MCP 和 Skills：AI 世界的两大革命性技术

#ai

本文深入解析 MCP（Model Context Protocol）和 Skills 两大核心技术，阐述它们如何让 AI 从"聊天工具"进化为"数字员工"，通过统一协议连接外部世界，通过模块化技能封装专业知识，为 AI 应用开发带来革命性突破。

引言：AI 的进化时刻

想象一下，如果你想让一个超级智能的助手帮你完成一项工作——比如从数据库查询数据、生成报告、发送邮件给团队成员。在传统方式下，这需要：

为每个数据库编写专门的接口代码
为每个邮件服务开发集成功能
编写复杂的提示词引导 AI 完成任务
重复这个过程，因为每个 AI 平台都不同

这就像每次要使用不同的充电器，每换一个设备就要重新连接。这正是 AI 世界面临的"M×N 集成噩梦"——M 个 AI 模型，N 个外部系统，需要为每一对组合开发专用连接方案。

2024 年底，Anthropic 推出了 MCP（Model Context Protocol），一个开源的标准化协议，被誉为"AI 的 USB-C 接口"。几乎同时，Skills（技能） 概念开始普及，让 AI 能够像掌握专业技能一样执行复杂任务。

这两项技术正在彻底改变 AI 应用的开发方式。本文将从"是什么、为什么、怎么用"三个维度，带您全面了解这两大革命性技术。

第一部分：MCP——AI 世界的万能连接器

什么是 MCP？

MCP（Model Context Protocol） 是一个开放的标准协议，用于连接大语言模型与外部数据源和工具。它由 Anthropic 于 2024 年底发布，旨在解决 AI 模型无法直接访问外部世界的根本问题。

核心定义： MCP 是基于 JSON-RPC 2.0 的开放协议，定义了 AI 客户端、AI 模型和 MCP 服务器之间的通信方式。它提供了三种核心原语：

Tools（工具）：AI 可以调用的函数，如"查询数据库"、"发送邮件"
Resources（资源）：AI 可以访问的数据，如"本地文件"、"知识库"
Prompts（提示模板）：预定义的提示词模式，优化特定任务的执行

技术架构：

AI 客户端（如 Claude Desktop）
    │
    └─ MCP Client（协议层）
           │
           ├─ MCP Server A（连接 GitHub）
           ├─ MCP Server B（连接 PostgreSQL）
           ├─ MCP Server C（连接本地文件系统）
           └─ MCP Server N（连接自定义服务）

传输方式：

Stdio：本地进程通信，适合本地部署的服务器
SSE（Server-Sent Events）：流式传输，支持实时数据推送
HTTP：传统 HTTP 请求，适合远程服务调用

为什么需要 MCP？

解决的核心痛点：

碎片化集成问题
- 传统方法需要为每个 AI 模型和每个数据源开发专用集成
- M 个模型 × N 个数据源 = M×N 个集成任务
- 开发成本高、维护困难、难以扩展
缺乏标准化
- 不同 AI 平台的接口各不相同
- 开发者需要学习多套 API
- 难以在不同平台间迁移应用
安全性挑战
- 直接开放数据库或 API 给 AI 模型存在安全风险
- 缺乏统一的权限控制和审计机制
- 难以实现细粒度的访问控制

MCP 带来的价值：

优势维度	具体价值
标准化连接	一次开发，多平台通用，类似"AI 的 USB-C 接口"
安全性提升	通过协议隔离，避免敏感数据直接暴露；支持参数校验、权限控制
开发效率	模块化开发，像搭积木一样组合不同 MCP 服务；缩短 PoC 周期
生态繁荣	超过 12 万个 MCP 服务器资源，覆盖娱乐、监控、自动化、金融、教育等领域
跨平台兼容	Claude Desktop、Cursor、VS Code、ChatGPT 等主流平台均已支持

怎么使用 MCP？

使用场景举例：

场景 1：智能出行规划（高德地图 MCP）

传统方式：

打开高德地图，查看两地位置
在中间地带搜索咖啡馆
查看不同路线和评价

MCP 实现：

用户："在望京和中关村中间，帮我找一家咖啡馆。"

执行过程：

AI 自动调用高德地图 MCP 服务
计算两地中点位置
搜索并推荐合适的咖啡馆
返回结果给用户

一句话完成原本需要多个步骤的任务。

场景 2：数据库精准查询

对比测试：学生管理系统数据库（学生信息表、成绩表、教师表等）

查询问题	传统 RAG 方式	MCP + 数据库
身高 180-190cm 之间的女生有哪些？	精度不足，匹配模糊	精准返回符合条件的学生列表
张老师的联系方式	可能不准确	通过关联查询，精准返回教师联系方式
哪些同学期末考试比平时成绩好？	回答不完整或错误	分课程统计，列出具体学生和成绩对比

优势： MCP 支持直接执行类 SQL 操作，避免向量匹配的模糊性；支持多表关联和复杂查询。

快速入门：

安装支持 MCP 的客户端
- Claude Desktop
- Cursor（Agent 模式全面支持）
- VS Code（v1.99 版本原生支持）

配置 MCP 服务器

// Claude Desktop 配置示例
{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"]
    },
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/allowed/directory"]
    }
  }
}

开始使用
- 在对话中直接提出需求
- AI 自动判断并调用相应的 MCP 工具
- 无需编写任何代码

开发自己的 MCP Server：

# 使用 FastMCP 框架快速开发
from fastmcp import FastMCP

mcp = FastMCP("my-custom-server")

@mcp.tool()
def query_user_database(user_id: str):
    """查询用户数据库，返回用户信息"""
    # 连接数据库并查询
    user = db.query(f"SELECT * FROM users WHERE id = {user_id}")
    return user

if __name__ == "__main__":
    mcp.run(transport="stdio")

第二部分：Skills——AI 的专业技能书

什么是 Skills？

Skills（技能） 是将特定任务的方法论、执行逻辑与资源封装成模块化单元，使 AI 能够按照预设流程执行复杂任务的技术范式。它类似于传统软件开发中的"函数"，但专门为 AI 应用设计，本质上是 AI 的"岗位 SOP"（Standard Operating Procedure，标准作业程序）。

核心定义： Skills 就像是将特定的业务场景和 AI 能力封装成一个标准化的"技能包"，包含配置说明、服务实现和集成规范，能将一个通用 AI 变为精准执行特定任务的专家。

技术本质： Skills 采用"渐进式披露"（Progressive Disclosure）机制，通过分层加载信息，确保 AI 在需要时获取所需知识，同时最大化利用上下文效率。

为什么需要 Skills？

解决的核心痛点：

提示词工程繁琐
- 复杂任务需要长篇大论的提示词
- 每次对话都要重复输入相同指令
- 难以维护和团队共享
AI 执行不稳定
- 同样的任务，AI 每次执行结果不一致
- 缺乏标准化的工作流程
- 难以保证输出质量
知识难以沉淀
- 专家经验难以转化为可复用的资产
- 团队成员之间难以共享最佳实践
- 知识无法积累和迭代

Skills 带来的价值：

优势维度	具体价值
模块化	将专业知识、操作流程、工具调用方式及最佳实践全部封装
可复用	一次编写，可在多次对话中重复使用，"教一次，永久使用"
可组合	多个 Skills 可以像积木一样堆叠使用，形成复杂工作流
Token 效率	渐进式加载机制，节省 70-90% 的 Token 消耗
知识沉淀	将专家经验固化为组织资产，支持知识传承和复用

Skills 的工作机制

渐进式披露： Skills 的核心技术，通过三层加载方式平衡信息丰富度和 Token 效率。

层级	内容	加载时机	Token 消耗	作用
L1（元数据）	YAML frontmatter 中的 `name` 和 `description`	系统启动时加载	约 100 tokens	帮助 AI 快速判断何时使用该技能
L2（主指令）	SKILL.md 文件的正文内容	当技能被触发时加载	建议 < 500 行	提供技能的主要操作逻辑
L3+（附属资源）	scripts、references、assets 等	按需加载	大小不限	存储细节、模板、资源等

标准 Skill 目录结构：

your-skill-name/
├── SKILL.md              # 必须 - 主技能文件
├── scripts/              # 可选 - 可执行代码
├── references/           # 可选 - 参考文档
└── assets/               # 可选 - 模板资源

SKILL.md 示例：

---
name: code-review
description: Perform thorough code review with focus on security, performance, and best practices. Do NOT use for generating new code.
author: Your Company
version: 1.0.0
---

# 代码审查技能

## 使用场景
- Pull Request 代码审查
- 代码质量检查
- 安全漏洞识别

## 审查步骤
1. 检查代码风格和命名规范
2. 识别潜在安全漏洞（SQL 注入、XSS 等）
3. 分析性能问题和优化建议
4. 检查错误处理和边界条件
5. 提供符合项目规范的改进建议

## 输出要求
- 优先标注严重问题
- 提供具体的修复建议
- 引用相关文档或最佳实践

怎么使用 Skills？

场景举例：

场景 1：季度业务评审报告生成

传统方式：

手动收集各部门数据
使用 Excel 计算指标
使用 PowerPoint 制作报告
多次修改调整格式

使用 Skills：

用户："生成 Q4 季度业务评审报告"

执行过程：

AI 自动触发"季度报告生成"技能
从数据库查询相关数据
按照预设模板生成报告
应用企业品牌风格
输出可编辑的文档

场景 2：代码审查

用户："审查一下这个 PR"

执行过程：

AI 自动触发"代码审查"技能
从 GitHub 获取 PR 代码
按照审查流程检查代码
生成审查意见和改进建议
可以选择将评论发布到 GitHub

创建 Skills 的方法：

方法一：对话式创建（适合非技术人员）

你：我想创建一个用于分析客户反馈的技能

Claude：好的！让我先了解一些细节。你能描述一下通常包含哪些分析维度吗？

你：主要包括情感分析、问题分类、优先级排序

Claude：明白了。你有现成的模板或格式吗？

你：[上传模板]

Claude：很好。什么样的输出才算优秀？

...

Claude 会根据对话自动构建技能文件。

方法二：手动创建（适合技术人员）

# 1. 创建技能目录
mkdir -p ~/.claude/skills/my-skill

# 2. 编写 SKILL.md 文件
cat > ~/.claude/skills/my-skill/SKILL.md << 'EOF'
---
name: customer-feedback-analysis
description: Analyze customer feedback for sentiment, categorization, and prioritization
---

# 客户反馈分析技能

## 分析维度
- 情感分析（正面/负面/中性）
- 问题分类（产品/服务/体验）
- 优先级排序（紧急/重要/一般）

## 分析步骤
1. 读取反馈文本
2. 进行情感分析
3. 分类问题类型
4. 根据严重程度排序
5. 生成分析报告

## 输出格式
- 情感分布图表
- 问题分类统计
- 优先级清单
- 改进建议
EOF

# 3. 重启 Claude Desktop，技能自动加载

最佳实践：

描述要具体（用英文写 description）

# ❌ 不推荐：太模糊
description: 帮我写代码

# ✅ 推荐：具体明确
description: Generate React components with TypeScript and Tailwind CSS following atomic design principles

提供示例和模板
- 在 examples/ 目录中提供典型输出示例
- 上传已有的高质量模板作为参考
明确质量标准
- 定义成功的指标和验收标准
- 说明什么是"好"的输出结果
多个 Skill 组合使用
- 将复杂任务分解为多个 Skills
- 每个 Skill 专注一个特定功能

第三部分：MCP vs Skills——它们有什么区别？

一句话定位

MCP 解决 "连接" 问题：让 AI 能访问外部系统（数据库、API、文件）
Skills 解决 "方法论" 问题：教 AI 如何完成某类任务（代码审查、数据分析流程）

比喻：

MCP 是 AI 的 "手"（能触碰外部世界）
Skills 是 AI 的 "技能书"（知道怎么做某件事）

详细对比

维度	MCP	Skills
核心作用	连接外部系统、数据源	封装专业知识与工作流程
架构层级	集成层	提示/知识层
协议基础	基于 JSON-RPC 2.0 的开放协议	文件系统 + Markdown 文件
跨平台支持	✅ 是（Anthropic、OpenAI、Google、Microsoft 等）	❌ 否（目前主要为 Anthropic 生态专属）
触发方式	持久连接，工具随时可用	基于语义匹配自动触发
Token 消耗	较高（工具定义常驻上下文）	较低（渐进式加载）
外部访问能力	可直接调用外部 API、数据库	不能直接访问，需配合 MCP
开发复杂度	较高（需实现 MCP Server）	较低（编写 Markdown 文件即可）
典型使用场景	查询数据库、调用 GitHub API	代码审查、数据报告生成

结合使用的威力

示例：Review PR #456 并按团队规范给出建议

1. [MCP] 从 GitHub 获取 PR 数据
2. [Skills] 提供代码审查的方法论
3. [AI] 按 Skills 指引分析代码
4. [MCP] 将审查结果提交至 GitHub

关系说明：

MCP 和 Skills 不是竞争关系，而是互补
MCP 在集成层提供能力，让 AI 能访问数据
Skills 在知识层提供指导，教 AI 如何处理数据
两者结合，可以实现强大的自动化工作流

第四部分：生态与应用现状

MCP 生态

支持平台：

Claude Desktop（Anthropic 官方）
ChatGPT（OpenAI）
VS Code / VS Code Insiders
Cursor
Windsurf、Zed、Cline

主流 MCP Servers：

GitHub MCP Server（官方）
Oracle Autonomous Database MCP Server
Dify MCP Server（工作流插件）
40+ 个社区开发的 MCP Server

开发工具：

FastMCP（Python 框架）
MCP SDK（多语言支持）
MCP Inspector（调试和监控工具）

Skills 生态

平台支持：

Claude Skills（Anthropic 官方，2025 年 10 月推出）
WorkBuddy Skills（腾讯，超过 20 种内置技能）
Microsoft Azure OpenAI Skills Orchestrator
GitHub Marketplace（1282+ 个 AI 相关 Actions）

市场数据：

SkillsLLM 市场：1,436 个技能
Awesome Agent Skills：精选列表
Claude Marketplace：20+ 个官方 Skills

热门 Skills：

技能名称	安装量	功能描述
find-skills	343.7K	帮助发现和安装其他 Skills
vercel-react-best-practices	173.3K	React 和 Next.js 性能优化指南
n8n	178K	可视化工作流自动化平台
gemini-cli	97K	将 Gemini AI 能力集成到终端

应用领域

1. 开发者工具链

VS Code 原生支持 MCP 协议
Cursor、Claude Code 等 IDE 集成
自动化代码审查、测试生成

2. 数据库与数据分析

MySQL、MongoDB、Oracle 等数据库集成
精准查询替代传统 RAG 检索
支持多表关联和复杂查询

3. 地图与位置服务

高德地图 MCP：智能出行规划
实时交通、路线查询

4. 内容创作与媒体

Notion MCP Server：页面编辑
Figma MCP Server：设计生成
自媒体内容创作辅助

5. 网页部署与开发

腾讯 Pages MCP：一句话完成网页部署
Firecrawl MCP Server：网页抓取
GitHub MCP Server：自动化工作流

6. 通信与协作

Slack、Email MCP：消息管理
钉钉、企业微信集成

7. 金融服务

股票查询、交易分析
风险控制、实时监控

8. 教育与培训

个性化学习路径推荐
智能批改和反馈
儿童趣味学习工具

9. 医疗健康

银发养生小贴士
健康数据分析
患者数据查询

第五部分：安全与最佳实践

MCP 安全考虑

已知风险：

提示注入攻击：恶意提示注入可能导致私有代码库数据泄露
工具投毒：攻击者可在公共仓库中隐藏恶意指令

防护策略：

最小权限原则：API KEY 仅具备执行必要操作的最低权限
环境隔离：开发、测试与生产环境使用独立的 KEY
动态权限控制：限制 Agent 访问权限
日志过滤：过滤敏感字段输出
环境变量存储：从环境变量动态加载 KEY

# 推荐配置示例
export MCP_API_KEY="sk_abc123xyz..."
node server.js

Skills 安全机制

沙盒环境：所有技能运行在安全的沙盒环境中
权限控制：allowed-tools 字段限制可用工具
命名限制：禁止名称以 "claude" 或 "anthropic" 开头

最佳实践总结

对于 MCP：

优先使用官方或可信的 MCP Server
定期更新 MCP SDK 和相关依赖
监控 MCP 连接的 Token 消耗
为企业环境配置专门的 MCP 服务器

对于 Skills：

用英文写 description，提高触发准确率
提供清晰的示例和模板
明确输出要求和质量标准
使用"反向排除"让 Skill 更精准
多个 Skill 组合使用，形成工作流

第六部分：未来展望

发展趋势

MCP 方向：

协议标准化进一步完善
更多 AI 框架和工具的原生支持
安全机制的持续增强
云原生部署能力的提升

Skills 方向：

跨平台统一的技能标准
AI 辅助技能生成和优化
Skills as a Service（技能即服务）
企业级技能市场的形成

2025-2026 路线图重点

MCP：Streamable HTTP 传输机制全面推广、UI 框架扩展、生态系统持续扩展
Skills：开放标准的进一步完善、跨平台兼容性增强、智能化提升

对开发者的影响

短期（2025 年）：

学习 MCP 和 Skills 的基础概念
尝试使用现有的 MCP Servers 和 Skills
为自己的业务场景开发定制化的解决方案

中期（2026 年）：

参与 MCP 和 Skills 的开源社区
开发高质量的 MCP Server 和 Skills
构建企业级的 AI 工作流和自动化系统

长期（2027 年及以后）：

MCP 成为 AI 集成的通用标准
Skills 形成繁荣的生态系统
AI 真正成为"数字员工"，承担复杂任务

结论

MCP 和 Skills 正在彻底改变 AI 应用的开发方式。它们分别解决了 AI 世界的两个根本问题：

MCP：让 AI 能够连接外部世界，从"聊天工具"进化为"行动者"
Skills：让 AI 能够掌握专业技能，从"通用助手"进化为"专家"

这两项技术不是孤立的，而是互补的。MCP 提供了连接外部系统的能力，Skills 提供了专业知识的封装。当两者结合，AI 就能够：

访问各类数据源和服务（MCP）
按照专业流程处理数据（Skills）
执行多步骤的复杂任务（两者结合）

这标志着 AI 从"被动回答问题"到"主动完成任务"的质变。对于开发者来说，这意味着：

开发效率大幅提升
能够快速构建复杂的 AI 应用
AI 真正成为生产力工具，而不仅仅是新奇的技术

行动建议：

如果你是开发者：立即开始学习 MCP 和 Skills，尝试为你的业务场景开发定制化解决方案
如果你是企业决策者：关注 MCP 和 Skills 的发展，考虑如何将它们应用于企业的数字化转型
如果你是技术爱好者：加入开源社区，参与 MCP 和 Skills 的生态建设

AI 的时代已经到来，而 MCP 和 Skills 正是打开这扇大门的钥匙。让我们一起迎接 AI 的下一波浪潮！

引言：AI 的进化时刻

第一部分：MCP——AI 世界的万能连接器

什么是 MCP？

为什么需要 MCP？

怎么使用 MCP？

第二部分：Skills——AI 的专业技能书

什么是 Skills？

为什么需要 Skills？

Skills 的工作机制

怎么使用 Skills？

第三部分：MCP vs Skills——它们有什么区别？

一句话定位

详细对比

结合使用的威力

第四部分：生态与应用现状

MCP 生态

Skills 生态

应用领域

第五部分：安全与最佳实践

MCP 安全考虑

Skills 安全机制

最佳实践总结

第六部分：未来展望

发展趋势

2025-2026 路线图重点

对开发者的影响

结论

参考资料