上周末，我花了一个下午在扣子编程上测试技能功能。
本来只是想随便玩玩，但做着做着，我突然停下来，盯着屏幕发呆了5分钟。
我意识到：这可能是一个比 MCP 更重要的转折点。
为什么这么说呢？
一个真实的故事
先说件事。
上个月，有个做电商的朋友找我吐槽。他想用 AI 做财务分析，但怎么都不行。
他用了 MCP，确实能连上数据库，能查到数据。但他跟我说：
“我知道数据在哪了，但 AI 给我的报告就是不对。”
“比如它能算出同比增长率，但它不知道这个增长率是好是坏——我们的行业平均增长是 20%，15% 其实是下滑。它直接给我说 ‘15% 的增长还不错’，我老板看了脸都绿了。”
我听完就明白了。
这不是工具问题，这是专业知识问题。
从 MCP 到 Skills：AI 的进化逻辑
去年下半年，MCP（Model Context Protocol）火得不行。各大平台都在跟进，似乎这就是 AI Agent 的未来。大家都在说：MCP 是 AI 的"神经系统"，负责连接外部数据源。
但现在风向变了。Skills 开始受到更多关注。
为什么？
让我用一个类比：
MCP 像是 USB 接口——它解决了"能不能连"的问题。有了 MCP，AI 可以连接数据库、API、文件系统，能获取外部数据。
Skills 像是专业教材——它解决的是"会不会用"的问题。有了 Skills，AI 不仅能获取数据，还知道怎么处理这些数据。
回到我那个朋友的问题。
他需要的不只是"能连数据库"，而是"能做专业的财务分析"。
一个"财务分析 Skill"里会写清楚：
1. 先提取营收、成本、利润等核心数据 2. 计算同比增长率、环比增长率 3. 对标行业基准（比如电商行业平均增长 20%） 4. 分析异常值和趋势 5. 生成结构化报告
这些知识，MCP 提供不了。但 Skills 可以。
Skills 的核心设计：渐进式披露
Skills 最聪明的地方，是它的加载机制。
我第一次看到这个设计的时候，真的被惊艳到了。
它不像传统的做法那样，一开始就把所有指令塞进上下文。而是分三阶段加载：
第一阶段：发现（~50 tokens）
AI 启动时，只加载每个 Skill 的"名片"——name 和 description。这些信息加起来可能只有几十个 tokens。即使你有上百个 Skills，也不会撑爆上下文。
比如，AI 知道有一个"财务分析 Skill"，描述是"分析财务数据，生成专业报告"。这时候它还不加载具体内容，只是知道有这么个东西。
第二阶段：激活（~2-5K tokens）
当用户说"帮我分析这份财务报表"时，AI 判断：这个任务需要"财务分析 Skill"。这时候才会把完整的 SKILL.md 文件加载进来。
第三阶段：执行
在执行过程中，如果需要引用某个参考资料或调用某个脚本，AI 才会按需加载这些资源文件。
这个设计太聪明了。它让 AI 可以挂载成百上千个 Skills，同时保持极高的效率。
Anthropic 官方做了一个测试：一个 Agent 管理 50+ Skills，idle 时的 token 消耗减少了 90% 以上。
这个数据还挺猛的。
扣子 2.0：把 Skills 做到极致
上周我在扣子编程上体验了一下。你只需要用自然语言描述需求，它就能自动生成一个 Skill。
我做了一个测试。我说：
“根据用户预算，推荐性价比最高的电脑配置，包含 CPU、主板、显卡等所有部件，还要给出市场价格。”
两分钟后，一个 Skill 就生成了。你可以在线调试、一键部署，然后就能在扣子 AI 助手里直接使用。
但这还不是最厉害的。最厉害的是扣子还做了"技能商店"。
你可以把你的 Skill 上架到商店，免费或付费分享给其他人。
我看到有人已经上架了"抖音爆款视频解析"和"抖音转公众号文章"这两个 Skills。前者可以从抖音链接提取视频元数据、逐字稿；后者可以自动生成公众号文章。
这些都是真需求，真场景。
扣子官方还推出了一个视频 Skill。我试了一下，用自然语言描述：“做一个新春庙会的国风动画视频，要有书生、花旦、留学生等角色，最后以烟花收尾。”
它会自动生成脚本、匹配素材、完成剪辑和配乐。最让我惊讶的是音画同步——画面动态会精确匹配音频的节奏和波形，音乐高潮时画面冲击力拉满，对话时画面平稳流畅。
这个细节处理得还挺专业的。
技术对比：为什么 Skills 比 MCP 更重要？
我在之前的文章里写过 MCP 的价值。但最近用下来，我觉得 Skills 的意义可能更大。
为什么？
因为 MCP 解决的是"连接"，Skills 解决的是"能力"。
| 维度 | MCP | Skills |
|---|---|---|
| 解决的问题 | 数据访问 | 专业能力 |
| 典型场景 | 查数据库、调用 API | 财务分析、法律检索 |
| 技术本质 | 连接协议 | 知识+流程的封装 |
| 适用人群 | 开发者 | 行业专家+开发者 |
| 跨平台兼容性 | 中等（需要适配） | 高（标准化格式） |
MCP 确实很重要，它让 AI 能访问外部数据。但如果没有 Skills，AI 即使能获取数据，也不知道怎么用这些数据解决专业问题。
Skills 和 MCP 其实是互补的。一个负责"连"，一个负责"用"。两者结合，才是完整的解决方案。
真实影响：从"工具"到"同事"
我之前在即刻上写过一句话：AI 不应该只是工具，而应该是"同事"。
有了 Skills，这个愿景更近了。
说两个真实的故事。
第一个是关于一个刚毕业的法学生。
他入职了一家律所，带他的律师让他做个类案检索——找出过去10年里类似"合同诈骗"案件的判决，分析法官的判决逻辑。
如果是传统方式，他可能需要去中国裁判文书网搜索，然后逐个阅读、整理。一个熟练律师可能需要一小时。
但我帮他做了个"法律类案检索 Skill"。这个 Skill 里封装了资深律师多年积累的经验：怎么搜索关键词、怎么筛选有效案例、怎么提取判决逻辑、怎么分析趋势。
结果呢？10 分钟就搞定了。
第二个是关于一个 HR。
她每天要处理 100+ 简历，挑出合适的候选人。以前她要花半小时看每份简历，总得 50 小时——也就是一周的工作量。
我帮她做了个"简历筛选 Skill"。这个 Skill 里封装修选标准：学历要求、工作经验、项目匹配度、关键词匹配等。
结果呢？3 分钟就能从 100 份简历中挑出 Top 10。
这不是夸张，是真的。
这些 Skills 里封装的是什么？是行业专家多年积累的经验和最佳实践。
以前，这些经验锁在老员工的脑子里，新人要花数月才能上手。
现在，这些经验可以封装成 Skills，新员工一键就能调用。
这对企业来说，是"知识民主化"的革命。经验不再是个人资产，而是组织资产。
我的实践：用 Skills 做了什么？
说起来，我自己也用 Skills 做了一些东西。
我之前写了一篇《AI 可以替我写，但不能替我想》，里面提到我搭建了一个"个人素材库"，里面全是我在即刻上写的真实想法、真实观察、真实吐槽。
现在，我把它做成了一个 Skill。
当我要写文章时，AI 会先搜索我的素材库，找到相关的真实观点和案例。然后基于这些素材去写。
这样，虽然文章是 AI 写的，但每一个观点、每一个案例、每一个吐槽，都是我的。
AI 帮我突破空白，但不替代思考过程。
我还做了一个"公众号排版 Skill"，封装了我常用的排版规则：标题层级、段落间距、加粗策略、引用格式等等。
现在写完文章，只需要一键调用这个 Skill，就能自动完成排版。
这比我之前手动调整快多了。
最后：Skills 的未来
我觉得，Skills 可能会是 AI Agent 领域下一个重要的标准。
Anthropic 已经在推这个标准，扣子也在快速跟进。Cursor、GitHub Copilot 这些平台也开始支持 Skills。
这让我想到一个类比：
就像 App Store 让每个人都成了开发者，Skills Store 可能会让每个人都成为"AI 能力开发者"。
你不需要会写代码，只需要有专业知识。HR 可以封装面试技巧，产品经理可以沉淀需求分析方法，律师可以整理办案流程。
把这些封装成 Skills，上架到商店，就能帮助成千上万的人。
这可能是一个新的经济形态——“知识即服务”。
但我觉得最重要的是：Skills 让 AI 真正变成了"专家"，而不是"通才"。
通用 AI 会回答问题，但装了 Skills 的 AI 会解决问题。
这可能是 AI 从"能聊"到"能干"的关键一步。
