化的厨房操作台和天然气管道。它让任何厨师（AI 模型）来到这个厨房，都能用同样的方式打开灶台、拿到锅碗瓢盆，而不需要关心燃气管是怎么铺设的。
- Skills（技能）： 就像是厨师掌握的**“土豆烧牛肉”这道菜的菜谱和烹饪流程**。厨师（AI）运用它的 Skill（菜谱），站在操作台（MCP）前，使用厨具和食材（Tools），最终为你端出一盘菜（完成任务）。
