为何有了 Skill，还需要 MCP？¶

Skill 和 MCP 分别赋予 AI Agent 思考的"大脑"和行动的"双手"。两者不是竞争关系，而是天生的最佳合作伙伴。适合想搞清楚 Agent 扩展技术栈的开发者阅读。

目录¶

#核心类比：专业手册 vs USB-C 接口
#本质差异：教 AI「怎么想」vs 让 AI「能做到」
#架构对比：渐进式披露 vs 急切加载
#开发门槛：写文档 vs 写代码
#协同工作：Skill 指挥 MCP
#选择决策树：什么时候用哪个
#与 Function Calling 的关系

核心类比：专业手册 vs USB-C 接口¶

理解 Skill 和 MCP 最快的方式——类比。

维度	Skill（技能）	MCP（协议）
本质	Prompt 模板注入	开放通信协议
类比	给 AI 一本「专业手册」	给 AI 一个「USB-C 接口」
作用	教 AI 怎么做（知识 / 流程）	让 AI 能做什么（工具 / 数据）
数据来源	本地文件系统（静态）	外部 API / 数据库（实时）
开发难度	写 Markdown 即可	需编程开发 Server
扩展边界	增强 AI 认知能力	连接无限外部世界

一句话：Skill 是「内部知识化」，MCP 是「外部工具化」。

本质差异：教 AI「怎么想」vs 让 AI「能做到」¶

两者作用于 AI 的不同层面，是两种不同的哲学：

Skill → 增强 AI 的内在认知（怎么分析、怎么决策、怎么输出）
MCP  → 扩展 AI 的外在能力（能读数据库、能调 API、能操作文件）

具体例子：
┌─────────────────────────────────────────────┐
│ 任务：查询公司 Q3 销售数据并生成分析报告      │
├─────────────────────────────────────────────┤
│ MCP 提供：连接数据库的管道                    │
│         → SELECT * FROM sales WHERE ...      │
│                                             │
│ Skill 提供：分析报告的模板和规范               │
│         → "先用 3 句话概括趋势"               │
│         → "再用表格对比各产品线"               │
│         → "最后给出 3 条可执行建议"           │
└─────────────────────────────────────────────┘

Anthropic 官方的表述最精准：

MCP connects Claude to data; Skills teach Claude what to do with that data.

架构对比：渐进式披露 vs 急切加载¶

这是两者在设计哲学上最被忽视但极其重要的差异。

Skill：渐进式披露（Progressive Disclosure）¶

Skill 采用类似「按需翻手册」的三级加载策略：

Skill 加载流程：
┌──────────┐    ┌──────────────┐    ┌───────────────┐
│ 元数据    │ →  │ 完整指令      │ →  │ 关联文件/脚本  │
│ ~100 tok │    │ < 5000 tok   │    │ 仅在需要时加载  │
└──────────┘    └──────────────┘    └───────────────┘
     ↑               ↑                    ↑
  每次对话都加载    匹配时才加载        执行时才加载

类比：招新员工第一天，先给一份岗位说明（元数据），遇到具体问题时再告诉他翻哪本手册的哪一页（完整指令 + 关联文件）。

MCP：急切加载（Eager Loading）¶

MCP 在对话开始时就预加载所有工具定义：

MCP 加载流程：
┌──────────────────────────────────────────────────┐
│ 所有工具定义一次性注入 context                      │
│                                                    │
│ 工具 1: search_web(query, limit)        ~500-800 tok │
│ 工具 2: read_database(sql)             ~500-800 tok │
│ 工具 3: send_slack(channel, message)   ~500-800 tok │
│ ...                                              │
│ 一个 MCP Server 通常 10-20 个工具                    │
│ 总消耗：5,000 - 16,000 tokens（固定成本）            │
└──────────────────────────────────────────────────┘

Token 效率对比¶

场景	Skill	MCP
只需要 1 个工具时	只消耗相关 Skill 的 ~100 tok	消耗全部工具定义 5000-16000 tok
有 20 个 Skill 时	只加载匹配的那个	需要定义所有 20 个工具
实际案例	500 行 Python 脚本 → Skill 运行仅 ~50 tok 输出	Anthropic 用「代码执行 + MCP」将 150K tok 压缩到 2K tok

开发门槛：写文档 vs 写代码¶

维度	Skill	MCP
开发者	任何人（产品经理、运营、领域专家）	开发者（需懂 auth、transport、CLI）
技术要求	会写 Markdown	需编程（Python/TS/Go）
分发方式	复制文件即可	需要部署 Server 进程
运维成本	零（纯文件）	需维护 Server 运行状态

Skill 的极低门槛意味着：团队中的任何人都可以将知识沉淀为 AI 可复用的技能，无需开发资源。

协同工作：Skill 指挥 MCP¶

两者不是二选一，而是组合使用：

完整工作流示例：处理一张发票

┌─────────┐     ┌─────────────┐     ┌──────────────┐
│ 用户请求 │ ──→ │ Skill: 发票  │ ──→ │ MCP: OCR 识别 │
│ 处理发票  │     │ 处理规范     │     │ MCP: 数据库   │
│          │     │             │     │ MCP: 财务系统  │
└─────────┘     └─────────────┘     └──────────────┘
                      │                     │
                      ▼                     ▼
              "先提取金额"          返回：金额 $1,230
              "再验证发票号"         返回：发票号 INV-2024-089
              "最后按模板输出"       返回：格式化报告
                      │                     │
                      └──────────┬──────────┘
                                 ▼
                          格式化分析报告

Skill 提供推理框架，MCP 提供数据访问——这是最有效的使用模式。

选择决策树¶

你需要什么？
│
├─ 教 AI 遵循特定流程/规范？
│   ✅ 代码 Review 标准
│   ✅ 数据分析模板
│   ✅ 输出格式规范
│   → 选 Skill
│
├─ 让 AI 连接外部系统？
│   ✅ 读取数据库
│   ✅ 调用第三方 API
│   ✅ 操作文件系统
│   → 选 MCP
│
├─ 领域知识快速变化？
│   ✅ SDK 文档频繁更新
│   ✅ API 接口迭代快
│   → 选 MCP（自动同步最新信息）
│
├─ 团队成员都需要贡献 AI 知识？
│   ✅ 非技术人员参与
│   ✅ 低门槛分发
│   → 选 Skill
│
└─ 需要同时具备？
    → Skill + MCP 组合使用
    Skill 定义「怎么做」，MCP 提供「能连什么」

简化版对照¶

你的需求	用 Skill	用 MCP
注入领域知识	是
连接外部数据		是
标准化工作流程	是
实时 API 调用		是
低门槛快速落地	是
跨应用通用集成		是

与 Function Calling 的关系¶

AI Agent 工具演进路线：

Function Calling  →  Tool Call  →  MCP  →  Skills
(单体)            (标准化)     (协议层)  (知识层)
                                              │
                                              ▼
                                    核心变化：工程实践和
                                    表现形式的优化演进

维度	Function Calling / Tool Call	MCP	Skills
归属	各家模型各自实现	开放标准（Anthropic 发布）	Anthropic 发布
连接范围	仅限当前模型	跨模型、跨应用通用	本地知识
解决问题	AI 能调用函数	AI 能连接任何外部系统	AI 知道怎么用工具