还在混淆这些概念？一篇文章彻底搞懂 AI 辅助编程的六大核心模块。

很多人用 AI 写代码时都有这样的困惑：Prompt 我知道，但 MCP 是啥？Skill 和 Rule 有什么区别？

别慌，今天用最通俗的方式，把这六个概念彻底讲清楚！

---

一、一顿饭秒懂五大概念

把 AI 想象成你家的智能炒菜机器人，你要教它做一桌好菜：

一句话理解： 你点菜（Prompt）→ 按菜谱做（Skills）→ 开冰箱取料（MCP）→ 查食材说明（Knowledge）→ 遵守厨房规矩（Rules）→ 上菜（成品）

概念速查表

概念	做饭场景	写代码场景	一句话解释
Prompt	今晚吃红烧肉	帮我做个列表页	你说的那句话
Skills	焯水→煸炒→焖煮	hooks→组件→检查	执行指南
MCP	冰箱、调料柜、厨具架	数据库/代码库	连接外部资源的通道
Knowledge	五花肉切2cm	ProTable API	参考资料
Rules	少油少盐	先hooks后组件	必须遵守的规范

补充概念：Workflow（工作流） = 固定流水线，如"洗→切→炒→装盘"，适合规则明确的重复任务，常见于 Coze、Dify 等平台。

---

二、概念详解

1. Prompt（用户提示词）

定义：你输入给 AI 的那句话，是一切的起点。

写好 Prompt 的技巧：

类型	示例
❌ 模糊	“做一个列表页”
✅ 清晰	“基于 @types/employee.ts，使用 ProTable 组件，做一个员工管理列表页，支持增删改查”

Prompt 优化要点：

• 明确任务类型（列表页/表单页/详情页）
• 指定使用的组件库
• 附带相关文件上下文（@file）
• 描述具体功能需求

---

2. Rules（规则）

定义：约束 AI 行为的规范文件，告诉 AI “什么该做、什么不该做”。

特点：自动加载、全局生效、像公司规章制度一样必须遵守。

示例：

# ai-fe-code-std.md
1. hooks 优先原则：必须先生成 hooks 文件，再生成组件
2. 禁止 mock 数据：不要生成任何假数据
3. 全局类型不要 import：检查 global.d.ts

存储位置（不同工具） ：

AI 工具	存储位置
Cursor	.cursor/rules/ 或项目根目录 .cursorrules
Claude Code	CLAUDE.md 或 .claude/ 目录
Trae	.trae/rules/ 或项目根目录
Windsurf	.windsurfrules
通用	项目根目录 ai-rules.md

---

3. Knowledge（知识库）

定义：领域知识和最佳实践的集合，告诉 AI “如何更好地做”。

特点：按需查询、提供组件用法、API 说明、代码示例。

知识库来源：

来源类型	说明	示例
本地文件	项目内的知识文档	knowledge/ant-design-pro.md
公司 AI 后台	企业统一知识管理平台	通义灵码知识库、GitHub Copilot 知识库
MCP 服务	通过 MCP 协议动态获取	codegen-engine 的 get_knowledge 工具
RAG 系统	向量数据库检索	Dify、FastGPT 等平台

本地知识库目录结构：

knowledge/
├── common/                    # 通用组件库知识
│   ├── ant-design-pro.md     # Ant Design Pro 用法
│   ├── element-plus.md       # Element Plus 用法
│   └── vant-components.md    # Vant 移动端组件
└── business/                  # 业务组件知识
    └── company-ui.md         # 公司内部组件库

---

4. MCP（Model Context Protocol）

定义：让 AI 连接外部工具和数据源的统一协议。

通俗理解：MCP 就像万能插座标准——AI 是电器，外部系统是电源，MCP 让它们能安全连接。

核心特点：

• 它本身不做事，只负责"连接"
• 定义可调用的工具列表
• 管理 AI 对外部系统的访问权限

常用 MCP 示例：

MCP 名称	功能	适用场景
filesystem	读写本地文件	代码生成、文件操作
github	操作 GitHub 仓库	PR 管理、Issue 处理
postgres/mysql	数据库操作	数据查询、表结构分析
browser	浏览器自动化	前端测试、网页抓取
codegen-engine	代码生成引擎	页面生成、模板匹配
sentry	错误监控	Bug 分析、日志查询
slack/飞书	消息通知	团队协作、通知推送

MCP 配置示例：

{
  "mcpServers": {
    "codegen-engine": {
      "command": "node",
      "args": ["/path/to/codegen-engine/src/server.js"]
    },
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@anthropic/mcp-filesystem"]
    }
  }
}

---

5. Skills（技能）

定义：给 AI 准备的专业培训手册，包含指令、脚本和资源。

Skill vs Skills 的关系：

Skill（单数）= 一个具体的技能，如"代码生成 Skill"、“浏览器测试 Skill”

Skills（复数）= 技能系统/技能集合，指这整个概念或多个技能

类比：Rule 是一条规则，Rules 是规则集；Skill 是一个技能，Skills 是技能库

• 示例：.cursor/skills/ 目录下有多个 Skill，如 codegen-engine、browser-automation

通俗理解：

• 以前：每次让 AI 做报销审核，都要重复一遍公司规定……
• 现在：打包成一个"报销审核" Skill，以后 AI 自己就知道该怎么做！

四大优势：

优势	说明
按需加载	只加载需要的，不浪费资源
可组合	多个 Skills 可以叠加使用
可移植	一次构建，到处使用
强大	可包含可执行代码

单个 Skill 的完整结构：

.cursor/skills/codegen-engine/
├── SKILL.md              # 主文件：技能说明书（必须）
├── README.md             # 快速入门指南
├── examples.md           # 使用示例
├── tools-reference.md    # 工具参考文档
└── scripts/              # 可执行脚本（可选）
    └── generate.js

SKILL.md 核心模块详解：

技能名称

Description（描述）- 必须

告诉 AI 这个技能是干嘛的、什么时候触发。

示例：“当用户需要生成页面代码、创建组件、做列表页/表单页/详情页时使用此技能”

Trigger Keywords（触发关键词）- 推荐

定义哪些词会触发这个技能。

示例：做一个列表页、生成代码、创建组件、CRUD页面

Prerequisites（前置条件）- 可选

执行前需要满足的条件。

示例：项目中需要有 types 目录、需要配置 MCP 服务

Workflow（工作流程）- 必须

一步步告诉 AI 怎么做。

示例：

1. 调用 quick_generate 获取上下文
2. 根据技术栈选择模板
3. 先生成 hooks 文件
4. 再生成组件文件
5. 调用 check_code_compliance 检查规范

Tools（使用的工具）- 推荐

列出会用到的 MCP 工具。

示例：quick_generate、detect_tech_stack、check_code_compliance

Examples（示例）- 推荐

具体的使用案例，AI 学得最快。

Notes（注意事项）- 可选

特殊情况的处理方式。

存储位置（不同工具） ：

AI 工具	Skills 存储位置
Cursor	.cursor/skills/技能名称/SKILL.md
Claude Code	~/.claude/skills/ 或项目内 .claude/skills/
Trae	.trae/skills/
全局共享	~/.cursor/skills/（用户级别，所有项目可用）

渐进式加载机制：

级别	加载时机	内容	Token 消耗
L1	AI 启动时	名称+描述	约 100 Token
L2	技能触发时	SKILL.md 完整内容	< 5000 Token
L3	按需加载	scripts/、references/	不限

---

6. Workflow（工作流）

定义：把复杂任务拆成固定步骤，按顺序执行。

特点：步骤固定、流程确定、适合重复性任务。

与 Skills 的区别：

维度	Workflow	Skills
灵活性	固定流程，不会变通	智能判断，可以调整
设计方式	拖拽式可视化编排	文档+脚本+资源
适用平台	Coze、Dify、n8n、Zapier	Cursor、Claude Code、Trae
适用场景	规则明确的重复任务	需要专业判断的复杂任务

---

三、最容易混淆：Skills vs MCP vs Knowledge

一句话区分：

• MCP = 工具清单（有什么工具）
• Skills = 施工流程（怎么干活）
• Knowledge = 参考手册（具体参数）

对比项	MCP	Skills	Knowledge
本质	工具清单	执行流程	参考资料
回答问题	“有哪些工具？”	“怎么一步步做？”	“这个参数怎么填？”
做饭类比	厨房有什么（冰箱、灶台、刀具	做菜步骤（焯水→煸炒→焖煮）	食材说明（五花肉切2cm
写代码举例	AI 知道有 quick_generate()	AI 按"先 hooks 再组件"流程执行	AI 查 ProTable 的 columns 配置

最佳组合：Skills 调度流程 + MCP 连接工具 + Knowledge 提供细节

---

四、实战案例：做一个员工列表页

假设你要让 AI 帮你做一个员工管理列表页，看看各个概念是如何协作的：

完整调用流程图

各环节实际内容

1. 用户输入（Prompt）

基于 @src/types/employee.ts 类型定义，做一个员工管理列表页，需要支持增删改查，使用 ProTable 组件

2. Skill 匹配

AI 识别到关键词"列表页"、“增删改查”，自动匹配 codegen-engine Skill，读取 SKILL.md 获取执行步骤。

3. MCP 工具调用

调用 quick_generate 工具，返回：

{
  "techStack": "React + TypeScript + Ant Design Pro",
  "template": "react-standard-list-crud",
  "knowledge": "ProTable 用法、columns 配置、request 写法"
}

4. Knowledge 查询

从知识库获取 ProTable 最佳实践：

- 使用 request 而不是 dataSource
- 配置 rowKey 避免警告
- 使用 actionRef 控制刷新

5. Rule 约束

代码生成时遵循规范：

- 必须先生成 hooks/useEmployeeTable.ts
- 再生成 index.tsx 组件
- 禁止 mock 数据
- 全局类型不要 import

6. 最终输出

✅ hooks/useEmployeeTable.ts  （数据逻辑）
✅ components/EditModal.tsx   （编辑弹窗）
✅ index.tsx                  （主页面）
✅ types.ts                   （类型定义）

---

五、打造优质 Skills 的五大心法

1. 单一职责：一个 Skill 只做一件事

2. 示例驱动：多放具体使用示例，AI 学得最快

3. 清晰输入输出：像设计 API 一样设计接口

4. 原子化设计：像乐高积木，可灵活组合

5. 持续迭代：记录问题，定期更新

---

六、常见问题

Q1: Prompt 和 Rules 有什么区别？

• Prompt：临时输入，一次性
• Rules：配置文件，持久化

Q2: 什么时候用 Skills，什么时候直接写 Prompt？

• 用 Skills：重复性任务、标准流程、多工具协作
• 直接 Prompt：一次性任务、简单修改

Q3: Skills 不生效怎么办？

核心原因是描述（Description）不够清晰。用大白话明确触发场景。

Q4: Skills 本质上不就是 Prompt 吗？

对也不对。Skills = Prompt + 脚本 + 上下文管理 + 智能触发。

就像说"汽车本质是发动机"——没错，但光有发动机跑不起来。

Prompt 是"配方"，Skills 是"配方+厨具+食材"打包的预制菜套餐。

---

七、学习路径

• 偶尔让 AI 帮忙 → Prompt 就够了
• AI 长期扮演某角色 → 用 Rules
• 经常做复杂的事 → 用 Skills
• 访问私有数据/API → 配置 MCP
• 重复执行固定流程 → 用 Workflow 平台

学习建议：Prompt → Workflow → Skill → MCP，循序渐进。

---

八、结语

Skills 解决了一个根本问题：如何让 AI 不仅懂理论，还能上手实操。

对开发者来说，最大的好处是：可控、可复用、可迭代。

最好的 Skill，往往是那些解决你日常工作痛点的。别追求大而全，小而美往往更实用