AI圈最近有个有趣现象：Skills被热捧，MCP被各种唱衰。社交媒体上到处是"MCP协议要凉了"的声音，开发者纷纷转向Skills。

Skills怎么来的，有什么用，怎么开发，文中把MCP与Skills的恩怨讲的明明白白。

但开发者Philipp Schmid直接撰文开怼：你们搞错了重点。并给出了构建MCP Server的最佳实践。

MCP背锅，Skills躺赢？

MCP协议发布一年来，企业级部署已经上线，集成在运行，但结果令人失望。这种对比让很多人得出结论：MCP设计有问题，Skills才是未来。

但作者的观点很犀利：协议没问题，是你的服务器设计烂。

大多数开发者把MCP服务器当成REST API的简单封装。这种思路的根本问题在于，REST API是为人类开发者设计的，而MCP是给Agent用的界面。两种用户，需要完全不同的设计原则，不要把REST API思维硬套MCP。

人类开发者 vs Agent：设计差异一目了然

设计原则	人类开发者	Agent
发现成本	便宜（读一次文档）	昂贵（每次请求都要解析schema）
组合能力	混合匹配小端点	多步工具调用，迭代缓慢
灵活性	更多选项=更灵活	复杂性导致幻觉

人类开发者可以一次性阅读文档，然后组合多个API端点完成复杂任务。但Agent每次调用都需要重新解析工具描述，多次往返通信会显著降低效率。

订单跟踪的实战对比

假设你在构建一个订单跟踪Agent。

糟糕的MCP设计会暴露三个工具：

• get_user_by_email()
• list_orders(user_id)
• get_order_status(order_id)

这强制代理进行三次往返调用，在对话历史中存储所有中间结果。

优秀的MCP设计只暴露一个工具：track_latest_order(email)。在服务器端完成所有协调工作，返回"订单#12345已通过FedEx发货，周四到达"。同样结果，一次调用，面向结果。

图中对比显示：不良设计需要3次往返才能完成订单跟踪，而良好设计只需1次。这个差距在每天数千次调用的生产环境中会被放大。

六个实用设计原则

1. 结果导向，而非操作导向

别把底层API操作直接暴露为工具。设计时要思考：Agent想要达成什么目标？然后围绕这个目标设计工具。在服务器代码中完成编排，而不是在LLM的上下文窗口中。

2. 参数扁平化

避免复杂的嵌套字典或配置对象：

❌ 糟糕设计	✅ 优秀设计
def search_orders(filters: dict)	def search_orders(email: str, status: Literal["pending", "shipped", "delivered"] = "pending", limit: int = 10)
代理猜测结构	清晰、类型化、约束明确
幻觉键名，遗漏必填字段	Literal约束选择，默认值减少决策

3. 文档即指令

工具的描述文档不是给人类看的注释，而是给Agent的操作指南。要明确说明：

• 何时使用该工具（“当用户询问订单状态时使用”）
• 如何格式化参数（“邮箱必须小写”）
• 期望返回什么（“返回订单ID和当前状态”）

错误信息也要设计成可操作的提示。不要抛出Python异常，而是返回有用的字符串："未找到用户。请尝试用邮箱地址搜索。"Agent会将错误视为观察结果，并使用你的指令在下一轮中自我纠正。

4. 精心筛选工具

Agent在严格的上下文约束下运行。每个工具描述、每个响应负载、每个错误信息，都在上下文窗口中竞争空间。

• 每个服务器5-15个工具
• 一个服务器，一个职责
• 删除未使用的工具
• 按角色分割（管理员/用户）

5. 命名要有发现性

使用{服务}_{操作}_{资源}的命名模式，如slack_send_message、linear_list_issues、sentry_get_error_details。避免通用的create_issue或send_message这类容易冲突的名称。

你的MCP服务器会与其他服务器一起运行。如果GitHub和Jira都有create_issue，Agent只能猜测使用哪个。

6. 分页处理大数据

永远不要一次性返回数百条记录：

• 支持limit参数（默认20-50条）
• 返回has_more、next_offset、total_count等元数据
• 永远不要将所有结果加载到内存中

Skills vs MCP：根本不是竞争关系

很多讨论把Skills和MCP放在对立面，但这完全是误解。

Skills解决的是"什么时候用什么工具"的问题：

• 渐进式加载（启动时只看元数据，触发时才读指令）
• 工作流指导（告诉Agent在特定场景下的操作步骤）
• 本地执行（通过bash等通用工具提供功能）

MCP解决的是"怎么可靠地调用工具"的问题：

• 标准化接口
• 参数验证
• 类型化响应
• 错误处理

能力	Skills	MCP
上下文管理	渐进式披露，token友好	所有工具schema都在上下文中
工具定义	通过通用执行工具实现	结构化的专用工具接口
工作流指导	内置指令和最佳实践	需要外部编排
企业集成	适合脚本和本地工具	适合服务化的API

它们根本不冲突。在企业环境中，MCP服务器暴露各团队的服务能力，Skills教Agent如何组合这些能力完成具体工作流。

Gmail实战：两种设计的天壤之别

传统REST思维（糟糕）：

# 读邮件要2个工具 + 理解复杂嵌套

def messages_list(query: str, max_results: int) -> dict

def messages_get(message_id: str, format: str) -> dict

# 发邮件要构造base64编码的MIME

def messages_send(message: {"raw": str}) -> dict

Agent优先设计：

# 简单直接

def gmail_search(query: str, limit: int = 10) -> list

def gmail_read(message_id: str) -> dict

def gmail_send(to: List[str], subject: str, body: str) -> dict

核心问题：你在为谁设计界面？

作者的核心观点很清楚：MCP是Agent的用户界面，不是基础设施。

当你构建MCP服务器时，问自己：

• 这个工具是为了完成什么目标？
• Agent能一次性获得所需信息吗？
• 参数设计是否清晰无歧义？
• 错误信息能帮助Agent自我纠正吗？

Skills热度高是因为它从一开始就是为Agent设计的。MCP被批评是因为大家把它当REST API包装器。

但如果你真正理解了用户是谁，MCP服务器一样可以设计得很优秀。问题不在协议，在设计思维。

企业级的认证、限流、重试、审计——这些生产环境的硬需求，最终还是要在服务器层面解决。协议只是载体，服务器设计才是关键。

写在最后

当前AI的火爆吸引了太多目光，任何一个新概念被提出，都会迎来大众的追捧和过度炒作。过去MCP如此，现在Skills也是如此。这种现象背后，反映的是行业对"银弹"的渴望，和对落地产生真实价值的焦虑。

但现实是，AI工程技术会随着模型性能的提升快速迭代，周边生态也在快速发展。每隔几个月就会有新的框架、新的协议、新的最佳实践出现。在这种快速变化的环境中，不关注实际成效，盲目追逐新概念往往得不偿失。

真正重要的是如何将每一个理念做扎实。无论是MCP还是Skills，核心都在于理解用户需求，设计合理的抽象，解决实际问题。如果只是浅尝辄止，跟风炒作，到最后都会沦为一个个鸡肋的概念。看起来很美，用起来很鸡肋，最终被下一波热潮淹没。

技术的价值不在于概念的新颖，而在于实现的质量。与其纠结要用哪个新出的技术，不如先把基础做好，从“第一性原理”出发，把握发展脉络：理解你的用户是谁，他们要解决什么问题，你的设计能否真正帮到他们。这个思路，适用于MCP，也适用于Skills，更适用于未来会出现的任何新技术。

最后唠两句

为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选

很简单，这些岗位缺人且高薪

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

那0基础普通人如何学习大模型 ？

深耕科技一线十二载，亲历技术浪潮变迁。我见证那些率先拥抱AI的同行，如何建立起效率与薪资的代际优势。如今，我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理，分享于此，为你扫清学习困惑，共赴AI时代新程。

我整理出这套 AI 大模型突围资料包【允许白嫖】：

• ✅从入门到精通的全套视频教程

• ✅AI大模型学习路线图（0基础到项目实战仅需90天）

• ✅大模型书籍与技术文档PDF

• ✅各大厂大模型面试题目详解

• ✅640套AI大模型报告合集

• ✅大模型入门实战训练

这份完整版的大模型 AI 学习和面试资料已经上传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】

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（0基础到项目实战仅需90天）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤640套AI大模型报告合集

⑥大模型入门实战训练

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：
有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓