本周通过一个小需求尝试了下 Agent Skill，效果还不错。

比如你要做一个网站，以前没装技能的时候，AI 生成的代码又是那个熟悉的：

蓝紫渐变色 + 千篇一律的布局 + 明显的 AI 审美（不同的模型，产生的结果不同）

而通过 Agent Skill 的形式，可以提前配置好：

• 配色体系
• 字体
• 布局风格

当然，rules 和 prompt 也能做到这一点。
但 Agent Skill 的优势在于：把 Prompt 打包成一个文件夹，让 AI 按需读取和使用。

虽然本质上没啥区别，都是 prompt，但 Skill 的形态更工程化、更灵活。

MCP 和 Skill：经常一起出现，但不是一回事

现在用 AI Agent 工具（Claude Code、Cursor）时，经常会遇到两个概念：

• MCP
• Skill

我觉得有必要区分清楚：两者各有侧重，是互补关系，而不是替代关系。

Anthropic 官方的说法：

MCP connects Claude to external services and data sources.
Skills provide procedural knowledge—instructions for how to complete specific tasks or workflows.

翻成一句话就是：

MCP 让 AI 能拿到数据，Skill 教 AI 怎么处理数据。

MCP 在做什么？

MCP 的三个核心组成：

• Tools（工具）
• Resources（资源）
• Prompts（提示）

LLM（大语言模型）本身并不执行函数，在 Agent 架构中，通常是由规划层（Planner / System Prompt） 决定“要做什么”。

Function Calling 负责在推理过程中，表达模型想要调用某个工具的意图。MCP 构建在 Function Calling 之上，进一步规范工具的描述方式、发现机制与调用协议。可以理解为：

• 规划层：决定做什么
• Function Calling：表达要调用哪个工具
• MCP：规范这个工具从哪里来、如何被发现、如何被调用

MCP 更关注的是：AI 与外部世界的连接能力。

同时需要注意：

MCP 本身并不提供推理能力，
它解决的是连接与通信的标准化问题。
是否正确使用工具、如何组合工具，仍然取决于模型能力与上层 Agent 设计。

Skill 在做什么？

Skill 可以以文件夹（Prompt 资产）形式存在，里面包含：

• 指令
• 脚本
• 资源

但 Skill 的价值并不在于“文件夹本身”，而在于：

这些 Prompt 资产能够被 Agent 识别、发现、加载和组合使用。

在架构层级上：Skill 是「提示 / 知识层」、MCP 是「集成层」。

Skill 通常分三层加载：

1. 元数据（始终加载）
2. 核心指令（按需加载）
3. 支持文件（按需加载）

它解决的是：如何把经验、规范、做事方法沉淀下来并复用。

同时需要明确：

从能力本质上看，Skill 并不是新的模型能力，
而是对 Prompt 的工程化封装与组织升级。
提升的是稳定性与可维护性，而不是智能本身的跃迁。

什么时候用 MCP？什么时候用 Skill？

• 用 MCP
  • 获取外部数据
  • 调接口
  • 操作系统、文件、数据库
• 用 Skill
  • 内部规范
  • 标准化实践经验
  • 固定工作方式
  • 代码风格 / 设计风格约束

网上也有人提到 Skill 可以用于指定工作流程，这块我还没有深入实践，后面有时间会再尝试。

一个对照式实战示例：同一个需求，不同方式怎么做？

假设现在有一个需求：从接口获取用户数据，并生成一个用户列表页面。

只用 Prompt

你可能会这样写：

请从接口 api.xxx.com/users 获取用户数据，并使用 Vue3 生成一个简洁风格的用户列表页面。

特点：

• 每次都要重复写
• 输出风格不稳定

因此，这种方式更适用于一次性需求。

使用 Skill 固化“页面生成方式”

创建一个 Skill，例如：

/frontend-ui-skill
  ├── metadata.json
  ├── instructions.md
  ├── style-guide.md

instructions.md：

所有页面使用：

• 浅色背景
• 中性色配色
• 卡片式布局
• Vue3 + Composition API

之后你只需要说：

生成用户列表页面

AI 会自动套用该 Skill 的规则。适用于前端规范化输出的场景。

使用 MCP 获取真实数据

通过 MCP 暴露一个工具：

getUsers()

你对 AI 说：

调用 getUsers

AI 会通过 MCP 获取接口数据。

MCP + Skill 组合

流程：

1. MCP：调用 getUsers()
2. Skill：规定页面结构和风格
3. AI：生成页面代码

你只需要说：“生成用户列表页面”，背后完成了：

• 拿数据
• 套规范
• 产出代码

一个更大的共性

不管是 MCP、Prompt 还是 Skill，本质目标都一致：

降低模型幻觉，提高稳定性，提高效率。

但也必须明确：

MCP、Prompt、Skill 都无法从根本上消除模型幻觉，
它们能做的是：降低出错概率、提高一致性、减少不确定性。

因此，完全脱离人工审核的流程化自动生成，在工程上仍然是不可靠的。

它们更合理的定位是：

放大工程师能力的工具，而不是替代工程师。