这篇文章详细解析了Claude的四个新功能：Skills、MCP、Projects和Prompts。作者将Claude比作助理，解释这四件套如何解决AI助手的三大核心痛点：能力边界、记忆缺失和效率低下。文章通过对比表格和层级关系图，清晰展示了四者的功能和关系，并提供了实战搭建指南，帮助用户高效使用Claude提升工作效率。

---

你有没有这种瞬间：刷到 Claude 更新日志，心里先“哇又变强了”，下一秒就开始发怵——Skills、MCP、Projects、Prompts……一口气丢出四个新词，像是产品经理在KPI冲刺。

更要命的是，它们看起来都跟“让AI更好用”有关：都像是提升能力、增强记忆、提高效率的东西。于是问题来了：到底谁负责什么？它们是并列关系，还是上下游？我该先学哪个？

这篇文章不抠“官方定义”，只讲人话：你把 Claude 当成一个真正能干活的助理，这四件套分别解决什么痛点、怎么配合、怎么上手。

一、又来新概念了？

1.1 原来的大模型：像个“失忆的专家”

第一次用大模型的人，大概率都会遇到这三种挫败感：

• 让它分析 Excel 数据 → “抱歉我不能直接读取文件”
• 让它查最新 API 文档 → “我的知识截止到 2024 年初”
• 想让它记住你的项目背景 → 每次都要重新复制粘贴上下文

问题出在哪？

• 原生大模型就像个“失忆的专家”，每次对话都是新的开始
• 没有工具调用能力，只能“动嘴不能动手”
• 上下文管理全靠人工，效率当然上不去

1.2 突然发现的“四件套”

某天你看到 Claude 更新日志，冒出来四个概念：

• Skills（技能）
• MCP（模型上下文协议）
• Projects（项目）
• Prompts（提示词库）

第一反应往往是：这都是啥？有啥区别？会不会又是概念炒作？

先别急着下结论。它们确实不是“换个名字卖新功能”，而是把 AI 助手最核心的四个短板，一次性补齐了。

二、先别急着看定义，搞清楚“为什么需要它们”

2.1 AI 助手的三大核心痛点

痛点	具体表现	导致问题
能力边界	只能对话，不能操作	查个天气都要你手动搜索
记忆缺失	每次对话都重新开始	项目背景要反复说明
效率低下	常用指令要重复输入	写10次同样的提示词

你会发现：不是模型不聪明，而是它“缺手缺脚、缺记忆、缺快捷键”。

2.2 四个功能分别解决什么问题？

先给你一个快速定位（细节后面拆）：

• Skills → 解决“不能动手”（给 Claude 装工具）
• MCP → 解决“怎么接入数据/工具”（统一连接标准）
• Projects → 解决“记忆缺失”（长期上下文管理）
• Prompts → 解决“效率低下”（把复杂指令做成模板）

如果你只记住一句话：

Projects 和 Prompts 是给你用的；Skills 是让它能干活的；MCP 是让它能接上你世界的。

三、核心概念拆解（人话版）

3.1 Skills：给 Claude 装上“手和脚”

一句话理解：Skills 就是让 Claude 能调用外部工具的能力。

你可以把它理解成“让 AI 从聊天机器人，变成会操作的助理”。

没有 Skills 的 Claude：

你：“帮我查北京天气”
Claude：“我不能联网，你自己查吧”

有 Skills 的 Claude：

你：“帮我查北京天气”
Claude：调用天气API → “北京今天晴，15-25℃”

官方常见 Skills 大致包括：

• 文件处理：读取 PDF、分析 Excel
• 网络搜索：获取最新信息
• 代码执行：跑 Python 验证结果
• 数据分析：连接数据库做查询/聚合

和 ChatGPT Plugins 的区别（你可能最关心）

维度	Claude Skills	ChatGPT Plugins
开放性	用户可自定义	多为官方/第三方
调用方式	通常通过 MCP 协议	专用插件接口
灵活性	更强（可本地部署）	更依赖平台审核

一句话：Skills 更像“你能自己装工具箱”，而不是只能用平台提供的“应用商店”。

3.2 MCP：数据连接的“USB 标准”

一句话理解：MCP 是一套协议，让 Claude 能标准化地接入各种数据源和工具。

为什么会出现 MCP？因为工具太多了，而且每个工具的接入方式都不一样。

没有 MCP 的世界：

连接 Notion → 写一套代码
连接 GitHub → 又写一套代码
连接数据库 → 再写一套代码
每个工具都要重新适配

有 MCP 的世界：

所有工具都遵循 MCP 协议
Claude 只要对接一次 MCP
后续加工具就像“即插即用”

你可以把它理解成一层“翻译官”：

你的指令
↓
Claude理解意图
↓
MCP协议层（翻译成标准格式）
↓
[Notion] [Slack] [GitHub] [数据库]…

实际场景会非常务实：

• 连接公司知识库：装个 MCP 连接器 → Claude 能查内部文档
• 自动化工作流：连 Jira + GitHub → “把这个 bug 转成 issue 并关联 PR”

所以 MCP 的定位很清晰：它不是给普通用户“每天点来点去”的功能，而是给生态和开发者的底座。

3.3 Projects：Claude 的“项目记忆库”

一句话理解：Projects 让 Claude 记住某个项目的背景信息，并在你每次提问时自动带入。

最爽的点是：你不用再当“人肉上下文搬运工”。

之前：

每次都要解释：
“我在做电商项目，技术栈 Next.js+Prisma，
数据库 PostgreSQL，现在遇到个问题……”
（复制粘贴100遍）

现在：

创建 Project → 上传文档、规范、历史决策
以后直接问：“用户登录模块怎么优化？”
Claude 自动带入项目上下文

Project 里通常会放：

• 项目文档：需求、API、PRD
• 代码规范：团队 style、目录结构
• 历史对话：决策过程、踩坑记录
• 自定义指令：这个项目有哪些“铁律”

和普通对话差异很直观：

维度	普通对话	Project对话
上下文长度	单次对话	跨对话持久化
知识范围	通用知识	项目专属知识
回答风格	泛泛而谈	结合项目现实

3.4 Prompts：你的“快捷指令库”

一句话理解：Prompts 是把常用复杂指令保存成模板，一键调用。

你把它当成“AI 的快捷键 + SOP”。

以代码审查为例：

以前每次都要手打一长串：

“请帮我review这段代码，重点检查：

1. 安全漏洞（SQL注入、XSS）
2. 性能问题（N+1查询、内存泄漏）
3. 代码规范（遵循Airbnb style）
4. 边界条件处理
   给出具体修改建议和代码示例”

保存成 Prompt 后：

• 选择 Prompt：“代码审查-完整版”
• 粘贴代码 → 直接出结果

Prompts 常见会分三类：

• 写作类：公众号风格、技术博客、产品文案
• 开发类：代码审查、单测生成、API 文档
• 分析类：竞品分析、数据报告、用户调研

四、关键对比：一张表说清楚四者关系

4.1 核心功能对比表

功能	核心作用	解决问题	使用频率	技术门槛
Skills	工具调用能力	Claude不能“动手”	中	中（需配置）
MCP	数据连接协议	工具接入不统一	低（底层支撑）	高（开发者关注）
Projects	长期上下文	背景要反复输入	高	低（直接用）
Prompts	指令模板库	指令重复输入	高	低（直接用）

4.2 层级关系图（记住这个就不乱了）

用户层（直接使用）

├── Prompts（快捷指令）
└── Projects（项目管理）
能力层（功能扩展）
└── Skills（工具调用）
协议层（底层标准）
└── MCP（连接协议）

五、实战：30分钟搭建你的 Claude 工作台

5.1 Step1：创建你的第一个 Project

操作很简单：

1. 打开 Claude → 点击 “Projects”
2. 新建项目：比如“我的前端项目”
3. 上传文档：技术栈说明.md、代码规范.md、API接口文档.pdf

你可以写得很朴素，但要“可执行”：

# 项目：电商管理后台
## 技术栈- React 18 + TypeScript
- Zustand
- Ant Design 5.x
- Axios + React Query
## 代码规范- 函数组件 + Hooks
- 文件命名 kebab-case
- 返回统一用 Result
## 特殊要求- 列表必须虚拟滚动
- 图片必须走 CDN

效果差异会立刻出现：

• 普通对话：“帮我写个用户列表组件” → 可能给你一个通用 Table
• Project 对话：“帮我写个用户列表组件” → 更可能自动贴合 AntD、虚拟滚动、命名规范、状态管理方式

5.2 Step2：配置常用 Prompts

比如做一个“API 文档生成器”：

• 名称：API文档生成器
• 内容：要求输出路径/方法、参数表、返回、curl+JS 示例、错误码、更新时间等

从此你写文档就不是“靠人品”，而是“靠模板”。

5.3 Step3：接入 Skills（从最常用的开始）

建议从官方的“文件分析”“网络搜索”这种立刻见效的开始。

典型对话：

你：[上传sales_data.xlsx]
“帮我分析这个销售数据，找出TOP10产品”
Claude：读取 → 清洗 → 图表/结论 → 报告

进阶玩法才会涉及自定义 Skills，并通常会走 MCP（这个更偏开发者/团队场景）。

六、常见疑问解答

Q1：Skills 和 MCP 到底是什么关系？

• MCP 是协议（像 HTTP）
• Skills 是能力（像浏览器能访问网页）
• Skills 往往通过遵循 MCP 来调用工具

类比很好记：

• MCP = Type-C 接口标准
• Skills = 充电器的快充能力 有了标准，各种“充电器/工具”才好接入。

Q2：Projects 和对话历史有什么不同？

维度	对话历史	Projects
范围	单次对话	跨对话持久化
内容	只有聊天记录	文档+代码+配置
检索	按时间顺序	语义化组织
容量	受上下文窗口限制	可存储更多资料

Q3：免费用户能用这些功能吗？

不同版本会有差异（而且会随时间调整），但总体趋势是：

• Prompts 往往更基础开放
• Projects、完整 Skills、自定义/企业级 MCP 更偏付费版

你可以用一个原则判断：“越像生产力工具、越像团队资产的能力，越可能出现在 Pro/Team 里。”

Q4：数据安全吗？

通常需要你自己做两件事：

• 只把“允许进入 AI 的资料”放进 Project
• 对外部 Skills 授权要谨慎（尤其是能写入、能执行的工具）

如果你在公司环境，更推荐：MCP 本地部署 + 内网数据源，把数据流转控制在企业边界内。

七、实战场景演示：它们组合起来才好玩

场景1：内容创作工作流

• Project：“公众号写作”（放往期文章、选题库、写作规范）
• Prompts：“热点追踪”“提纲生成”“润色优化”
• Skills：网络搜索（补最新资料）、图片生成（配图）

你会明显感受到：从“写一篇文章”变成了“跑一条工作流”。

场景2：代码重构助手

• Project：“遗留系统重构”（现有代码、目标架构）
• Prompts：“重构检查清单”“单测生成”
• Skills：文件读取、代码执行（跑测试验证）

一句话：它开始像一个能陪你一起改、一起验证的搭档，而不是只会建议的旁观者。

八、进阶玩法：打造团队知识库（Team 版本最值的点）

如果你在团队里用，收益会更明显：

• 共享 Projects：需求、架构、SOP、话术库统一沉淀
• 统一 Prompts：代码审查标准、文档模板、客服回复口径
• 企业级 MCP：内网部署连接知识库/工单/数据仓库，数据不出网

这时 AI 不再是“某个人的工具”，而是“团队的基础设施”。

九、总结

工具不是目的，效率才是，你可以把这四件套当成一个很实用的分工表：

模块	你获得的能力
Prompts	把常用指令做成快捷键
Projects	给每个项目建个知识库
Skills	让 Claude 能操作工具
MCP	统一的数据接入标准

最后给一个很实际的建议：

如果你是个人用户，优先顺序几乎永远是：Projects → Prompts → Skills；MCP 先知道它是什么就行。

如果你是团队/开发者，MCP 才会变成“越早统一越省事”的那块地基。

如何系统的学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】