MCP 与 Skills让 AI 从“会聊天”变成“会干活” 最近学习 AI Coding 工具时经常会看到几个词MCP、插件、Skills。刚开始很容易把它们混在一起好像都是给 AI 扩展能力的东西那到底有什么区别什么时候用 MCP什么时候用 Skill插件又夹在中间干什么读完这一节后我对它们的理解变得清晰很多MCP 解决“AI 能不能连接外部世界”的问题Skills 解决“AI 能不能记住工作流程”的问题而插件则更像是把这些能力打包好的一键安装方案。一句话概括MCP 让 AI 够得到外部服务Skills 让 AI 记得住你的做事方法插件让这些能力更容易安装和分发。1. 为什么需要扩展 AI 的能力在普通对话里AI 看起来很聪明但它其实有明显边界。比如你让它帮我查一下 PostgreSQL 数据库里最近 7 天新增了多少用户。如果没有额外工具AI 只能说我没有访问数据库的能力。再比如你每次提交代码前都要让 AI 做一套固定检查先跑测试再检查类型错误再看有没有 console.log最后检查安全问题。这件事 AI 能做但问题是每次新开会话你都得重新说一遍。所以 AI Coding 不只是“模型变聪明”这么简单还需要两类扩展一类是连接外部工具和数据一类是沉淀固定流程和经验。前者对应 MCP后者对应 Skills。2. MCP给 AI 接一根“数据线” MCP 的全称是Model Context Protocol可以理解为模型上下文协议。它的作用是让 AI 连接外部服务比如数据库、API、文件系统、GitHub、Figma、浏览器、搜索工具等。原文把 MCP 比作一根“数据线”一头连着 AI一头连着外部服务没有这根线AI 再聪明也碰不到外部数据。比如AI —— MCP —— PostgreSQL AI —— MCP —— GitHub AI —— MCP —— Figma AI —— MCP —— Web Search有了 MCP 之后你就可以让 AI 做这些事查询 PostgreSQL获取最近 7 天的注册用户数 查看 GitHub 仓库最近 5 个 PR 搜索 Next.js 最新特性 读取某个文档链接并总结内容MCP 的重点不是“让 AI 更会推理”而是让 AI 有权限、有通道去访问外部世界。所以它适合这些场景场景是否适合 MCP查询数据库适合调用外部 API适合读取 GitHub 仓库适合读取网页和文档适合执行固定代码审查流程不一定Skills 更适合写一次性页面修改需求不需要直接自然语言即可原文也强调不是所有任务都需要扩展。读取项目文件、运行命令、实现一个普通功能很多时候 AI 内置工具已经够用只有当任务涉及数据库、外部 API、网络搜索、外部服务时才需要 MCP 或插件。3. 插件更省事的扩展容器 在 MCP 和 Skills 之间还有一个很实用的东西插件。插件可以理解为一个扩展包。它里面可以包含很多东西比如插件 ├── Commands 斜杠命令 ├── Agents 子代理 ├── Hooks 钩子 ├── Skills 技能 └── MCP Servers 配置也就是说插件不是和 MCP、Skills 平级竞争的东西而更像是一个分发容器。一个插件里可以打包 MCP也可以打包 Skills还可以打包命令、Agent 和 Hooks。原文中给出的插件结构里插件目录可以包含skills/和.mcp.json说明插件本身可以同时承载技能和 MCP 配置。所以新手更推荐先用插件因为插件通常更省事想快速试试用插件 需要细调参数手动配 MCP 团队要统一工具插件或 MCP 都可以举个例子你想让 AI 连接 PostgreSQL。用插件可能是/plugin 搜索 postgres 安装 完成用 MCP 可能是找配置文档 编辑 .mcp.json 检查格式 重启工具 验证连接功能可能差不多但插件降低了上手成本。原文的建议也很直接先用插件发现不够用再换 MCP。4. Skills让 AI 记住你的工作流 如果说 MCP 解决的是“连接外部服务”那 Skills 解决的就是“沉淀工作流程”。原文用了一个很形象的比喻AI 像一个能力很强但每天早上都会失忆的实习生。你昨天教了它代码审查流程今天新开会话又要重新教一遍。Skills 就像贴在墙上的操作清单AI 每次做这类任务时都能照着执行。比如你每天都要写日报格式固定日期 今日完成 遇到的问题 明日计划没有 Skill 时你每次都要描述格式。有了 Skill 后你可以把格式写进SKILL.md以后只需要说帮我写今天的日报。AI 就会自动按照你的固定格式输出。这就是 Skills 的核心价值把一次性的提示词变成可复用的工作流资产。5. Skills 和普通脚本有什么区别一开始我以为 Skills 就是“脚本的自然语言版本”但其实不是。脚本更像刚性流程步骤 1 步骤 2 步骤 3只要中间环境不满足脚本可能就会报错退出。Skills 更像指导原则。它告诉 AI 应该怎么做但允许 AI 根据实际情况调整。比如一个代码审查 Skill 要求“检查测试覆盖率”但当前项目还没有测试框架。脚本可能会卡住但 AI 可以继续检查类型、安全、代码风格然后提醒你“这个项目还需要先配置测试框架”。原文也指出Skills 和传统自动化脚本的区别就在于脚本更刚性Skills 更柔性。这也是 Skills 很适合 AI Coding 的原因。AI 写代码时经常会遇到不确定情况项目结构不同、技术栈不同、依赖不同、错误不同。如果流程太死反而不好用如果只是自然语言提醒又容易被忘掉。Skills 正好处在中间既能固化经验又保留模型的灵活判断。6. MCP 和 Skills 的本质区别可以用一句话区分MCP 管“能不能访问”Skills 管“应该怎么做”。更具体地看对比项MCPSkills解决问题连接外部工具和数据固化工作流程典型对象数据库、API、GitHub、Figma、网页代码审查、测试流程、日报、文档生成核心价值给 AI 外部能力给 AI 长期经验触发方式配好后由 AI 调用外部工具AI 根据描述自动判断或通过命令触发更像什么数据线 / 接口操作清单 / 工作手册是否适合复用复用连接能力复用做事方法举个具体例子你说帮我检查这个项目最近一次 PR 的质量。这件事可能同时用到 MCP 和 Skill。MCP 负责连接 GitHub 读取 PR 文件变更 获取评论和 CI 状态Skill 负责按照固定审查流程检查代码 先看功能正确性 再看类型安全 再看测试覆盖 最后输出 Markdown 表格所以真正高效的 AI 工作流往往不是 MCP 或 Skills 二选一而是组合使用MCP 提供外部上下文 Skills 提供执行规范 插件降低安装成本7. 什么时候该创建自己的 Skill不是所有任务都值得写 Skill。判断标准很简单只要你发现自己在反复说同一套要求就可以考虑写 Skill。比较适合创建 Skill 的场景包括场景适合原因每天重复同样格式的任务一次配置长期复用代码审查流程固定避免每次重新描述团队输出格式要统一放到项目目录全员共享文档生成有固定结构保持跨会话一致性实验记录、论文笔记格式固定特别适合科研和学习场景比如可以为自己的学习和项目创建这些 Skillspaper-reading-skill读论文时固定总结研究问题、方法、创新点、实验设置和不足 code-review-skill提交前检查类型、测试、安全和可维护性 experiment-log-skill整理训练配置、指标、loss 曲线和下一步计划 blog-polish-skill把技术笔记润色成适合发布的博客对我来说Skills 最有价值的地方不是“自动化”而是把自己的经验沉淀下来。以前经验散落在一次次对话里会话结束就没了现在可以写进SKILL.md变成长期可复用的工作流。8. Skill 的基本结构一个 Skill 通常由SKILL.md定义核心包括name和description再加上具体指令、示例和限制。一个简化结构类似这样--- name: code-review description: Use when reviewing code changes before commit or pull request. --- # Code Review ## Instructions 1. Run tests if available. 2. Check type safety. 3. Check security risks. 4. Check readability and maintainability. 5. Output findings as a Markdown table. ## Output Format | Level | Problem | Suggestion | |---|---|---|这里最关键的是description。因为 AI 是否会自动调用这个 Skill很大程度取决于描述是否清楚。原文也提到如果 AI 没有自动使用 Skill应该优先检查description字段描述越具体AI 越容易判断什么时候该用它。比如代码审查工具就比较模糊。更好的写法是Use when the user asks to review code before commit or PR. It checks type safety, tests, security risks, and outputs a Markdown table.它明确说明了三个信息什么时候用 检查什么 输出什么格式9. 安全别让 AI 拿到不该拿的权限 ⚠️MCP 和 Skills 都很强但越强越要注意权限。MCP 连接的是外部服务所以一定要谨慎授权。比如数据库 MCP 最好使用只读账号不要直接给生产数据库写权限文件系统 MCP 只开放必要目录不要开放根目录GitHub MCP 尽量使用有期限、最小权限的 token。原文也专门提醒MCP、插件和 Skills 都需要做好权限控制。Skills 也要注意工具权限。比如一个只负责读取文件的 Skill就不应该拥有修改文件或执行危险命令的能力。可以通过allowed-tools限制它能使用的工具。例如--- name: safe-file-reader description: Read files without making changes. Use when read-only file access is needed. allowed-tools: Read, Grep, Glob ---这个思路很重要不要为了方便把所有权限都交出去。AI Coding 里的安全原则可以概括成三句话能只读就不要写入 能限定目录就不要开放全盘 能最小权限就不要全权限尤其是 API Key、数据库连接字符串、GitHub Token 这些敏感信息千万不要直接写进仓库。10. 我的理解MCP、插件、Skills 是 AI Coding 的三层扩展体系学完这一节后我觉得可以把它们看成三层插件最容易安装的扩展入口 MCP连接外部工具和数据的协议 Skills沉淀个人或团队工作流的能力包对于新手来说最合理的路线不是一上来就自己写 MCP Server 或设计复杂 Skill而是先用内置能力 再安装现成插件 然后配置必要 MCP 最后沉淀自己的 Skills这和原文的建议也一致能用内置能力就不要扩展能用插件就不要手动配置熟悉之后再根据需求配置 MCP 或创建 Skills。总结MCP 和 Skills 都是 AI Coding 走向 Agent 化的重要能力但它们解决的问题完全不同。MCP 让 AI 连接外部世界。它解决的是“AI 能不能访问数据库、GitHub、网页、API、Figma”等问题。Skills 让 AI 记住工作方法。它解决的是“AI 能不能稳定按照我的流程做事不要每次都重新教”的问题。插件让扩展变得更简单。它把 MCP、Skills、Commands、Agents、Hooks 等能力打包起来降低安装和使用门槛。最终可以这样记MCP 给 AI 接工具 Skills 给 AI 写说明书 插件 把工具和说明书打包安装对个人开发者来说MCP 能让 AI 真正参与项目上下文Skills 能把自己的经验沉淀为可复用资产。一个负责“连接”一个负责“规范”组合起来AI 才不只是一个会回答问题的聊天助手而更像一个能持续协作的开发伙伴。✨