AI Agent 中 Skills 与 MCP 如何分工

一份面向 2026 年 AI Agent 开发工程师的硬核指南。

故事要从这里说起

几个月前，一家金融科技初创公司的资深工程师告诉我，他们已经“从 Skills 迁移到了 MCP”。理由是什么？他们觉得 Skills“不过是花哨的 prompt engineering”。

两周后，他们的 Agent 再也无法撰写符合 SEC 合规要求的申报文件了。法律团队精心构建在某个 Skill 中的结构化推理模式，全都消失了。他们把一套思考系统替换成了一套连接系统，却没有意识到这两者根本不是一回事。

这种错误随处可见。浏览 LinkedIn 或 GitHub，你会看到很多人把 Skills 和 MCP 当成同一种东西，或者认为它们互为竞争对手，甚至觉得其中一个会取代另一个。事实并非如此。它们位于 Agent 技术栈中完全不同的层级。

下面，我来拆解一下底层究竟发生了什么。

第一部分：为什么所有人都会混淆它们

这里有一个陷阱：两者都能让你的 Agent 看起来更聪明。

在 Claude Code 中安装一个 Skill？你的 Agent 突然就能写出更好的代码。给 ChatGPT 连接一个 MCP server？你的 Agent 突然就能读取数据库。从外部来看，用户体验似乎完全一样——你输入一些内容，Agent 随即完成了一件令人惊叹的事情。

但它们的工作机制截然不同：

Skills 是认知脚手架。它们是一些 markdown 指令，用来教 LLM 如何思考某一类特定任务。它们存在于 Agent 的“大脑”中，也就是 context window 里，用于改善推理能力。

Skills 是认知脚手架。它们是一些 markdown 指令，用来教 LLM 如何思考某一类特定任务。它们存在于 Agent 的“大脑”中，也就是 context window 里，用于改善推理能力。

MCP 是一种线协议。它为 Agent 调用外部系统提供了一种标准方式——包括 API、数据库和文件系统——从而获取数据，或者在现实世界中执行操作。

MCP 是一种线协议。它为 Agent 调用外部系统提供了一种标准方式——包括 API、数据库和文件系统——从而获取数据，或者在现实世界中执行操作。

可以这样理解：Skills 是飞行员的飞行手册，MCP 是连接飞行员与空中交通管制中心的无线电。要让飞机顺利降落，两者缺一不可，但它们承担的工作完全不同。

整个生态的发展也没有帮助大家厘清概念。Anthropic 先后推出了两者：MCP 于 2024 年末推出，Skills 于 2025 年末推出。OpenAI 在 2025 年 3 月采用了 MCP，同时也支持 Agent Skills 标准。两者的营销话术都在强调“扩展你的 Agent”。难怪人们会把它们混为一谈。

第二部分：Agent Skills 到底是什么？

简单定义

Skill 就是一个包含 SKILL.md 文件的文件夹。这个文件顶部包含一些 YAML，也就是所谓的 frontmatter，下面则是 markdown 格式的指令。有时还会附带其他文件，例如脚本、参考文档和资源文件。仅此而已。没有模型，没有插件，也没有付费附加组件。它只是开源的 markdown，用来教 Agent 如何以一种可重复的方式完成专业任务。

它们解决了什么问题？

你有没有注意到，每次与 LLM 开启新对话，都像是在经历《土拨鼠之日》？模型会忘记团队的编码规范、品牌语调、法律审查清单和质量门禁。每一次，你都得从头解释所有事情。

Skills 解决的正是这个问题。它们可以封装团队知识，并在需要时自动加载。

Skills 的实际工作原理：三层系统

Skills 使用了一种叫作 progressive disclosure 的机制。它的设计目标，是在节省 token 的同时，仍能在模型需要时为其提供深度专业知识。plain

巧妙之处在于：Agent 启动时，只会读取每个 Skill 的名称和描述，每个大约占用 100 个 token。只有真正需要使用某个 Skill 时，它才会加载完整指令。

所以，即便你安装了 20 个 Skills，context window 依然能保持整洁。但当你要求 Agent 执行一项与某个 Skill 描述相匹配的任务时——砰——完整指令会立刻加载，Agent 突然就掌握了团队的确切工作流程。

SKILL.md 里面有什么？

一个典型的 Skill 如下所示：

yaml
---
name: pdf-processing
description: "Extract text and tables from PDF files, fill forms, merge documents. "
             Use when working with PDF files or when the user mentions PDFs, forms, 
             or document extraction.
---

# PDF Processing

## Quick start
Use pdfplumber to extract text from PDFs...

## Guidelines
- Always validate extracted data against source
- Preserve formatting when converting between formats

## Examples
- "Extract the pricing table from this PDF..."

frontmatter 只需要包含两项内容：名称和描述。描述就是触发器——它既告诉 Agent 这个 Skill 能做什么，也告诉 Agent 应该在什么时候使用它。

核心思想：Skills 改善的是推理，而不是能力

这是大多数人没有意识到的地方。Skill 不会为 LLM 提供新的 API，也不会增加数据库连接。它教的是模型应该如何思考某个领域的问题。

以 Anthropic 官方的 frontend-design Skill 为例。它并不是教模型使用 React——模型本来就已经懂 React。它教的是团队采用的 React 模式：用 compound components 取代 boolean props、使用显式 variants，以及优先使用 children 而不是 render props。输出质量更高，是因为思考方式变得更好了。

再比如 doc-coauthoring Skill。它并不会让 Claude 获得此前不具备的文字处理器访问能力。它教的是一套工作流程：先建立共享上下文，询问受众和范围，获取用户对大纲的确认，然后在人工参与下逐节起草。

Skills 是认知假肢。它们让模型思考得更好，却不会让模型做得更多。

第三部分：Model Context Protocol（MCP）详解

MCP 是一种开放标准，为 AI 模型连接外部工具、数据源和服务提供了统一方式。

在 MCP 出现之前，如果你希望 AI 应用与数据库通信，就得构建一个自定义连接器；如果希望它连接 Slack，又要构建一个连接器；如果还想连接 GitHub，则需要再写一个。这是一场 N×M 的噩梦——每个应用都要为每种工具编写定制代码。

MCP 就像 AI 世界里的 USB-C。只需构建一次 MCP server，任何兼容 MCP 的 client 都可以使用它。

MCP 架构中的三种角色

可以把它想象成一家餐厅：

MCP Host：你所使用的 AI 应用，例如 Claude Desktop、ChatGPT、VS Code Cursor。它就像餐厅里的顾客，负责决定要点什么。

MCP Host：你所使用的 AI 应用，例如 Claude Desktop、ChatGPT、VS Code Cursor。它就像餐厅里的顾客，负责决定要点什么。

MCP Client：Host 内部专门负责管理连接的组件，每个 server 对应一个 client。它就像服务员，把你的订单送到厨房，再把食物端回来。

MCP Client：Host 内部专门负责管理连接的组件，每个 server 对应一个 client。它就像服务员，把你的订单送到厨房，再把食物端回来。

MCP Server：实际的外部服务，例如数据库、API 或文件系统。它就像厨房，负责完成真正的工作。

MCP Server：实际的外部服务，例如数据库、API 或文件系统。它就像厨房，负责完成真正的工作。

MCP servers 会暴露三类东西：

它如何通信：Transports

MCP 使用两种通信方式：

Stdio (standard input/output)：用于在本机运行的本地工具。速度快，没有网络开销。Claude Desktop 启动本地文件系统 server 时，使用的就是这种方式。

Streamable HTTP：用于远程服务。它使用常规的 HTTP POST，并支持可选的流式传输。同时支持 OAuth、API keys 和 bearer tokens。

为什么所有人都采用了它

Anthropic 构建 MCP，是为了解决混乱的集成问题。随后，OpenAI 在 2025 年 3 月将其应用于 Agents SDK、Responses API 和 ChatGPT 桌面应用。这成为了关键转折点——突然之间，所有 MCP server 都可以服务于地球上规模最大的 AI 用户群体。

Google DeepMind 于 2025 年 4 月加入。Microsoft 则在 2025 年 3 月将其引入 Copilot Studio。到了 2025 年 12 月，Anthropic 将 MCP 捐赠给 Linux Foundation 旗下的 Agentic AI Foundation（AAIF）；该基金会由 Anthropic 与 Block、OpenAI 共同创立。截至 2026 年年中，规范版本为 2026-07-28。现在，它的核心已经实现无状态化，拥有正式的扩展机制，包括 MCP Apps 和 Tasks，并保证任何功能在弃用前至少保留 12 个月。

第四部分：并列比较

第五部分：它们究竟如何协同工作

下面是一个同时使用两者的真实生产工作流：

用户提出一个问题。

Agent 发现 SEC Filing Review Skill 与该问题相匹配，于是加载完整指令。现在，它掌握了包含 12 个步骤的审查流程、风险信号检查清单以及输出格式。

Skill 要求“首先获取最新的 10-K”。Agent 知道自己需要外部数据。

Host 检查已经连接的 MCP servers，并找到 EDGAR API server。

Agent 使用股票代码 AAPL 调用该 server。server 负责处理身份验证、速率限制和 API 格式转换。

server 返回原始申报文件。这是实时的真实数据，而不是训练数据。

接下来，Skill 会指导 Agent 如何分析这些数据——哪些风险因素值得关注、如何进行同比比较，以及哪些语言模式可能预示问题。

Agent 返回一份符合团队法律规范的结构化分析。

Skill 提供方法论，MCP server 提供数据。

没有 Skill，模型可能会毫无章法地分析申报文件。没有 MCP，模型就只能受困于陈旧的训练数据，根本无法访问最新的申报文件。

第六部分：真实案例

案例一：GitHub Assistant

Skill 确保 PR 描述符合团队规定的格式。MCP server 则真正创建 PR。

案例二：Travel Agent

Skill 可以阻止 Agent 为两小时的航班预订商务舱。MCP server 则负责查找实际可用的航班。

案例三：客户支持

Skill 确保回复富有同理心，并与品牌风格保持一致。MCP server 则拉取客户真实的工单历史。

第七部分：当下正在发生什么（2025—2026）

Agent 基础设施领域正在飞速发展。以下是已经真实发生的事情：

Agent Skills 已经成为开放标准。Anthropic 于 2025 年 12 月在 agentskills.io 发布了该规范。大约 40 个 client 已经采用它，包括 GitHub Copilot、VS Code、Cursor、OpenAI Codex、Gemini CLI、Goose、Databricks 和 Snowflake。其 GitHub 仓库拥有约 14.9 万颗 star。

2025 年 3 月：Streamable HTTP transport、OAuth 2.1

2025 年 6 月：结构化工具输出、elicitation，以及更强的安全性

2025 年 11 月：实验性 tasks、JSON Schema 2020-12

2026 年 7 月：核心无状态化、正式的扩展框架（MCP Apps、Tasks），以及 12 个月的弃用政策

治理体系开始走向成熟。2025 年 12 月，Anthropic 将 MCP 捐赠给 Linux Foundation 旗下的 AAIF；该基金会由 Anthropic 与 Block、OpenAI 共同创立。截至 2026 年 4 月，已有超过 170 家组织加入。

MCP Apps 正式推出。2026 年 1 月，MCP servers 获得了在 client 内部的沙箱 iframe 中渲染交互式 UI 的能力。对话界面正在演变为应用界面。

企业级采用已经成为现实：

Microsoft：用于 Dynamics 365 的 MCP servers（2025 年 11 月）

Amazon：Bedrock AgentCore 正式 GA（2025 年 10 月）

Google：面向 BigQuery、Cloud Run 和 Looker 的托管 MCP servers（2025 年 12 月）

Block：内部拥有 60 多个 MCP servers，全部由公司自行构建

社区规模：官方 registry 中约有 10,000 个 servers，GitHub 上约有 16,000 个带有 mcp-server topic 的仓库，SDK 每月下载量约为 9,700 万次。

如需采取进一步行动，你可以考虑屏蔽此人和/或举报滥用行为。