Skill与MCP的区别：两种扩展AI能力的方式

用 Claude Code 久了，你会发现它有两套看起来很像但本质不同的能力扩展系统：Skill 和 MCP。

很多人分不清这两者的区别，甚至把它们混为一谈。今天就来聊聊这两种扩展方式到底有什么不同。

什么是 MCP

MCP 全称 Model Context Protocol（模型上下文协议），是 Anthropic 开发的一个开放协议标准。

你可以把 MCP 理解成 AI 世界的"USB 接口"。就像 USB 让各种设备能插到电脑上一样，MCP 让各种外部工具和服务能接入 AI 模型。

MCP 服务器可以提供三种东西：

• Tools（工具）：可执行的操作，比如发邮件、查数据库、操作浏览器
• Resources（资源）：可读取的数据源，比如文档、配置文件
• Prompts（提示）：预设的提示模板

举个例子，Playwright MCP 服务器提供了一系列浏览器操作工具：

browser_navigate    - 导航到指定 URL
browser_click       - 点击页面元素
browser_type        - 在输入框中输入文字
browser_snapshot    - 获取页面快照
browser_screenshot  - 截取页面截图
...

每个工具都有明确的输入参数和输出格式。AI 通过调用这些工具来完成任务，就像程序员调用 API 一样。

什么是 Skill

Skill 是 Claude Code 特有的概念，翻译过来就是"技能"。

如果说 MCP 是"工具箱里的工具"，那 Skill 就是"使用这些工具的手艺"。

一个 Skill 本质上是一组指令、知识和工作流程的组合。它告诉 AI：

• 遇到什么场景该怎么做
• 有哪些注意事项和最佳实践
• 应该用什么工具、按什么顺序
• 输出应该是什么格式

比如 commit 这个 Skill，它不只是调用 git 命令那么简单。它包含了：

• 如何分析代码变更
• 怎样写出好的 commit message
• 什么时候应该拆分成多个 commit
• 敏感文件的处理规则
• 输出格式的规范

再比如 pdf Skill，它封装了处理 PDF 文档的完整知识体系：从读取、解析、提取内容，到生成、合并、填表，各种场景都有对应的处理策略。

核心区别

用一个类比来理解：

• MCP 工具 就像乐高积木——标准化的基础组件
• Skill 就像乐高说明书——告诉你怎么把积木拼成一个具体的东西

从实际例子看区别

例子1：创建 Git Commit

纯 MCP 方式： 你需要手动告诉 AI 每一步该做什么——先执行 git status，再执行 git diff，然后分析变更，最后执行 git commit。每一步都是独立的工具调用。

使用 Skill 方式： 输入 /commit，Skill 自动接管整个流程。它知道应该先查看状态、分析变更、生成符合规范的 commit message，最后执行提交。你只需要确认。

例子2：处理 PDF 文档

纯 MCP 方式： 你可能需要调用多个工具：文件读取工具、PDF 解析工具、文本提取工具…每个工具的调用方式和参数格式都不同，AI 需要逐个学习。

使用 Skill 方式： /pdf Skill 封装了所有 PDF 处理相关的知识。不管你是要读取、提取、合并还是生成 PDF，Skill 都知道应该用什么方法、注意什么问题。

上下文管理的差异

这是两者最关键的区别之一。

MCP 工具的上下文占用是"硬性"的。

当你连接一个 MCP 服务器，它所有工具的定义（名称、描述、参数格式）都会被加载到上下文中。工具越多，占用越大。而且这些定义是常驻的，不管你用不用，它们都在那里。

Skill 的上下文管理是"弹性"的。

Skill 支持懒加载：平时只在上下文中保留简短的触发词和描述，真正要用时才加载完整内容。用完后，详细指令可以从上下文中移除，只保留执行结果。

这就像：

• MCP 是把所有工具说明书都摊在桌上
• Skill 是把说明书放在抽屉里，需要时才拿出来看

当你的 AI 需要接入大量工具时，这个差异会变得非常显著。

什么时候用 MCP，什么时候用 Skill

优先使用 MCP 的场景：

• 需要与外部服务交互（数据库、API、浏览器等）
• 任务是标准化的原子操作
• 需要让多个 AI 应用共享同一套工具

优先使用 Skill 的场景：

• 任务有固定的工作流程
• 需要封装领域知识和最佳实践
• 希望减少用户的操作步骤
• 需要精细控制上下文占用

两者结合的场景：

实际上，很多 Skill 内部就是在调用 MCP 工具。Skill 负责编排和决策，MCP 工具负责具体执行。这种组合方式能同时获得两者的优势。

总结

MCP 和 Skill 是两种不同层次的抽象：

• MCP 解决的是"AI 怎么跟外部世界交互"的问题，它是基础设施层
• Skill 解决的是"AI 怎么优雅地完成特定任务"的问题，它是应用层

理解这个区别，能帮你更好地扩展 AI 的能力：需要接入新工具时，找或写 MCP 服务器；需要让 AI 掌握新"手艺"时，创建 Skill。

就像软件开发中的分层设计：底层库提供基础能力，上层框架封装最佳实践。两者各司其职，配合使用才能发挥最大价值。