MCP vs Skills：AI Agent 中的两大核心机制

卜闻卜问
2 阅读1分钟

MCP vs Skills：AI Agent 中的两大核心机制

一、背景：AI Agent 的能力扩展困境

大语言模型本身是"封闭"的——它只能处理输入的文字，无法主动调用外部系统，也无法保证在重复任务中的行为一致性。为了解决这两个核心问题，业界发展出了两套互补的机制：

  • MCP（Model Context Protocol）：解决「AI 能做什么」——为模型接入外部工具和服务
  • Skills：解决「AI 怎么做」——为模型定义可复用的行为工作流

这两者不是竞争关系，而是分工协作：MCP 扩展能力边界，Skills 规范执行方式。

二、MCP 详解

2.1 什么是 MCP

MCP（Model Context Protocol）是 Anthropic 于 2024 年底推出的开放协议，定义了 AI 模型与外部工具/服务之间的标准通信方式。你可以把它理解为 AI 世界的「USB 接口」——只要工具实现了这个协议，任何支持 MCP 的模型都能直接使用它。

2.2 MCP 的架构

MCP 采用客户端-服务端架构：

AI 模型 (Client)
    ↕ MCP Protocol (JSON-RPC over stdio/SSE)
MCP Server
    ↕
外部服务（数据库 / API / 文件系统 / 浏览器 ...）
  • MCP Client：内置在 AI 应用中（如 Claude Code、Cursor），负责发现和调用工具
  • MCP Server：独立进程，暴露一组 tools，每个 tool 有名称、描述、参数 Schema
  • Transport：通过 stdio（本地）或 SSE（远程）传输

2.3 MCP Server 的核心概念

概念说明
Tools可被 AI 调用的函数，有入参/出参定义
ResourcesAI 可读取的数据资源（文件、数据库记录等）
PromptsServer 提供的预设提示模板
SamplingServer 反向请求 AI 做推理（高级用法）

2.4 一个 MCP Tool 的定义示例

{
  "name": "query_database",
  "description": "执行 SQL 查询并返回结果，仅支持 SELECT 语句",
  "inputSchema": {
    "type": "object",
    "properties": {
      "sql": {
        "type": "string",
        "description": "要执行的 SQL 查询语句"
      }
    },
    "required": ["sql"]
  }
}

2.5 MCP 的典型使用场景

  • 连接数据库（PostgreSQL、MySQL、SQLite）
  • 调用第三方 API（GitHub、飞书、Slack、Jira）
  • 操作本地文件系统
  • 控制浏览器（Playwright MCP）
  • 执行代码（沙箱环境）
  • 读取私有知识库（RAG）

2.6 MCP 的优势与局限

优势：

  • 标准化协议，跨模型、跨平台复用
  • 强类型接口，调用结果确定性高
  • 工具能力可持续扩展，不需要重训模型

局限：

  • 需要开发和部署 Server，有一定工程门槛
  • 工具调用是单次的，缺乏跨步骤的流程编排能力
  • 无法约束 AI「何时」以及「以什么顺序」调用工具

三、Skills 详解

3.1 什么是 Skills

Skills 是一种结构化的行为指令文件，以 Markdown 格式编写，告诉 AI 在特定场景下应遵循怎样的工作流程。Skills 不新增工具能力，而是规范 AI 的决策和执行路径。

近年来随着 Claude Code、Cursor 等 AI 编程工具的流行，Skills 已成为团队将最佳实践"固化"到 AI 工作流中的重要方式。

3.2 Skills 的文件结构

---
name: skill-name
description: 触发时机描述（AI 据此判断是否调用）
---

## Workflow

### Step 1: 操作名称
- 具体动作
- 分支处理逻辑

## 规则与约束
- 刚性规则（必须遵守）
- 弹性原则（可灵活调整）

3.3 Skills 的工作原理

用户请求
   ↓
AI 读取 description 字段（所有已安装的 Skills）
   ↓
判断是否有匹配的 Skill（1% 概率匹配即触发）
   ↓
加载完整 Skill 内容
   ↓
按 Workflow 步骤执行任务

关键点：description 是触发开关，正文是执行蓝图。

3.4 Skills 的典型使用场景

  • 定义代码审查流程（每次 PR 前自动执行检查清单）
  • 规范提交信息生成（统一 commit message 格式）
  • 标准化文档输出（将对话内容导出为结构化飞书文档）
  • 调试流程编排（遇到 bug 时按固定步骤排查）
  • 部署前验证（上线前必须通过的检查项）

3.5 Skills 的优势与局限

优势：

  • 门槛极低，只需写 Markdown，无需编程
  • 人类可读，便于团队共享和版本管理
  • 可跨任务编排多个工具调用的顺序和逻辑
  • 灵活可定制，适应不同团队的流程规范

局限：

  • 依赖 AI 理解和遵循指令，无法像代码一样强制执行
  • 不能新增 AI 原本没有的能力（无法替代 MCP）
  • 复杂分支逻辑的表达能力有限

四、MCP vs Skills：核心差异对比

维度MCPSkills
本质工具/能力协议行为/流程指令
解决问题AI 能做什么AI 怎么做
实现方式代码（Server 进程）Markdown 文件
执行保证强（函数调用，有返回值）弱（AI 解释执行）
扩展能力是（接入新系统）否（只编排现有能力）
编写门槛高（需要开发）低（只需写文档）
跨步骤编排弱强
团队共享中（需部署服务）易（Git 管理文件）
典型代表GitHub MCP、飞书 MCPfeishu-doc skill、TDD skill

五、两者如何协作

MCP 和 Skills 最强大的用法是组合使用：Skills 编排流程，MCP 提供原子能力。

以「将对话总结写入飞书文档」为例：

用户：帮我把这段讨论整理成文档

Skills (feishu-doc) 接管流程：
  Step 1: 提取对话关键内容（AI 推理）
  Step 2: 结构化排版（AI 推理）
  Step 3: 确认内容（与用户交互）
  Step 4: 调用 MCP Tool → feishu_create_doc（实际写入飞书）
  Step 5: 返回文档链接

Skills 是导演，MCP 是演员：Skills 决定做什么、什么顺序做、做到什么程度；MCP 负责实际与外部世界交互。

六、选型建议

什么时候用 MCP？

  • 需要读写外部系统（数据库、API、文件）
  • 需要执行代码或系统命令
  • 需要获取实时数据（搜索、监控、日志）
  • 工具需要被多个 AI 应用复用

什么时候用 Skills？

  • 需要固化团队的最佳实践流程
  • 需要跨多个工具编排复杂工作流
  • 需要在特定场景下约束 AI 的行为
  • 流程逻辑需要频繁调整迭代

什么时候两者都用？

几乎所有生产级 AI Agent 场景都应该两者结合。单独用 MCP 只能给 AI 工具，但无法保证 AI 以正确的方式使用它们；单独用 Skills 只能编排流程，但没有工具能力做不了实际操作。

七、生态现状

MCP 生态

  • 官方支持：Claude（Anthropic）、Cursor、Windsurf、Zed 等已原生支持
  • Server 数量：截至 2025 年已有数百个官方和社区 MCP Server
  • 标准化程度：Anthropic 主导，OpenAI 也宣布支持，正在成为行业标准

Skills 生态

  • 形态多样：Claude Code 的 Skills、OpenAI 的 Custom Instructions、Cursor Rules 本质相似
  • 团队沉淀：越来越多团队开始将工程实践固化为 Skills 文件，纳入代码仓库管理
  • 与 Agent 融合：Skills 正在成为构建可靠 AI Agent 的"软件工程层"

八、总结

MCPSkills
一句话给 AI 装上手脚教 AI 怎么用手脚
类比API / SDKSOP 标准操作流程
缺了它AI 是个哑巴，只能说不能做AI 会做但不稳定，每次行为都不一样

构建高质量 AI Agent 的正确路径：用 MCP 打通数据和系统，用 Skills 沉淀流程和规范，两者缺一不可。

avatar
文章
阅读
粉丝