在快速发展的人工智能领域,定制和扩展大型语言模型(LLM)能力的能力已成为一个关键前沿。Anthropic 是一家领先的 AI 研究公司,针对这一挑战推出了两种强大但截然不同的方法:Claude Skills 和模型上下文协议(MCP)。虽然两者都旨在使 AI 更有用并融入我们的工作流程,但它们基于根本不同的原则运作。本文深入比较了 Claude Skills 和 MCP,探讨它们是否可以或应该合并,并讨论了它们所代表的 AI 定制化激动人心的未来。
\n\nClaude Skills,也称为 Agent Skills,是一种革命性的方法,用于以可重复和定制的方式教 Claude 如何执行特定任务。从本质上讲,Skill 是一个包含 SKILL.md 文件的文件夹,其中包括指令、资源甚至可执行代码。可以将 Skills 视为 AI 的一套标准操作程序。例如,一个 Skill 可以指导 Claude 如何格式化每周报告、遵守公司的品牌指南或使用特定方法分析数据。
Claude Skills 的天才之处在于其架构,该架构建立在一个称为渐进式披露的原则之上。这个三层系统确保 Claude 的上下文窗口不会被信息淹没:
\n\n第 1 层:元数据:当会话开始时,Claude 只加载每个可用 Skill 的名称和描述。这是一个非常轻量级的过程,每个 Skill 只消耗几个 token。
第 2 层:SKILL.md 文件:如果 Claude 确定某个 Skill 与用户的请求相关,它会加载 SKILL.md 文件的完整内容。
第 3 层及更高层:附加资源:如果 SKILL.md 文件引用了 Skill 文件夹中的其他文档或脚本,Claude 只会在需要时加载它们。
这种高效的即时加载机制允许在不牺牲性能的情况下拥有庞大的 Skills 库。Skills 也是可移植的,可在 Claude.ai、Claude Code 和 API 上使用,甚至可以包含用于确定性和可靠操作的可执行代码。
\n\n模型上下文协议(MCP)是一个开源标准,旨在将 AI 应用程序连接到外部系统。如果说 Claude Skills 是关于教 AI 如何做某事,那么 MCP 就是关于为它提供完成所需的内容的访问权限。MCP 充当通用连接器,类似于 AI 的 USB-C 端口,允许像 Claude 这样的模型与各种数据源、工具和工作流程进行交互。
\n\nMCP 基于客户端-服务器架构运行:
\n\nMCP 主机:管理与各种外部系统连接的 AI 应用程序(例如 Claude)。
MCP 客户端:主机内的一个组件,与 MCP 服务器保持一对一的连接。
MCP 服务器:一个程序,将外部系统的工具、资源和提示暴露给 AI。
这种架构允许 AI 同时连接到多个外部系统,从本地文件和数据库到远程服务,如 GitHub、Slack 或公司的内部 API。MCP 建立在双层架构之上,数据层基于 JSON-RPC 2.0,传输层支持本地和远程连接。
\n\nClaude Skills 和 MCP 之间的根本区别可以概括为方法论与连接性。MCP 为 AI 提供对工具和数据的访问,而 Skills 提供有关如何有效使用它们的指令。根据 Anthropic 自己的文档:
\n\n\n\n\n\"MCP 将 Claude 连接到外部服务和数据源。Skills 提供程序性知识——关于如何完成特定任务或工作流程的指令。您可以同时使用两者:MCP 连接使 Claude 能够访问工具,而 Skills 教 Claude 如何有效地使用这些工具。\"
\n
这强调了 Skills 和 MCP 不是竞争技术,实际上是互补的。一个恰当的类比是大厨。MCP 为厨师提供了一个储备充足的食品储藏室和一套高端厨房电器(内容)。另一方面,Skills 是厨师的个人食谱书和技术,指导他们如何组合食材和使用电器来创造烹饪杰作。
\n\n| 特性 | \nClaude Skills | \n模型上下文协议(MCP) | \n
|---|---|---|
| 主要目的 | \n程序性知识和方法论 | \n连接到外部系统 | \n
| 架构 | \n基于文件系统的渐进式披露 | \n基于 JSON-RPC 2.0 的客户端-服务器 | \n
| 核心概念 | \n教 AI 如何做某事 | \n为 AI 提供所需内容的访问权限 | \n
| 依赖性 | \n需要代码执行环境 | \n客户端和服务器实现 | \n
| Token 效率 | \n由于渐进式披露而非常高 | \n中等,工具描述在上下文中 | \n
| 可移植性 | \n跨 Claude 界面 | \n适用于任何 LLM 的开放标准 | \n
鉴于两者都是 Anthropic 的创作,一个自然的问题出现了:Claude Skill 能否作为 MCP 实现,或者两者应该合并成一个统一的系统?虽然技术上可以创建一个暴露 Skills 的 MCP 服务器,但这在架构上是低效的,并且会违背两个系统的目的。
\n\n通过 MCP 暴露 Skills 将否定渐进式披露的好处,因为它会为本应是简单文件系统读取的操作引入 MCP 协议的开销。它还会创建一个冗余的抽象层,因为 Skills 已经需要本地代码执行环境。这两个系统是为不同目的设计的,具有不同的优化目标:Skills 用于 Claude 内的上下文效率,而 MCP 用于跨不同 AI 系统的标准化集成。
\n\n因此,Claude Skills 和 MCP 应被视为独立的、互补的技术。最强大的工作流程将来自于协同使用它们。
\n\n当这些技术协同使用时,才能释放其真正的潜力。以下是一些展示其组合力量的集成模式:
\n\nSkills 作为 MCP 编排器:一个 Skill 可以包含一个复杂的工作流程,编排对多个 MCP 服务器的调用。例如,一个 \"部署和通知\" Skill 可以包含部署检查清单、通知模板和回滚程序。然后它将使用 MCP 访问 GitHub 获取代码,访问 CI/CD 服务器进行部署,以及访问 Slack 进行通知。
用于 MCP 配置的 Skills:组织可以创建 Skills,教 Claude 使用 MCP 工具的特定标准。例如,一个 \"GitHub 工作流程标准\" Skill 可以包含关于分支命名约定、拉取请求审查清单和提交消息模板的指令,确保 Claude 以符合公司最佳实践的方式使用 GitHub MCP 服务器。
混合 Skills:一个 Skill 可以包含对 MCP 服务器进行调用的嵌入式代码。这对于需要获取外部数据的独立工作流程很有用。
AI 定制化的未来可能会看到充满活力的 Skills 市场的发展。类似于智能手机的应用商店或代码编辑器的扩展市场,Skills 市场将允许开发人员发布、共享甚至销售 Skills。这可能会围绕 AI 专业知识创建一个新的经济,提供各种各样的 Skills,从免费的社区贡献 Skills 到针对法律、医学或金融等领域的高级行业特定 Skill 包。
\n\n同时,MCP 生态系统将继续增长,越来越多的工具和服务通过 MCP 服务器暴露其功能。这将创造一个良性循环:随着更多工具通过 MCP 可用,对能够有效使用这些工具的 Skills 的需求将增加。
\n\nClaude Skills 和模型上下文协议代表了 AI 定制化的两种不同但互补的理念。MCP 是通用连接器,提供内容——对工具和数据的访问。Skills 是程序性知识,提供方法——指令和方法论。它们不是竞争对手,而是在创建更强大、更个性化和更集成的 AI 助手的探索中的合作伙伴。AI 工作流程的未来不是在 Skills 或 MCP 之间做出选择,而是利用 Skills 和 MCP 的力量来创建真正适合我们需求的智能系统。
\n\n参考资料:
\n\n[1] Anthropic. (2025, October 16). Claude Skills: Customize AI for your workflows. Anthropic.
\n\n[2] Anthropic. (2025, October 16). Equipping agents for the real world with Agent Skills. Anthropic.
\n\n[3] Model Context Protocol. (n.d.). What is the Model Context Protocol (MCP)? Model Context Protocol.
\n\n[4] Model Context Protocol. (n.d.). Architecture overview. Model Context Protocol.
\n\n\n\n[6] Claude Help Center. (n.d.). What are Skills? Claude Help Center.
\n\n", "source_hash": "sha256:1eb668bb2a44338611ef9621e58cfcfe14ecceaf0a0ef62befa3ddc0a152e69c", "model": "claude-sonnet-4-5-20250929", "generated_at": "2026-01-02T01:57:07.621760+00:00" }