MCP与Agent Skill的核心区别解析

MCP 与 Skill 深度对比：AI Agent 的两种扩展哲学

用 AI Agent 工具（Claude Code、Cursor、Windsurf 等）的时候，经常会遇到两个概念：

• MCP（Model Context Protocol）
• Skill（Agent Skill）

它们看起来都是“扩展 AI 能力”的方式，但具体有什么区别？为什么需要两套机制？该在什么场景下选择哪一个？

这篇文章会从设计哲学、技术架构、使用场景三个维度，把这两个概念彻底讲清楚。

一句话区分

先给个简单的定位：

用 Anthropic 官方的说法：MCP 是 AI 的“手”（能触碰外部世界），Skill 是 AI 的“技能书”（知道怎么做某件事）。

你需要两者配合：MCP 让 AI 能连接数据库，Skill 教 AI 怎么分析查询结果。

MCP：AI 应用的 USB-C 接口

MCP 是什么

MCP（Model Context Protocol）是 Anthropic 在 2024 年 11 月发布的开源协议，用于标准化 AI 应用与外部系统的交互方式。

官方的比喻是“AI 应用的 USB-C 接口”——就像 USB-C 提供了一种通用的方式连接各种设备，MCP 提供了一种通用的方式连接各种工具和数据源。

关键点：MCP 不是 Claude 专属的。它是一个开放协议，理论上任何 AI 应用都可以实现。截至 2025 年初，已经被多个平台采用：

• Anthropic: Claude Desktop、Claude Code
• OpenAI: ChatGPT、Agents SDK、Responses API
• Google: Gemini SDK
• Microsoft: Azure AI Services
• 开发工具: Zed、Replit、Codeium、Sourcegraph

到 2025 年 2 月，已经有超过 1000 个开源 MCP 连接器。

MCP 的架构

MCP 基于 JSON-RPC 2.0 协议，采用客户端-主机-服务器（Client-Host-Server）架构：

┌─────────────────────────────────────────────────────────┐
│                         Host                            │
│              (Claude Desktop / Cursor)                  │
│                                                         │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐     │
│  │   Client    │  │   Client    │  │   Client    │     │
│  │  (GitHub)   │  │ (Postgres)  │  │  (Sentry)   │     │
│  └──────┬──────┘  └──────┬──────┘  └──────┬──────┘     │
└─────────┼────────────────┼────────────────┼─────────────┘
          │                │                │
          ▼                ▼                ▼
   ┌───────────┐   ┌───────────┐   ┌───────────┐
   │MCP Server │   │MCP Server │   │MCP Server │
   │ (GitHub)  │   │(Postgres) │   │ (Sentry)  │
   └───────────┘   └───────────┘   └───────────┘

• Host：用户直接交互的应用（Claude Desktop、Cursor、Windsurf）
• Client：Host 应用中管理与特定 Server 通信的组件
• Server：连接外部系统的桥梁（数据库、API、本地文件等）

MCP 的三个核心原语

MCP 定义了三种 Server 可以暴露的原语：

1. Tools（工具）—— 模型控制

可执行的函数，AI 可以调用来执行操作。

{
  "name": "query_database",
  "description": "Execute SQL query on the database",
  "parameters": {
    "type": "object",
    "properties": {
      "sql": { "type": "string" }
    }
  }
}

AI 决定什么时候调用这些工具。比如用户问“这个月的收入是多少”，AI 判断需要查数据库，就会调用 query_database 工具。

2. Resources（资源）—— 应用控制

数据源，为 AI 提供上下文信息。

{
  "uri": "file:///Users/project/README.md",
  "name": "Project README",
  "mimeType": "text/markdown"
}

资源由应用控制何时加载。用户可以通过 @ 引用资源，类似于引用文件。

3. Prompts（提示）—— 用户控制

预定义的提示模板，帮助结构化与 AI 的交互。

{
  "name": "code_review",
  "description": "Review code for bugs and security issues",
  "arguments": [
    { "name": "code", "required": true }
  ]
}

用户显式触发这些提示，类似于 Slash Command。

MCP 与 Function Calling 的关系

很多人会问：MCP 和 OpenAI 的 Function Calling、Anthropic 的 Tool Use 有什么区别？

Function Calling 是 LLM 的能力——把自然语言转换成结构化的函数调用请求。LLM 本身不执行函数，只是告诉你“应该调用什么函数，参数是什么”。

MCP 是在 Function Calling 之上的协议层——它标准化了“函数在哪里、怎么调用、怎么发现”。

两者的关系：

用户输入 → LLM (Function Calling) → "需要调用 query_database"
                                             ↓
                                       MCP Protocol
                                             ↓
                                       MCP Server 执行
                                             ↓
                                      返回结果给 LLM

Function Calling 解决“决定做什么”，MCP 解决“怎么做到”。

MCP 的传输方式

MCP 支持两种主要的传输方式：

大部分云服务用 HTTP，本地脚本和自定义工具用 Stdio。

MCP 的代价

MCP 不是免费的午餐，它有明显的成本：

1. Token 消耗大

每个 MCP Server 都会占用上下文空间。每次对话开始，MCP Client 需要告诉 LLM “你有这些工具可用”，这些工具定义会消耗大量 Token。

连接多个 MCP Server 后，光是工具定义可能就占用了上下文窗口的很大一部分。社区观察到：

2. 需要维护连接

MCP Server 是持久连接的外部进程。Server 挂了、网络断了、认证过期了，都会影响 AI 的能力。

3. 安全风险

Anthropic 官方警告：特别是能获取外部内容的 MCP Server（比如网页抓取），可能带来 prompt injection 风险。

MCP 的价值

尽管有这些代价，MCP 的价值在于标准化和可复用性：

• 一次实现，到处使用：同一个 GitHub MCP Server 可以在 Claude Desktop、Cursor、Windsurf 中使用
• 动态发现：AI 可以在运行时发现有哪些工具可用，而不是写死在代码里
• 供应商无关：不依赖特定的 LLM 提供商

Skill：上下文工程的渐进式公开

Skill 是什么

Skill（全称 Agent Skill）是 Anthropic 在 2025 年 10 月发布的特性。官方定义：Skill 是一个文件夹，里面放着指令、脚本和资源，AI 会根据需要自动发现和加载。

Skill 在架构层级上和 MCP 不同。用 Anthropic 的话说：Skill 是“提示/知识层”，MCP 是“集成层”。两者解决不同层面的问题。

Skill 的核心设计：渐进式信息公开

Skill 最精妙的设计是渐进式信息公开（Progressive Disclosure）。这是 Anthropic 在上下文工程（Context Engineering）领域的重要实践。

官方的比喻：就像一本组织良好的手册：先看目录，再翻到相关章节，最后查阅附录。

Skill 分三层加载：

flowchart TD
    subgraph L1["第 1 层：元数据（始终加载）"]
        A[Skill 名称 + 描述]
        B["约 100 tokens"]
    end
    subgraph L2["第 2 层：核心指令（按需加载）"]
        C[SKILL.md 完整内容]
        D["通常 < 5k tokens"]
    end
    subgraph L3["第 3+ 层：支持文件（深度按需）"]
        E[reference.md]
        F[scripts/helper.py]
        G[templates/...]
    end
    L1 --> |"Claude 判断相关"| L2
    L2 --> |"需要更多信息"| L3
    style L1 fill:#d4edda,stroke:#28a745
    style L2 fill:#fff3cd,stroke:#ffc107
    style L3 fill:#cce5ff,stroke:#0d6efd

这个设计的好处是什么？传统方式（比如 MCP）在会话开始时就把所有信息加载到上下文。如果你有 10 个 MCP Server，每个暴露 5 个工具，那就是 50 个工具定义——可能消耗数千甚至上万 Token。

Skill 的渐进式加载让你可以有几十个 Skill，但同时只加载一两个。上下文效率大幅提升。用官方的话说：理论上，单个 Skill 可以包含无限量的知识——因为只有需要的部分才会被加载。

上下文工程：Skill 背后的思想

Skill 是 Anthropic “上下文工程”（Context Engineering）理念的产物。官方对此有专门的阐述：

• Prompt Engineering：怎么写好提示词
• Context Engineering：怎么管理上下文窗口里的信息

LLM 的上下文窗口是有限的（即使是 200k 窗口，也会被大量信息撑爆）。Context Engineering 的核心问题是：在有限的窗口里，放什么信息能让 AI 表现最好？

Skill 的渐进式加载就是 Context Engineering 的具体实践——只加载当前任务需要的信息，让每一个 Token 都发挥最大价值。

Skill 的触发机制

Skill 是自动触发的，这是它和 Slash Command 的关键区别。

工作流程：

1. 扫描阶段：Claude 读取所有 Skill 的元数据（名称 + 描述）
2. 匹配阶段：将用户请求与 Skill 描述进行语义匹配
3. 加载阶段：如果匹配成功，加载完整的 SKILL.md
4. 执行阶段：按照 Skill 里的指令执行任务，按需加载支持文件

用户不需要显式调用。比如你有一个 code-review Skill，用户说“帮我 review 这段代码”，Claude 会自动匹配并加载。

Skill 的本质是什么？技术上，Skill 是一个元工具（Meta-tool）：Skill 不是执行具体动作，而是注入指令到对话历史中，动态修改 Claude 的执行环境。

Skill 的文件结构

一个标准的 Skill 长这样：

my-skill/
├── SKILL.md          # 必需：元数据 + 主要指令
├── reference.md      # 可选：详细参考文档
├── examples.md       # 可选：使用示例
├── scripts/
│   └── helper.py     # 可选：可执行脚本
└── templates/
    └── template.txt  # 可选：模板文件

SKILL.md 是核心，必须包含 YAML 格式的元数据：

---
name: code-review
description: >
  Review code for bugs, security issues, and style violations.
  Use when asked to review code, check for bugs, or audit PRs.
---

# Code Review Skill

## Instructions

When reviewing code, follow these steps:
1. First check for security vulnerabilities...
2. Then check for performance issues...
3. Finally check for code style...

关键字段：

• name：Skill 的唯一标识，小写字母 + 数字 + 连字符，最多 64 字符
• description：描述做什么、什么时候用，最多 1024 字符

description 的质量直接决定 Skill 能不能被正确触发。

Skill 的安全考虑

Skill 有一个潜在的安全问题：Prompt Injection。研究人员发现：因为 Skill 本质上是注入指令，恶意的 Skill 可以在长文件中隐藏恶意指令，窃取敏感数据。

应对措施：

1. 只使用可信来源的 Skill
2. 审查 Skill 中的脚本
3. 使用 allowed-tools 限制 Skill 的能力范围

---
name: safe-file-reader
description: Read and analyze files without making changes
allowed-tools: Read, Grep, Glob  # 只允许读操作
---

Skill 的平台支持

Agent Skills 目前支持：

• Claude.ai（Pro、Max、Team、Enterprise）
• Claude Code
• Claude Agent SDK
• Claude Developer Platform

需要注意的是，Skill 目前是 Anthropic 生态专属的，不像 MCP 是跨平台的开放协议。

MCP vs Skill：架构层级对比

现在我们可以从架构层级来理解两者的区别：

┌─────────────────────────────────────────────────────────┐
│                      用户请求                           │
└────────────────────────┬────────────────────────────────┘
                         ▼
┌─────────────────────────────────────────────────────────┐
│                   提示/知识层 (Skill)                    │
│                                                         │
│        Skill 注入专业知识和工作流程                      │
│              "怎么做某类任务"                            │
└────────────────────────┬────────────────────────────────┘
                         ▼
┌─────────────────────────────────────────────────────────┐
│                      LLM 推理层                         │
│                                                         │
│                  Claude / GPT / Gemini 等               │
│                   理解请求，决定需要什么工具              │
└────────────────────────┬────────────────────────────────┘
                         ▼
┌─────────────────────────────────────────────────────────┐
│                    集成层 (MCP)                         │
│                                                         │
│                  MCP 连接外部系统                        │
│               "能访问什么工具和数据"                     │
└────────────────────────┬────────────────────────────────┘
                         ▼
┌─────────────────────────────────────────────────────────┐
│                      外部世界                           │
│                                                         │
│              数据库、API、文件系统、第三方服务            │
└─────────────────────────────────────────────────────────┘

Skill 在上层（知识层），MCP 在下层（集成层）。两者不是替代关系，而是互补关系。你可以：

• 用 MCP 连接 GitHub
• 用 Skill 教 AI 如何按照团队规范做 Code Review

详细对比表

什么时候用 MCP，什么时候用 Skill

用 MCP 的场景

• 需要访问外部数据：数据库查询、API 调用、文件系统访问
• 需要操作外部系统：创建 GitHub Issue、发送 Slack 消息、执行 SQL
• 需要实时信息：监控系统状态、查看日志、搜索引擎结果
• 需要跨平台复用：同一个工具在 Claude Desktop、Cursor、其他支持 MCP 的应用中使用

用 Skill 的场景

• 重复性的工作流程：代码审查、文档生成、数据分析
• 公司内部规范：代码风格、提交规范、文档格式
• 需要多步骤的复杂任务：需要详细指导的专业任务
• 团队共享的最佳实践：标准化的操作流程
• Token 敏感场景：需要大量知识但不想一直占用上下文

结合使用

很多时候，两者是配合使用的：

用户："Review PR #456 并按照团队规范给出建议"
1. MCP (GitHub) 获取 PR 信息
    ↓
2. Skill (团队代码审查规范) 提供审查方法论
    ↓
3. Claude 按照 Skill 的指令分析代码
    ↓
4. MCP (GitHub) 提交评论

MCP 负责“能访问什么”，Skill 负责“怎么做”。

写好 Skill 的关键

Skill 能不能被正确触发，90% 取决于 description 写得好不好。

差的 description

description: Helps with data

太宽泛，Claude 不知道什么时候该用。

好的 description

description: >
  Analyze Excel spreadsheets, generate pivot tables, and create charts.
  Use when working with Excel files (.xlsx), spreadsheets, or tabular data analysis.
  Triggers on: "analyze spreadsheet", "create pivot table", "Excel chart"

好的 description 应该包含：

1. 做什么：具体的能力描述
2. 什么时候用：明确的触发场景
3. 触发词：用户可能说的关键词

最佳实践

官方建议：

1. 保持专注：一个 Skill 做一件事，避免宽泛的跨域 Skill
2. SKILL.md 控制在 500 行以内：太长的话拆分到支持文件
3. 测试触发行为：确认相关请求能触发，不相关请求不会误触发
4. 版本控制：记录 Skill 的变更历史

关于 Slash Command

文章标题是 MCP vs Skill，但很多人也会问到 Slash Command，简单说一下。

Slash Command 是最简单的扩展方式——本质上是存储的提示词，用户输入 /命令名 时注入到对话中。

Skill vs Slash Command 的关键区别是触发方式：

问自己一个问题：用户是否需要显式控制触发时机？

• 需要 → Slash Command
• 不需要，希望 AI 自动判断 → Skill

总结

MCP 和 Skill 是 AI Agent 扩展的两种不同哲学：

记住这句话：MCP 让 AI 能“碰到”数据，Skill 教 AI 怎么“处理”数据。

它们不是替代关系，而是互补关系。一个成熟的 AI Agent 系统，两者都需要。

参考资源

MCP 官方资源

• Model Context Protocol 官网 - 协议规范、快速入门、Server 开发指南
• MCP Specification - 完整的协议规范文档
• Introducing the Model Context Protocol - Anthropic 发布 MCP 的官方博客
• MCP GitHub Organization - 官方 SDK、示例 Server、参考实现
• Awesome MCP Servers - 社区维护的 MCP Server 列表

Skill 官方资源

• Claude Code Skills 文档 - Skills 的完整文档
• Building effective agents - Anthropic 关于 Agent 设计的研究博客
• Context Engineering Guide - 上下文工程官方指南，理解 Skill 设计哲学的关键

跨平台采用

• OpenAI adds support for MCP - OpenAI 宣布支持 MCP
• Google Gemini MCP Support - Google 宣布 Gemini 支持 MCP

延伸阅读

• Function Calling vs MCP - 理解两者区别
• Claude Code Documentation - Claude Code 完整文档
• Prompt Engineering Guide - 提示工程基础，Context Engineering 的前置知识