一、MCP 之后，我们还需要什么？
MCP（Model Context Protocol）由 Anthropic 团队提出，其核心设计理念是标准化智能体与外部工具/资源的通信方式。想象一下，你的智能体需要访问文件系统、数据库、GitHub、Slack 等各种服务。传统做法是为每个服务编写专门的适配器，这不仅工作量大，而且难以维护。MCP 通过定义统一的协议规范，让所有服务都能以相同的方式被访问。
MCP 的设计哲学是"上下文共享"。它不仅仅是一个远程过程调用协议，更重要的是它允许智能体和工具之间共享丰富的上下文信息。让我们回顾一个典型的 MCP 使用场景：
from hello_Agents import ReActAgent, HelloAgentsLLM
from hello_agents.tools import MCPTool
llm = HelloAgentsLLM()
agent = ReActAgent(name="数据分析助手", llm=llm)
# 连接到数据库 MCP 服务器
db_mcp = MCPTool(server_command=["python", "database_mcp_server.py"])
agent.add_tool(db_mcp)
# 智能体现在可以访问数据库了
response = agent.run("查询员工表中薪资最高的前10名员工")
这段代码工作得很好，智能体成功连接到了数据库。但当你尝试处理更复杂的任务时，会发现一些微妙的问题：
# 一个更复杂的需求
response = agent.run("""
分析公司内部谁的话语权最高？
需要综合考虑：
1. 管理层级和下属数量
2. 薪资水平和涨薪幅度
3. 任职时长和稳定性
4. 跨部门影响力
""")
这个任务需要执行多次数据库查询，每次查询的结果会影响下一次查询的策略。更关键的是，它需要智能体具备领域知识：知道如何衡量"话语权"，知道应该从哪些维度分析数据，知道如何组合多个查询结果得出结论。
此时，你会遇到两个根本性的问题：
第一个问题是上下文爆炸。为了让智能体能够灵活查询数据库，MCP 服务器通常会暴露数十甚至上百个工具（不同的表、不同的查询方法）。这些工具的完整 JSON Schema 在连接建立时就会被加载到系统提示词中，可能占用数万个 token。据社区开发者反馈，仅加载一个 Playwright MCP 服务器就会占用 200k 上下文窗口的 8%，这在多轮对话中会迅速累积，导致成本飙升和推理能力下降。
第二个问题是能力鸿沟。MCP 解决了"能够连接"的问题，但没有解决"知道如何使用"的问题。拥有数据库连接能力，不等于智能体知道如何编写高效且安全的 SQL；能够访问文件系统，不意味着它理解特定项目的代码结构和开发规范。这就像给一个新手程序员开通了所有系统的访问权限，但没有提供操作手册和最佳实践。
这正是 Agent Skills 要解决的核心问题。2025年初，Anthropic 在推出 MCP 之后，进一步提出了 Agent Skills 的概念，引发了业界的广泛关注。有开发者评论说："Skill 和 MCP 是两种东西，Skill 是领域知识，告诉模型该如何做，本质上是高级 Prompt；而 MCP 对接外部工具和数据。" 也有人认为："从 Function Call 到 Tool Call 到 MCP 到 Skill，核心大差不差，就是工程实践和表现形式的优化演进。"
那么，Agent Skills 到底是什么？它与 MCP 有何本质区别？两者是竞争关系还是互补关系？本章将深入探讨这些问题。
二、什么是 Agent Skills？
1. 核心设计理念
Agent Skills 是一种标准化的程序性知识封装格式。如果说 MCP 为智能体提供了"手"来操作工具，那么 Skills 就提供了"操作手册"或"SOP（标准作业程序）"，教导智能体如何正确使用这些工具。
这种设计理念源于一个简单但深刻的洞察：连接性（Connectivity）与能力（Capability）应该分离。MCP 专注于前者，Skills 专注于后者。这种职责分离带来了清晰的架构优势：
MCP 的职责：提供标准化的访问接口，让智能体能够"够得着"外部世界的数据和工具 Skills 的职责：提供领域专业知识，告诉智能体在特定场景下"如何组合使用这些工具"
2. 渐进式披露：破解上下文困境
Agent Skills 最核心的创新是渐进式披露（Progressive Disclosure）机制。这种机制将技能信息分为三个层次，智能体按需逐步加载，既确保必要时不遗漏细节，又避免一次性将过多内容塞入上下文窗口。
图 1 Agent Skills 渐进式披露三层架构
第一层：元数据（Metadata）
在 Skills 的设计中，每个技能都存放在一个独立的文件夹中，核心是一个名为 SKILL.md 的 Markdown 文件。这个文件必须以 YAML 格式的 Frontmatter 开头，定义技能的基本信息。
当智能体启动时，它会扫描所有已安装的技能文件夹，仅读取每个 SKILL.md 的 Frontmatter 部分，将这些元数据加载到系统提示词中。根据实测数据，每个技能的元数据仅消耗约 100 个 token。即使你安装了 50 个技能，初始的上下文消耗也只有约 5,000 个 token。
这与 MCP 的工作方式形成了鲜明对比。在典型的 MCP 实现中，当客户端连接到一个服务器时，通常会通过 tools/list 请求获取所有可用工具的完整 JSON Schema，可能立即消耗数万个 token。
第二层：技能主体（Instructions）
当智能体通过分析用户请求，判断某个技能与当前任务高度相关时，它会进入第二层加载。此时，智能体会读取该技能的完整 SKILL.md 文件内容，将详细的指令、注意事项、示例等加载到上下文中。
此时，智能体获得了完成任务所需的全部上下文：数据库结构、查询模式、注意事项等。这部分内容的 token 消耗取决于指令的复杂度，通常在 1,000 到 5,000 个 token 之间。
第三层：附加资源（Scripts & References）
对于更复杂的技能，SKILL.md 可以引用同一文件夹下的其他文件：脚本、配置文件、参考文档等。智能体仅在需要时才加载这些资源。
例如，一个 PDF 处理技能的文件结构可能是：
skills/pdf-processing/
├── SKILL.md # 主技能文件
├── parse_pdf.py # PDF 解析脚本
├── forms.md # 表单填写指南（仅在填表任务时加载）
└── templates/ # PDF 模板文件
├── invoice.pdf
└── report.pdf
在 SKILL.md 中，可以这样引用附加资源：
当需要执行 PDF 解析时，智能体会运行 parse_pdf.py脚本当遇到表单填写任务时，才会加载 forms.md了解详细步骤模板文件只在需要生成特定格式文档时访问
这种设计有两个关键优势：
无限的知识容量：通过脚本和外部文件，技能可以"携带"远超上下文限制的知识。例如，一个数据分析技能可以附带一个 1GB 的数据文件和一个查询脚本，智能体通过执行脚本来访问数据，而无需将整个数据集加载到上下文中。
确定性执行：复杂的计算、数据转换、格式解析等任务交给代码执行，避免了 LLM 生成过程中的不确定性和幻觉问题。
3. 渐进式披露的效果：从 16k 到 500 Token
社区开发者分享的实践案例充分证明了渐进式披露的威力。在一个真实场景中：
传统 MCP 方式：直接连接一个包含大量工具定义的 MCP 服务器，初始加载消耗 16,000 个 token Skills 包装后：创建一个简单的 Skill 作为"网关"，仅在 Frontmatter 中描述功能，初始消耗仅 500 个 token
当智能体确定需要使用该技能时，才会加载详细指令并按需调用底层的 MCP 工具。这种架构不仅大幅降低了初始成本，还使得对话过程中的上下文管理更加精准和高效。
三、Agent Skills vs MCP：本质区别与协作关系
现在，我们可以系统地比较这两种技术的本质区别了。
图 2 MCP 与 Agent Skills 设计哲学对比
让我们通过一个具体的例子来理解这种差异。假设你要构建一个智能体来帮助团队进行代码审查：
MCP 的职责：
# MCP 提供对 GitHub 的标准化访问
github_mcp = MCPTool(server_command=["npx", "-y", "@modelcontextprotocol/server-github"])
# MCP 暴露的工具（简化示例）：
# - list_pull_requests(repo, state)
# - get_pull_request_details(pr_number)
# - list_pr_comments(pr_number)
# - create_pr_comment(pr_number, body)
# - get_file_content(repo, path, ref)
# - list_pr_files(pr_number)
MCP 让智能体"能够"访问 GitHub，能够调用这些 API。但它不知道"应该"做什么。
Skills 的职责：
---
name: code-review-workflow
description: 执行标准的代码审查流程，包括检查代码风格、安全问题、测试覆盖率等
---
# 代码审查工作流
## 审查清单
当执行代码审查时，按以下步骤进行：
1. **获取 PR 信息**：调用 `get_pull_request_details` 了解变更背景
2. **分析变更文件**：调用 `list_pr_files` 获取文件列表
3. **逐文件审查**：
- 对于 `.py` 文件：检查是否符合 PEP 8，是否有明显的性能问题
- 对于 `.js/.ts` 文件：检查是否有未处理的 Promise，是否使用了废弃的 API
- 对于测试文件：验证是否覆盖了新增的代码路径
4. **安全检查**：
- 是否硬编码了敏感信息（密钥、密码）
- 是否有 SQL 注入或 XSS 风险
5. **提供反馈**：
- 严重问题：使用 `create_pr_comment` 直接评论
- 建议改进：在总结中提出
## 公司特定规范
- 所有数据库查询必须使用参数化查询
- API 端点必须有权限验证装饰器
- 新功能必须附带单元测试（覆盖率 > 80%）
## 示例评论模板
**严重问题**：
⚠️ 安全风险：第 45 行直接拼接 SQL 字符串，存在注入风险。
建议改用参数化查询：`cursor.execute("SELECT * FROM users WHERE id = ?", (user_id,))`
Skills 告诉智能体"应该"做什么、如何组织审查流程、需要关注哪些公司特定的规范。它是领域知识和最佳实践的容器。
2. 上下文管理策略的本质差异
图 3 MCP 急切加载 vs Skills 惰性加载对比
3. 互补而非竞争：Skills + MCP 的混合架构
理解了两者的差异后，我们会发现：Skills 和 MCP 不是竞争关系，而是互补关系。最佳实践是将两者结合，形成分层架构：
图 4 Skills + MCP 混合架构设计
典型工作流：用户问："分析公司内部谁的话语权最高" Skills 层识别这是一个数据分析任务，加载 mysql-employees-analysis技能Skills 层根据技能指令，将任务分解为子步骤：查询管理关系、薪资对比、任职时长等 MCP 层执行具体的 SQL 查询，返回结果 Skills 层根据技能中的领域知识，解读数据并生成综合分析 返回结构化的答案给用户
这种架构的优势是：
关注点分离：MCP 专注于"能力"，Skills 专注于"智慧" 成本优化：渐进式加载大幅降低 token 消耗 可维护性：业务逻辑（Skills）与基础设施（MCP）解耦 复用性：同一个 MCP 服务器可以被多个 Skills 使用
四、技术实现：如何创建和使用 Skills
1. SKILL.md 规范详解
让我们深入了解 SKILL.md 文件的标准结构：
---
# === 必需字段 ===
name: skill-name
# 技能的唯一标识符，使用 kebab-case 命名
description: >
简洁但精确的描述，说明：
1. 这个技能做什么
2. 什么时候应该使用它
3. 它的核心价值是什么
# 注意：description 是智能体选择技能的唯一依据，必须写清楚！
# === 可选字段 ===
version: 1.0.0
# 语义化版本号
allowed_tools: [tool1, tool2]
# 此技能可以调用的工具列表（白名单）
required_context: [context_item1]
# 此技能需要的上下文信息
license: MIT
# 许可协议
author: Your Name <>
# 作者信息
tags: [database, analysis, sql]
# 便于分类和搜索的标签
---
# 技能标题
## 概述
（对技能的详细介绍，包括使用场景、技术背景等）
## 前置条件
（使用此技能需要的环境配置、依赖项等）
## 工作流程
（详细的步骤说明，告诉智能体如何执行任务）
## 最佳实践
（经验总结、注意事项、常见陷阱等）
## 示例
（具体的使用案例，帮助智能体理解）
## 故障排查
（常见问题和解决方案）
2. 编写高质量 Skills 的原则
根据 Anthropic 官方文档和社区最佳实践，编写有效的 Skills 需要遵循以下原则：
1. 精准的 Description
description 是智能体决策的关键。它应该：
精确定义适用范围：避免模糊的描述如"帮助处理数据" 包含触发关键词：让智能体能够匹配用户意图 说明独特价值：与其他技能区分开来
❌ 不好的 description：
description:处理数据库查询
✅ 好的 description：
description:>
将中文业务问题转换为 SQL 查询并分析 MySQL employees 示例数据库。
适用于员工信息查询、薪资统计、部门分析、职位变动历史等场景。
当用户询问关于员工、薪资、部门的数据时使用此技能。
2. 模块化与单一职责
一个 Skill 应该专注于一个明确的领域或任务类型。如果一个 Skill 试图做太多事情，会导致：
Description 过于宽泛，匹配精度下降 指令内容过长，浪费上下文 难以维护和更新
建议：与其创建一个"通用数据分析"技能，不如创建多个专门的技能：
mysql-employees-analysis：专门分析 employees 数据库sales-data-analysis：专门分析销售数据user-behavior-analysis：专门分析用户行为数据
3. 确定性优先原则
对于复杂的、需要精确执行的任务，优先使用脚本而不是依赖 LLM 生成。例如，在数据导出场景中，与其让 LLM 生成 Excel 二进制内容（容易出错），不如编写一个专门的脚本来处理这个任务，SKILL.md 中只需要指导智能体何时调用这个脚本即可。
4. 渐进式披露策略
合理利用三层结构，将信息按重要性和使用频率分层：
SKILL.md 主体：放置核心工作流、常用模式 附加文档（如 advanced.md）：放置高级用法、边缘情况数据文件：放置大型参考数据，通过脚本按需查询
五、行业动态与生态演进
1. 标准化进程与厂商支持
Agent Skills 虽然由 Anthropic 提出，但其设计理念正在影响整个行业。
Anthropic Claude：
Claude Desktop 和 Claude Code 原生支持 Skills 提供官方 SDK 和开发工具 维护官方技能库
OpenAI 的响应： 虽然 OpenAI 尚未官方采用 "Skills" 这个术语，但在 2025 年 3 月的更新中，ChatGPT 引入了类似的概念：
Custom Instructions 增强：支持更复杂的多步骤指令 Memory 与 Context Profiles：允许用户保存和复用特定领域的知识 GPTs 的"知识库"功能：可以附加文档和脚本，按需加载
这些功能本质上是 Skills 理念的不同实现形式。
Google Vertex AI： Google 在 Gemini 模型中引入了 "Grounding with Functions"，允许开发者定义"函数包"（Function Packages），每个包包含：
函数定义（类似 MCP 的 tools） 使用指南（类似 Skills 的 instructions） 示例（examples）
这种设计与 Skills + MCP 的混合架构高度相似。
2. 分层架构的必然性
综合各方观点，我们认为：Skills 和 MCP 代表了智能体架构中两个必然分离的层级。随着智能体系统的复杂度增加，这种分层是不可避免的：
应用层（Application Layer）
↓ Agent Skills
↓ 领域知识、工作流、最佳实践
传输层（Transport Layer）
↓ MCP
↓ 标准化接口、工具调用、资源访问
基础设施层（Infrastructure Layer）
↓ 数据库、API、文件系统、外部服务
这与传统软件架构的演进路径完全一致（从单体到分层到微服务），只是在 AI 领域重新演绎了一遍。
3. 标准化的趋势
随着行业对智能体技术的重视，我们预见以下趋势：
1. 协议融合
未来可能出现统一的智能体能力描述协议，融合 MCP 的连接性和 Skills 的知识表达：
# 未来的统一协议示例（假想）
apiVersion:agent.io/v1
kind:Capability
metadata:
name:enterprise-data-analysis
spec:
transport:
protocol:mcp
server:database-mcp-server
tools:[query,schema]
knowledge:
type:skill
workflow:data-analysis-workflow.md
examples:examples/
2. 市场化与生态系统
类似于 NPM、PyPI，未来可能出现智能体能力的包管理系统：
# 假想的未来命令
agent-cli install @anthropic/frontend-design-skill
agent-cli install @google/data-analysis-suite
agent-cli install @openai/code-review-assistant
开发者可以发布、分享、售卖自己的 Skills 和 MCP 服务器，形成繁荣的生态系统。
3. 自动化能力发现
智能体可能发展出自动发现和学习新能力的机制：
# 未来的智能体可能具备自主学习能力
agent = SelfEvolvingAgent()
# 智能体在执行任务时发现缺少某种能力
response = agent.run("生成 3D 建模文件")
# 智能体自动搜索并安装相关 Skill
# [内部日志] 检测到未知任务类型：3D建模
# [内部日志] 搜索技能库...发现 "blender-3d-modeling" skill
# [内部日志] 请求用户授权安装...已授权
# [内部日志] 技能安装完成，重新执行任务
六、挑战与风险
与此同时，我们也需要警惕潜在的风险：
安全性挑战：
Skills 包含可执行脚本，存在代码注入风险 MCP 服务器可能暴露敏感数据接口 第三方技能的可信度难以验证
上下文污染：
随着 Skills 数量增加，即使是元数据也可能占用大量上下文 需要更智能的技能索引和检索机制
碎片化风险：
虽然 MCP 正在标准化，但 Skills 格式尚未统一 不同厂商可能推出不兼容的 Skills 规范
七、Agent Skills 和 MCP 总结与选型
Agent Skills 和 MCP 代表了智能体技术栈中两个关键的抽象层：
MCP（Model Context Protocol）：解决"连接性"问题，是智能体与外部世界交互的标准化接口，相当于"神经系统"或"双手" Agent Skills：解决"能力"问题，是领域知识和工作流的封装，相当于"大脑皮层"或"操作手册"
两者不是竞争关系，而是互补关系：
图 5 MCP 与 Agent Skills 全面对比总结
关键洞察：
分层架构是必然趋势：随着智能体系统复杂度增加，"连接层"和"知识层"的分离是不可避免的
上下文效率是核心矛盾：Skills 的渐进式披露机制将 token 消耗降低 90% 以上，这是其最大的技术优势
领域知识的民主化：Skills 让非开发者也能贡献智能体能力，这将极大拓展 AI 应用的边界
混合架构是最佳实践：在企业级应用中，MCP 提供基础设施连接，Skills 提供业务逻辑，两者结合才能构建高效、可维护的智能体系统
实践建议：
对于外部服务连接（数据库、API、云服务），优先使用 MCP 对于复杂工作流（多步骤任务、领域专业知识），优先使用 Skills 在上下文受限的场景（长对话、大量工具），使用 Skills 进行渐进式管理 构建企业级智能体时，采用 MCP + Skills 的分层架构
智能体技术仍在快速演进中。MCP 已成为连接层的事实标准，Skills 的理念也在影响整个行业。掌握这两种技术，将帮助你在 AI 浪潮中构建更强大、更实用的智能体应用。
