MCP与Skill核心区别解析：新手必看指南

MCP 是什么？

在AI领域，一个概念正悄然改变着模型与外部世界交互的方式：**MCP（Model Context Protocol，模型上下文协议）**。简单来说，你可以把它看作是AI世界的“USB-C接口”——一个由Anthropic推出的开源标准，旨在统一AI模型与各类数据源、工具之间的连接方式。

过去，想让AI访问某个特定数据库或调用某个API，开发者往往需要为每个应用编写一套定制化的集成代码，过程繁琐且难以复用。MCP的出现，正是为了打破这种碎片化的局面。它定义了一套开放的通信协议，允许开发者只需构建一次数据接口（即MCP Server），就能让任何支持该协议的AI客户端（如Claude Desktop、Trae、Cursor等）无缝接入。这极大地释放了AI的潜力，使其获取实时信息、操作外部系统的能力得到了质的飞跃。

它是什么样子的？

从架构层面看，MCP采用了经典的客户端-服务端模型，主要由三个核心部分构成：

• MCP Host（宿主应用程序）：用户直接交互的AI软件本身，比如你正在使用的Trae IDE或Claude Desktop。
• MCP Client（客户端）：运行在Host内部，负责管理与各个服务端的连接和通信。
• MCP Server（服务端）：一个轻量级的独立程序，充当AI与具体数据源或系统之间的桥梁。例如，你可以编写一个连接GitHub的Server，或者一个查询本地MySQL数据库的Server。

在能力暴露上，一个MCP Server主要向AI提供三种核心资源：

1. 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标识，比如具体的日志文件或数据库结构。
2. Tools（工具）：允许AI模型主动调用的可执行函数，例如执行一段SQL查询、抓取网页内容，甚至是发送邮件。
3. 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，提升交互效率。

它们之间的通信基于JSON-RPC 2.0格式，底层传输则通常采用stdio（用于本地Server）或SSE（Server-Sent Events，用于远程Server）机制。

它是如何起作用的？

MCP的运作流程非常直观，可以概括为以下几个步骤：

1. 初始化与能力发现：当你启动支持MCP的AI应用时，它会连接你预先配置好的MCP Server。连接建立后，Server会主动“告知”AI自己具备哪些能力，比如：“我能读取数据库，并且提供了一个叫query_db的查询工具。”
2. 接收用户指令：你向AI提出一个具体需求，例如：“帮我查一下数据库里今天新注册的用户数量。”
3. 大模型推理与决策：AI模型分析你的意图后，意识到自己并没有实时数据库信息。但它记得刚才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，并附上必要的参数（如SQL语句）。
4. 执行操作：AI应用内部的Client通过MCP协议，将这个JSON格式的请求发送给对应的MCP Server。Server接收后，便会实际连接到真实的数据库执行查询。
5. 返回并生成回答：Server将查询结果（例如“共有15名新用户”）返回给AI。AI拿到这个关键上下文后，将其组织成自然流畅的回答反馈给你：“今天数据库中共有15名新注册用户。”

整个过程，AI扮演了“聪明的大脑”和“协调者”的角色，而MCP则提供了稳定可靠的“手和脚”。

SKill是什么

在AI智能体和开发工具的语境里，我们常听到另一个词：**Skill（技能）**。这指的是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和底层工具赋予了AI“手和脚”（即基础的操作能力），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”，也就是完成一套复杂的、多步骤的任务。

Skills 的构成与价值

一个完整的Skill并非单一代码，而是多个元素的打包组合：

• 专属提示词：为AI设定特定角色和目标。例如，在“代码审查”技能中，提示词会告诉AI：“你现在是一位拥有10年经验的高级工程师，任务是找出代码中的性能瓶颈与安全漏洞。”
• 工作流编排：定义了完成任务的固定步骤。比如：先读取变更文件，再检索相关文档，接着执行本地测试，最后输出格式化的报告。
• 工具集：该技能在执行过程中被授权使用的工具列表，其中可能就包含了通过MCP接入的各种能力。

那么，为什么需要Skills？原因主要有两点：一是**降低用户使用门槛**，用户无需一步步详细指导AI，只需触发“解释代码”技能，AI就会自动走完整个分析流程；二是**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能确保AI每次处理同类任务时，都能输出高质量、格式统一的结果，减少“自由发挥”带来的不确定性。

Skills 的典型例子

在实际开发中，你可能会遇到或使用以下这些典型的Skills：

• 代码审查：自动拉取Git代码差异，分析代码规范，指出潜在Bug，并直接在代码中生成评审意见。
• 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。
• 错误诊断：当终端报错时，自动抓取日志，在代码库中搜索错误源头，甚至联网寻找解决方案，最终给出修改建议。
• 项目引导：接手新项目时，自动阅读README、梳理代码架构、定位核心入口，并生成一份清晰的项目大纲。

一个形象的总结

我们可以用一个比喻来厘清三者的关系：

• 大模型：像是一位天赋极高但缺乏经验的大学毕业生。
• Tools / MCP：像是分配给他的办公电脑、内网权限和搜索引擎。
• Skills：就像是发给他的**《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，就相当于告诉这位聪明的毕业生：“现在请翻开SOP手册的第三页，严格按照上面的五个步骤，用你手头的工具完成这份代码的审查工作。”

MCP 与 Skills (技能) 的区别和联系

要透彻理解MCP和Skills，需要从**底层基础设施**和**上层应用能力**这两个维度来区分。一言以蔽之：MCP是连接标准（如同USB接口），而Skills是AI掌握的具体本领或工作流（如同使用打印机打印文档的能力）。

1. 核心区别

2. 内在联系

尽管层级不同，但在现代AI智能体的架构中，二者是紧密协作、相辅相成的：

• 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“数据库诊断专家”Skill，其核心是一套诊断逻辑和提示词。但要真正发挥作用，它必须通过MCP连接到本地数据库去读取结构（利用Resources）和执行诊断SQL（利用Tools）。
• Skills是MCP能力的“业务封装”：MCP暴露的往往是原子化能力（如read_file, execute_bash）。对普通用户而言，直接调用这些工具既繁琐又需要专业知识。Skills则将一系列底层MCP工具和逻辑打包，形成一个连贯的、面向业务的工作流。例如，“代码审查”Skill会自动执行：用MCP拉取代码 -> 用大模型分析 -> 再用MCP提交评论。
• MCP的Prompts类似于轻量级Skills：MCP协议中包含的Prompts模块，允许服务端向AI提供预设指令模板。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

最后，再用一个厨房的比喻来加深理解：

• 基础工具：就像是各种食材和厨具（土豆、牛肉、刀、锅）。
• 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，都能用统一的方式使用灶台和厨具，而不必关心燃气管道具体如何铺设。
• Skills（技能）：就像是厨师掌握的**“土豆烧牛肉”这道菜的完整菜谱和烹饪流程**。厨师（AI）运用它的Skill（菜谱），站在标准化操作台（MCP）前，使用厨具和食材（Tools），最终为你端出一盘完美的菜肴（完成任务）。

由此可见，MCP与Skills共同构成了AI能力扩展的基石与上层建筑，一个负责“连接万物”，一个负责“智能执行”，两者结合，方能释放AI智能体的全部潜能。

来源：互联网