MCP与Skills执行过程辨析

Anthropic公司先推出了MCP协议，希望统一LLM与外部服务商通讯的方式；在一年后又推出claude skills功能，让claude code执行时拥有多种外挂载能力。

洗澡水加冰

442人浏览 · 2025-11-25 22:42:01

洗澡水加冰 · 2025-11-25 22:42:01 发布

MCP与Skills执行过程辨析

Anthropic公司先推出了MCP协议，希望统一LLM与外部服务商通讯的方式；在一年后又推出claude skills功能，让claude code执行时拥有多种外挂载能力。

Claude 的各种应用(desktop、code cli、claude.ai 等)现在可以使用 “Skills” 来改进其执行特定任务的方式。“Skills”是包含指令、脚本和资源的文件夹，Claude 应用可以根据需要加载这些文件夹。

Claude 应用只会在 Skill 与当前任务相关时才会使用该 Skill。使用 Skill 后，克劳德可以更高效地完成特定任务，例如使用 Excel 或操作 pdf。

在执行任务时，Claude 应用会扫描可用 Skill 以查找相关匹配项。找到匹配项后，它只会加载所需的最少信息和文件——既保证了 Claude 的运行速度，又能让他快速获取专业知识。

mcp与skills的作用都是扩展外部能力，功能特点又近似，莫非Anthropic内部也在赛马？(/笑哭)

MCP

MCP已经是很广为人知的概念了，通过标准的通讯协议规定Agent与外部服务的通讯结构后，Agent可以构造参数请求服务端，得到结果并结合分析。过程：

架构： Agent = LLM + MCP客户端 + 状态管理。
远端服务需要支持MCP服务调用，可以手动支持或者在网关层面支持。
Agent在初始化MCP客户端时，通过调用服务端的tool_list接口得到服务列表信息，比如服务名称、作用、请求参数等
Agent收到客户的调用后，在请求参数中设置tools列表，由LLM的响应决定是否调用tool
如果LLM判断需要调用tools，则Agent通过遍历响应结构的tools_call字段，解析调用参数与服务名称，通过mcp客户端调用mcp服务端。
Agent拿到mcp服务端的结果之后，填充到与LLM对话的上下文列表中，最终再发起一次相当于总结的LLM调用，包含了原始的问题与MCP工具执行结果，调用LLM后的响应作为最终的执行结果返回给用户

以上就是MCP调用的过程，实际通讯可以通过网络（streamable http）或者本地进程间通讯stdio，让Agent具有外部工具执行的能力。

Skills

claude skills一开始是在claude code中使用，可以在对话框中通过"."的方式选择skills执行，借此完成context engine（上下文工程，是一种优化普通Prompt工程的手段，引入更多专业知识与上下文，用来提升LLM输出结果的质量，实践：https://github.com/coleam00/context-engineering-intro）。

skills本质上是一个文件夹，其中存放了markdown格式的Prompt、相关背景资料比如PDF、Excel、可执行的代码与模板、甚至可以放应用程序。

在这里插入图片描述

那么claude code是如何使用这些skills的呢？Claude 官方对 SKILL 的规范描述比较清楚，但是对于 LLM 怎么使用 SKILLs 并没有一个详细的描述。网络上的文章也都只是在介绍Skills如何使用而已，国内鸟窝大佬拆解了相关功能，得到一种实践方式： https://github.com/smallnest/goskills。

skills解析，通过规范skills中的md文件或者直接调用LLM解析，得到skills的信息——名称、作用等，将文件夹中的内容构造为内存中的skills对象
用户在对话框输入问题并指定skills时，与MCP过程类似，程序会将skills对象转化为tool，初始调用一次让LLM决定是否调用tool，这个过程是skills选择阶段
如果LLM决定调用tool，会返回tools_call字段，程序还是迭代这个字段来选择工具执行。比如，选择的skill包含python代码，程序需要通过cmd命令调用当前系统环境的python执行并得到结果，也就意味着这个skills的映射需要提前写入代码中，不过如果是编程能力较强的LLM，完全可以做到自己判断代码风险与实时生成shell来执行。
skills执行完毕后，得到的结果也是加入对话上下文中，传递给LLM得到最终的结果并返回给用户。

上述过程完全都是本地调用，依赖于本地系统环境——跨机器调度就会比较复杂。整体过程与MCP类似，都是通过tools让LLM选择工具、通过tools_call控制执行工具，区别是MCP规范了外部调用而skills更强调程序内部的扩展能力。

重点介绍goskills

更直观的skill的使用，可以参考go实现LLM使用skills的项目：https://github.com/smallnest/goskills。

这个项目提供了一个命令行工具，可以通过传递skills与提问内容，自动解析skills与自动调用得到结果。使用起来很简单，类似于:./goskills run --auto-approve --model deepseek-v3 --api-base https://qianfan.baidubce.com/v2 "使用markitdown 工具解析网页 https://baike.baidu.com/item/%E5%AD%94%E5%AD%90/1584".

具体的实践文章：https://mp.weixin.qq.com/s/W1DjPNWjkV2JROhyFkPHpQ

工具提供了skill发现与管理、skill执行、会话管理等功能。可以通过brew安装，到通用的skills仓库中下载想要的skills，再配置好LLM的api_key之后，就可以直接使用。

goskills run --auto-approve --model deepseek-v3 --api-base https://qianfan.baidubce.com/v2 --skills-dir=~/.claude/skills "使用markitdown 工具解析网页 https://baike.baidu.com/item/%E5%AD%94%E5%AD%90/1584"

Go:

package main

import (
 "fmt"
 "os"
 "os/exec"
 "path/filepath"
)

func main() {
 prompt := "使用markitdown 工具解析网页 https://baike.baidu.com/item/%E5%AD%94%E5%AD%90/1584"

 // 获取用户主目录
 homeDir, err := os.UserHomeDir()
 if err != nil {
  fmt.Printf("无法获取主目录: %v\n", err)
  return
 }
 // 构建技能目录的完整路径
 skillsDirPath := filepath.Join(homeDir, ".claude", "skills")
 skillsDirArg := "--skills-dir=" + skillsDirPath

 cmd := exec.Command("goskills", "run",
  "--auto-approve",
  "--model", "deepseek-v3",
  "--api-base", "https://qianfan.baidubce.com/v2",
  skillsDirArg, // 使用构建的路径参数
  prompt)

 // CombinedOutput 运行命令并返回其组合的标准输出和标准错误
 output, err := cmd.CombinedOutput()
 if err != nil {
  fmt.Printf("执行命令时出错: %v\n", err)
  fmt.Printf("输出:\n%s\n", string(output))
  return
 }

 fmt.Printf("命令输出:\n%s\n", string(output))
}