在 AI Agent 生态高速发展的今天，MCP（Model Context Protocol）与 Agent Skill 已成为扩展 AI 能力的两大核心范式。但多数开发者在实际使用中容易混淆二者：明明想让 AI 访问外部数据库，却用了 Skill；想让 AI 遵循团队代码规范，却试图通过 MCP 实现。
二者看似都是“增强 AI 能力”，实则解决完全不同层面的问题——MCP 是 AI 连接外部世界的“通用接口”，Skill 是 AI 执行特定任务的“专业手册”。本文将从设计哲学、技术架构、实战场景、安全防护四个维度，深度解析二者的差异与协同逻辑，补充超详细的落地指南与扩展案例，帮你精准抉择使用场景。
一、核心定位：一句话读懂二者本质
在深入技术细节前，先建立核心认知：
- MCP 解决“连接权”问题：让 AI 突破自身数据与能力边界，安全访问外部系统（数据库、API、文件、第三方服务），相当于给 AI 装了“可扩展的双手”；
- Agent Skill 解决“方法论”问题：将特定任务的专业知识、操作流程、最佳实践封装成可复用的“知识包”，教 AI 如何高效完成任务，相当于给 AI 配了“行业专家手册”。
形象比喻：AI 要完成“分析公司上月销售数据并生成合规报告”的任务——MCP 帮 AI 连接公司的 PostgreSQL 数据库（拿到数据），Skill 教 AI 如何按财务规范筛选数据、计算指标、生成报告格式（处理数据）。
二、MCP 深度解析：AI 与外部世界的“通用协议”
1. 什么是 MCP？
MCP 是一套标准化的 AI 与外部系统交互协议，基于 JSON-RPC 2.0 构建，核心目标是打破 AI 应用与外部工具、数据源的“孤岛效应”。它就像 USB-C 接口——无论外部系统是数据库、代码仓库、监控工具，只要实现 MCP 协议，就能被支持 MCP 的 AI 应用（Claude、ChatGPT、Gemini 等）无缝调用。
2. 核心设计：三大原语与架构分层
MCP 通过“原语（Primitive）”定义 AI 与外部系统的交互方式，核心包含三类原语，覆盖“操作、数据、指令”全场景：
（1）三大核心原语（附扩展示例）
| 原语类型 | 核心作用 | 详细示例（JSON） | 适用场景 |
|---|---|---|---|
| Tools（工具） | AI 可主动调用的执行函数 | |
数据库查询、API 调用、文件操作、第三方服务交互（如创建 GitHub Issue） |
| Resources（资源） | 应用为 AI 提供的上下文数据 | ` | 文档解析、数据导入、配置文件加载（用户通过 @` 引用资源） |
|
| Prompts（提示） | 用户触发的结构化指令模板 | |
代码审查、文档生成、数据可视化等需要固定流程的任务（用户通过斜杠命令触发） |
（2）架构分层：Client-Host-Server 三元模型
MCP 的架构设计确保了“一次实现，多端复用”，核心分为三层：
- Host（宿主应用）：用户直接交互的 AI 工具（如 Claude Code、Cursor、Windsurf），负责管理 MCP Client 与 AI 模型的通信；
- Client（客户端组件）：嵌入 Host 中的轻量组件，负责与特定 MCP Server 建立连接、发送请求、解析响应，屏蔽协议细节；
- Server（服务端桥梁）：对接外部系统的适配层（如 PostgreSQL MCP Server、GitHub MCP Server），实现 MCP 协议与外部系统 API 的转换。
扩展架构图：
┌─────────────────────────────────────────────────────────────┐
│ Host (Claude Code) │
│ ┌─────────────┐ ┌─────────────┐ ┌─────────────┐ │
│ │ MCP Client │ │ MCP Client │ │ MCP Client │ │
│ │ (PostgreSQL)│ │ (GitHub) │ │ (Sentry) │ │
│ └──────┬──────┘ └──────┬──────┘ └──────┬──────┘ │
└─────────┼────────────────┼────────────────┼───────────────┘
│ │ │
▼ ▼ ▼
┌────────────────┐ ┌────────────────┐ ┌────────────────┐
│ MCP Server │ │ MCP Server │ │ MCP Server │
│ (PostgreSQL) │ │ (GitHub) │ │ (Sentry) │
│ - 协议转换 │ │ - 认证授权 │ │ - 日志查询 │
│ - SQL执行 │ │ - Issue管理 │ │ - 错误分析 │
│ - 结果格式化 │ │ - 代码拉取 │ │ - 修复建议 │
└──────┬─────────┘ └──────┬─────────┘ └──────┬─────────┘
│ │ │
▼ ▼ ▼
┌────────────────┐ ┌────────────────┐ ┌────────────────┐
│ PostgreSQL数据库│ │ GitHub API │ │ Sentry API │
└────────────────┘ └────────────────┘ └────────────────┘3. 传输方式与认证机制（扩展细节）
| MCP 支持两种核心传输方式，适配不同场景： | 传输方式 | 适用场景 | 技术细节 | 认证方式 |
|---|---|---|---|---|
| Stdio | 本地工具（如本地脚本、文件系统） | 基于标准输入输出流通信，低延迟、无网络依赖 | 本地权限校验（如文件读写权限） | |
| HTTP/SSE | 远程服务（如 GitHub、Sentry） | 基于 HTTP 协议传输 JSON-RPC 请求，支持流式响应（SSE 用于实时数据） | OAuth2.0、API 密钥、JWT 令牌 |
实战补充：搭建一个简单的 PostgreSQL MCP Server（Python 示例），核心代码如下：
# 基于 jsonrpcserver 实现 MCP Server
from jsonrpcserver import Success, method, serve
import psycopg2
from psycopg2.extras import RealDictCursor
# 数据库连接配置
DB_CONFIG = {
"dbname": "sales_db",
"user": "mcp_user",
"password": "secure_pass",
"host": "localhost"
}
# 实现 MCP Tools 原语：查询用户订单
@method
def query_user_orders(user_id: str, start_date: str, end_date: str):
conn = psycopg2.connect(**DB_CONFIG)
with conn.cursor(cursor_factory=RealDictCursor) as cur:
cur.execute("""
SELECT order_id, amount, create_time
FROM orders
WHERE user_id = %s AND create_time BETWEEN %s AND %s
""", (user_id, start_date, end_date))
results = cur.fetchall()
conn.close()
return Success({"orders": results})
if __name__ == "__main__":
# 启动 MCP Server，监听 5000 端口（HTTP 传输）
serve("localhost", 5000)4. MCP 的优缺点（深度分析）
优点：
- 标准化复用：同一 MCP Server 可在所有支持 MCP 的 AI 工具中使用（如 Claude、ChatGPT），无需重复开发；
- 动态发现：AI 运行时可自动识别可用工具，无需硬编码工具列表；
- 权限可控：通过 MCP Server 统一管理外部系统访问权限，支持细粒度控制（如只读、只写）。
缺点：
- Token 消耗高：每个 MCP Server 的工具定义（如参数描述、功能说明）会持久占用上下文，连接 10 个 MCP Server 可能消耗上万 Token；
- 维护成本高：需独立部署和维护 MCP Server，处理网络中断、认证过期等问题；
- 安全风险：第三方 MCP Server 可能存在恶意代码执行风险，或通过外部数据注入恶意指令。
三、Agent Skill 深度解析：AI 的“专业知识包”
1. 什么是 Agent Skill？
Agent Skill 是 Anthropic 推出的“知识与流程封装方案”，本质是一套结构化的“任务执行手册”——包含元数据、核心指令、参考文档、辅助脚本等，AI 可根据用户请求自动匹配并加载，按手册完成复杂任务。
它与 MCP 的核心区别在于层级：Skill 位于“提示/知识层”，不直接访问外部系统，而是通过注入专业知识优化 AI 的决策与执行流程；MCP 位于“集成层”，负责实际的外部交互。
2. 核心设计：渐进式信息公开（扩展细节）
Skill 最革命性的设计是渐进式加载（Progressive Disclosure），解决了传统上下文管理的“Token 浪费”问题。其核心逻辑是“按需加载信息”，而非一次性将所有内容注入上下文：
| 加载层级 | 内容 | Token 占用 | 加载时机 |
|---|---|---|---|
| 第 1 层 | 元数据（名称、描述、触发关键词） | ~100 Token | 会话启动时自动加载（所有 Skill 共享） |
| 第 2 层 | 核心指令（任务流程、关键规则） | ~5k Token | AI 语义匹配成功后加载 |
| 第 3+ 层 | 支持文件（参考文档、辅助脚本、模板） | 按需加载（每个文件 ~1-10k Token） | 执行任务时需要特定知识/工具时加载 |
Token 消耗对比示例：
- 传统方式（如 MCP 工具定义）：10 个工具 → 约 5k Token 永久占用上下文；
- Skill 方式：10 个 Skill → 仅 10×100=1k Token 永久占用，执行时仅加载当前任务所需的 5k Token，总计节省 ~4k Token。
3. 文件结构与触发机制（实战扩展）
（1）标准化文件结构（含详细说明）
一个生产级 Skill 的完整结构如下，每个文件都有明确分工：
sales-analysis-skill/
├── SKILL.md # 必需：元数据 + 核心指令（500 行以内）
├── reference.md # 可选：详细参考（如指标计算规则、SQL模板）
├── examples.md # 可选：成功案例（如过往销售分析报告示例）
├── scripts/
│ └── data_clean.py # 可选：辅助脚本（如数据清洗、格式转换）
└── templates/
└── report_template.md # 可选：输出模板（如分析报告的 Markdown 模板）核心文件 SKILL.md 示例（扩展版）：
---
name: sales-analysis
description: >
分析销售数据，生成包含核心指标（销售额、客单价、增长率）、趋势图表、异常分析的报告。
适用场景：销售数据复盘、月度业绩汇报、异常波动排查。
触发关键词："销售分析"、"业绩复盘"、"销售额趋势"、"客单价计算"、"销售异常分析"
allowed-tools: ["Read", "QueryDatabase", "GenerateChart"] # 限制可用工具
version: "1.0"
author: "AI 研发团队"
---
# 销售分析 Skill 执行手册
## 核心流程（必须严格遵循）
1. **数据准备**
- 优先通过 QueryDatabase 工具获取指定时间范围的销售数据，必填字段：order_id、user_id、amount、create_time、product_category；
- 若数据缺失，通过 Read 工具加载本地 Excel 备份文件（路径：s3://company-data/sales/backup.xlsx）；
- 调用 scripts/data_clean.py 脚本清洗数据（去除空值、过滤测试订单）。
2. **指标计算**
- 基础指标：总销售额（SUM(amount)）、订单数（COUNT(order_id)）、客单价（总销售额/订单数）；
- 趋势指标：日/周/月销售额增长率（与上月同期对比）；
- 分类指标：各产品品类销售额占比、Top10 高价值用户贡献度。
3. **异常分析**
- 识别销售额波动超过 ±30% 的时间段，排查原因（如促销活动、供应链问题）；
- 标记客单价异常高/低的订单（超出平均值 ±2 倍标准差）。
4. **报告生成**
- 使用 templates/report_template.md 模板；
- 调用 GenerateChart 工具生成趋势图（折线图）、占比图（饼图）；
- 报告需包含：核心指标、趋势分析、异常说明、改进建议。
## 注意事项
- 数据时间范围默认取近 30 天，用户未指定时需主动确认；
- 避免使用专业术语，报告需面向非技术人员（如销售经理）；
- 若增长率为负，需在建议部分给出至少 2 条可执行的改进措施。（2）触发机制：语义匹配的底层逻辑
Skill 的触发无需用户显式调用，AI 会通过以下流程自动匹配：
- 扫描阶段：会话启动时，AI 读取所有 Skill 的元数据（第 1 层），建立“关键词- Skill”映射；
- 匹配阶段：用户输入后，AI 进行语义分析，提取核心意图（如“分析 1 月销售额趋势”），与 Skill 描述中的触发关键词、场景匹配；
- 置信度判断：只有匹配置信度 ≥ 0.7（Anthropic 内部阈值）时，才加载第 2 层核心指令；
- 执行阶段：按 Skill 指令执行任务，如需详细参考或脚本，再加载第 3+ 层文件。
4. Skill 的优缺点（深度分析）
优点：
- Token 效率极高：渐进式加载避免无效信息占用上下文，支持海量 Skill 共存；
- 易用性强：仅需编写 Markdown 和简单脚本，无需理解复杂协议；
- 标准化流程：将团队最佳实践固化为 Skill，确保任务执行一致性（如代码审查、报告生成）。
缺点：
- 跨平台受限：目前仅支持 Anthropic 生态（Claude Code、Claude Agent SDK），不支持 OpenAI、Gemini；
- 无法直接访问外部系统：需依赖 MCP 或 AI 内置工具（如 Read、QueryDatabase）；
- 安全风险：恶意 Skill 可能在辅助脚本或参考文档中隐藏恶意指令（如窃取敏感数据）。
四、MCP 与 Agent Skill 的底层逻辑对比
1. 核心维度深度对比（扩展版）
| 对比维度 | MCP | Agent Skill | 底层逻辑差异 |
|---|---|---|---|
| 核心定位 | 外部系统连接器 | 任务执行手册 | MCP 是“通道”，Skill 是“方法论” |
| 架构层级 | 集成层（连接 AI 与外部） | 知识层（优化 AI 决策） | 层级互补，Skill 依赖 MCP 实现外部交互 |
| Token 策略 | 预加载所有工具定义（高消耗） | 渐进式按需加载（低消耗） | MCP 优先保证“随时可用”，Skill 优先保证“高效利用上下文” |
| 跨平台支持 | 是（开放协议，支持 Claude、ChatGPT、Gemini） | 否（Anthropic 专属） | MCP 是行业标准，Skill 是产品特性 |
| 触发方式 | 持久连接，AI 随时调用 | 语义匹配，自动触发 | MCP 是“被动待命”，Skill 是“主动响应” |
| 外部访问 | 直接访问（通过 Server 代理） | 间接访问（依赖工具） | MCP 是“执行者”，Skill 是“指挥官” |
| 开发难度 | 中高（需懂协议、部署 Server） | 低（仅需 Markdown/脚本） | MCP 偏向后端开发，Skill 偏向产品/运营 |
| 安全风险 | 外部数据注入、恶意 Server | 指令注入、恶意脚本 | MCP 风险来自外部系统，Skill 风险来自内部文件 |
| 适用场景 | 外部数据访问、系统操作 | 复杂流程执行、知识复用 | MCP 解决“能不能做”，Skill 解决“做得好不好” |
2. 安全风险实战分析（扩展内容）
（1）MCP 的安全风险与防护
- 风险案例：第三方 MCP Server 伪装成“GitHub 连接器”，实际记录 AI 调用的代码仓库凭证；
- 防护措施：
- 仅使用官方或可信来源的 MCP Server；
- 为 MCP Server 配置最小权限（如 PostgreSQL 只读权限）；
- 启用传输加密（HTTPS/SSE），避免明文传输认证信息。
（2）Skill 的安全风险与防护
- 风险案例：恶意 Skill 在辅助脚本中隐藏代码，窃取 AI 上下文的敏感数据（如用户密码）；
- 防护措施：
- 审查 Skill 的所有文件，尤其是 scripts 目录下的可执行代码；
- 使用
allowed-tools限制 Skill 可调用的工具，禁止危险操作（如 Write、Execute）； - 禁用 Skill 的脚本执行权限，仅保留指令和模板功能。
五、应用场景抉择：什么时候用 MCP、Skill 或二者结合？
1. 单独使用 MCP 的场景
- 需直接访问外部系统：如查询数据库、调用第三方 API、操作文件系统；
- 跨平台复用工具：同一工具需在 Claude、ChatGPT 等多个 AI 应用中使用；
- 实时数据获取：如监控系统状态、查询实时日志、获取搜索引擎结果。
案例：AI 需实时查询 Sentry 的生产环境错误日志，生成修复建议——使用 Sentry MCP Server，AI 可直接调用 query_sentry_errors 工具，获取错误详情。
2. 单独使用 Skill 的场景
- 内部流程标准化：如团队代码审查规范、文档生成模板、数据分析流程；
- 复杂任务执行：需多步骤、专业知识的任务（如根因分析、业绩汇报）；
- Token 敏感场景：上下文窗口有限（如 4k Token），需高效利用每一个 Token。
案例：新人需要按团队规范审查代码——使用 code-review-skill，AI 自动按团队规则（如代码风格、安全漏洞、性能问题）进行审查，无需手动输入规范。
3. 二者结合的场景（深度流程）
大多数复杂任务需要 MCP 与 Skill 协同，以“AI 生成月度销售分析报告”为例：
flowchart TD
A["Step1: 用户请求生成2025年1月销售分析报告"] --> B["Step2: AI语义匹配"]
B --> C["Step3: 加载sales-analysis Skill(第二层核心指令)"]
C --> D["Step4: Skill触发MCP调用"]
D --> E["Step5: PostgreSQL查询1月销售数据"]
E --> F["Step6: 返回数据给AI"]
F --> G["Step7: 调用data_clean.py清洗数据"]
G --> H["Step8: 计算销售额/客单价/增长率"]
H --> I["Step9: Sentry查询1月销售系统错误"]
I --> J["Step10: 分析支付失败订单流失影响"]
J --> K["Step11: 使用report_template.md生成报告"]
K --> L["Step12: 返回最终报告给用户"]核心逻辑：Skill 提供“怎么做”的流程（分析报告的步骤），MCP 提供“做什么”的资源（销售数据、错误日志），二者协同实现端到端任务。
4. 与 Slash Command 的对比（扩展）
很多开发者会混淆 Skill 与 Slash Command，三者的核心区别在触发方式和灵活性：
| 特性 | MCP | Agent Skill | Slash Command |
|---|---|---|---|
| 触发方式 | AI 主动调用 | 自动语义匹配 | 用户显式输入 /命令 |
| 灵活性 | 高（支持复杂参数） | 中（按指令执行） | 低（固定模板） |
| 知识承载 | 无（仅工具定义） | 高（指令、文档、脚本） | 低（仅提示词模板） |
| 适用场景 | 外部系统交互 | 复杂流程执行 | 简单重复任务（如生成代码注释） |
抉择逻辑：
- 需用户控制触发时机 → Slash Command（如
/generate_comment）； - 需 AI 自动识别任务 → Skill（如代码审查、数据分析）；
- 需访问外部系统 → MCP（如查询数据库、操作 GitHub）。
六、实战指南：搭建 MCP Server 与编写 Skill
1. 搭建 PostgreSQL MCP Server（完整步骤）
步骤 1：环境准备
# 安装依赖
pip install jsonrpcserver psycopg2-binary python-dotenv步骤 2：编写 MCP Server 代码（server.py）
from jsonrpcserver import Success, method, serve, Error
import psycopg2
from psycopg2.extras import RealDictCursor
from dotenv import load_dotenv
import os
# 加载环境变量（避免硬编码）
load_dotenv()
DB_CONFIG = {
"dbname": os.getenv("DB_NAME"),
"user": os.getenv("DB_USER"),
"password": os.getenv("DB_PASSWORD"),
"host": os.getenv("DB_HOST", "localhost"),
"port": os.getenv("DB_PORT", "5432")
}
# 连接数据库工具
def get_db_connection():
try:
return psycopg2.connect(**DB_CONFIG)
except Exception as e:
return None
# 定义 MCP Tools 原语：查询用户订单
@method
def query_user_orders(user_id: str, start_date: str, end_date: str):
conn = get_db_connection()
if not conn:
return Error("数据库连接失败")
try:
with conn.cursor(cursor_factory=RealDictCursor) as cur:
cur.execute("""
SELECT order_id, amount, create_time, product_category
FROM orders
WHERE user_id = %s
AND create_time BETWEEN %s AND %s
ORDER BY create_time DESC
""", (user_id, start_date, end_date))
results = cur.fetchall()
conn.close()
return Success({
"status": "success",
"data": results,
"count": len(results)
})
except Exception as e:
conn.rollback()
conn.close()
return Error(f"查询失败：{str(e)}")
# 定义 MCP Tools 原语：统计品类销售额
@method
def stat_category_sales(start_date: str, end_date: str):
conn = get_db_connection()
if not conn:
return Error("数据库连接失败")
try:
with conn.cursor(cursor_factory=RealDictCursor) as cur:
cur.execute("""
SELECT product_category, SUM(amount) as total_sales, COUNT(order_id) as order_count
FROM orders
WHERE create_time BETWEEN %s AND %s
GROUP BY product_category
ORDER BY total_sales DESC
""", (start_date, end_date))
results = cur.fetchall()
conn.close()
return Success({
"status": "success",
"data": results
})
except Exception as e:
conn.rollback()
conn.close()
return Error(f"统计失败：{str(e)}")
if __name__ == "__main__":
# 启动 MCP Server，监听本地 5000 端口
print("MCP Server 启动，监听 http://localhost:5000")
serve("localhost", 5000)步骤 3：配置环境变量（.env）
DB_NAME=sales_db
DB_USER=mcp_user
DB_PASSWORD=secure_pass_123
DB_HOST=localhost
DB_PORT=5432步骤 4：启动与测试
# 启动 Server
python server.py
# 测试工具调用（使用 curl）
curl -X POST http://localhost:5000 \
-H "Content-Type: application/json" \
-d '{
"jsonrpc": "2.0",
"method": "stat_category_sales",
"params": {"start_date": "2025-01-01", "end_date": "2025-01-31"},
"id": 1
}'2. 编写 sales-analysis Skill（完整步骤）
步骤 1：创建文件结构
mkdir -p sales-analysis-skill/scripts sales-analysis-skill/templates
cd sales-analysis-skill
touch SKILL.md reference.md examples.md
touch scripts/data_clean.py
touch templates/report_template.md步骤 2：编写辅助脚本（scripts/data_clean.py）
def clean_sales_data(data):
"""清洗销售数据：去除空值、过滤测试订单、格式化日期"""
cleaned = []
for item in data:
# 去除空值
if not item.get("amount") or not item.get("create_time"):
continue
# 过滤测试订单（amount=0 或 user_id 包含 test）
if item["amount"] == 0 or "test" in item.get("user_id", ""):
continue
# 格式化日期
item["create_time"] = item["create_time"].strftime("%Y-%m-%d %H:%M:%S")
cleaned.append(item)
return cleaned步骤 3：编写报告模板（templates/report_template.md）
# 月度销售分析报告（{{ month }}）
## 一、核心指标
| 指标 | 数值 | 同比上月 |
|------|------|----------|
| 总销售额 | {{ total_sales }} 元 | {{ sales_growth }} |
| 订单数 | {{ order_count }} 单 | {{ order_growth }} |
| 客单价 | {{ avg_amount }} 元 | {{ avg_amount_growth }} |
## 二、品类销售占比
{{ category_chart }}
## 三、趋势分析
{{ trend_chart }}
## 四、异常说明
{{ exception_analysis }}
## 五、改进建议
{{ suggestions }}步骤 4：编写 SKILL.md（见前文扩展示例）
步骤 5：测试 Skill
将 Skill 文件夹放入 Claude Code 的 Skills 目录，用户输入“生成 2025 年 1 月销售分析报告”，AI 会自动匹配并执行，调用 MCP Server 获取数据，生成符合模板的报告。
六、未来趋势：MCP 与 Skill 的融合方向
- MCP 标准化深化：未来可能形成行业统一的 MCP 连接器市场，开发者无需自建 Server，直接选用现成的连接器（如 PostgreSQL、GitHub、Sentry）；
- Skill 跨平台支持：Anthropic 可能开放 Skill 协议，支持 ChatGPT、Gemini 等其他 AI 应用，成为通用的“AI 知识包”标准；
- 智能协同机制：AI 自动判断任务需要的 MCP 和 Skill，无需用户干预——如用户请求“分析客户反馈”，AI 自动加载
customer-feedback-skill，并调用 GitHub MCP Server 获取 Issues，调用 Sentry MCP Server 获取相关错误。
七、总结：核心区别与协同价值
MCP 和 Agent Skill 是 AI Agent 扩展的两大基石，二者并非替代关系，而是互补协同：
- MCP 解决“AI 能触达什么”，是连接外部世界的“通用接口”；
- Skill 解决“AI 能做好什么”，是封装专业知识的“执行手册”。
选择逻辑一句话总结：
- 需访问外部系统 → 用 MCP；
- 需标准化流程 → 用 Skill；
- 需复杂任务端到端完成 → 二者结合。
随着 AI Agent 生态的成熟，MCP 的标准化和 Skill 的跨平台化将成为趋势，开发者无需再关注“如何扩展 AI 能力”，而是聚焦“如何用 AI 解决业务问题”——这正是 MCP 和 Skill 设计的核心初心。
除非注明，否则均为李锋镝的博客原创文章，转载必须以链接形式标明本文链接
文章评论