什么是MCP？

MCP 的全称是 Model Context Protocol。它是由 AI 公司 Anthropic 创建的一个开放协议。

它的核心目标是：让大语言模型能够安全、标准化地使用外部工具和数据源。

你可以理解为：

• 在 MCP 出现之前，每家 AI 应用开发商（比如做个 AI 编程助手或数据分析助手）都需要自己编写代码，去连接数据库、读取文件、调用搜索引擎。这就像每家电器厂都要自己发明一种插座和电压标准，非常混乱且重复劳动。

• MCP 的出现，统一了“插座”和“供电标准”。它规定了一套简单的通信规则（基于 JSON-RPC），让任何工具或数据源（我们称之为 “MCP 服务器”）都能以标准的方式，被任何支持 MCP 的 AI 应用（我们称之为 “MCP 客户端”）识别和使用。

MCP的两个核心问题

1. 上下文爆炸问题
   MCP 服务器通常会暴露大量工具（如表和查询方法），其完整的 JSON Schema 会在连接时加载到系统提示词中，占用大量上下文 token（例如一个 Playwright 服务器就占用了约 200k 上下文的 8%）。在多轮对话中，这会导致上下文窗口被快速消耗，造成成本上升和模型推理能力下降。

2. 能力鸿沟问题
   MCP 解决了“连接能力”的问题，但未解决“使用能力”的问题。即使智能体能够连接数据库或访问文件系统，它仍缺乏必要的专业知识（如编写高效安全的 SQL、理解项目代码结构和开发规范），如同给新手提供系统权限却没有提供操作指南。

这正是 Agent Skills 要解决的核心问题。2025年初，Anthropic 在推出 MCP 之后，进一步提出了 Agent Skills 的概念，引发了业界的广泛关注。有开发者评论说："Skills 和 MCP 是两种东西，Skills 是领域知识，告诉模型该如何做，本质上是高级 Prompt；而 MCP 对接外部工具和数据。" 也有人认为："从 Function Call 到 Tool Call 到 MCP 到 Skills，核心大差不差，就是工程实践和表现形式的优化演进。"

什么是Skills？

Agent Skills 是一种标准化的程序性知识封装格式。如果说 MCP 为智能体提供了"手"来操作工具，那么 Skills 就提供了"操作手册"或"SOP（标准作业程序）"，教导智能体如何正确使用这些工具。

这种设计理念源于一个简单但深刻的洞察：连接性（Connectivity）与能力（Capability）应该分离。MCP 专注于前者，Skills 专注于后者。这种职责分离带来了清晰的架构优势：

• MCP 的职责：提供标准化的访问接口，让智能体能够"够得着"外部世界的数据和工具
• Skills 的职责：提供领域专业知识，告诉智能体在特定场景下"如何组合使用这些工具"

用一个类比来理解：MCP 像是 USB 接口或驱动程序，它定义了设备如何连接；而 Skills 像是软件应用程序，它定义了如何使用这些连接的设备来完成具体任务。你可以拥有一个功能完善的打印机驱动（MCP），但如果没有告诉你如何在 Word 里设置页边距和双面打印（Skill），你仍然无法高效地完成打印任务。

渐进式披露

渐进式披露的核心思想是：不要一次性把所有能力、知识和细节都塞给智能体，而是按“需要程度”逐层加载。系统在启动时只加载最小、最关键的信息，等到具体任务出现，再逐步引入更详细、更昂贵的上下文，从而控制 token 消耗、提升效率和稳定性。

从图里的结构看，它把 skills 拆成了三层。第一层是 Metadata（元数据），比如技能的名称、描述、版本、允许使用的工具等。这一层体量很小，启动时统一加载，用来“让模型知道有哪些技能存在、能做什么”。即便有很多技能，总 token 成本也很低，适合常驻内存。

第二层是 Instructions（指令层），是真正的“怎么做”。包括工作步骤、示例、最佳实践等。这一层不在启动时加载，而是在任务被匹配到某个 skill 时才引入。这样模型只有在“真的要用这个技能”时，才看到详细说明，避免无关指令污染上下文。

第三层是 Scripts & References（脚本与参考资源），比如代码、模板、数据样例。这一层完全是按需、按资源加载，甚至可以是无限量的。只有当任务确实需要某个脚本或数据时才加载，最大化节省 token，同时保持系统可扩展。

综合来说，渐进式披露是一种“从知道 → 会用 → 精通细节”的加载策略：
先让模型“知道技能存在”，再在合适的时机“教它怎么用”，最后只在必要时“给它具体工具和材料”。这让复杂系统在规模变大、技能变多的情况下，依然能保持高效、可控和可维护。

社区开发者分享的实践案例充分证明了渐进式披露的威力。在一个真实场景中：

• 传统 MCP 方式：直接连接一个包含大量工具定义的 MCP 服务器，初始加载消耗 16,000 个 token
• Skills 包装后：创建一个简单的 Skill 作为"网关"，仅在 Frontmatter 中描述功能，初始消耗仅 500 个 token

当智能体确定需要使用该技能时，才会加载详细指令并按需调用底层的 MCP 工具。这种架构不仅大幅降低了初始成本，还使得对话过程中的上下文管理更加精准和高效。

Skills和MCP本质的区别

互补而非竞争：Skills + MCP 的混合架构

理解了两者的差异后，我们会发现：Skills 和 MCP 不是竞争关系，而是互补关系。最佳实践是将两者结合，形成分层架构。

典型工作流：

1. 用户问："分析公司内部谁的话语权最高"
2. Skills 层识别这是一个数据分析任务，加载 mysql-employees-analysis 技能
3. Skills 层根据技能指令，将任务分解为子步骤：查询管理关系、薪资对比、任职时长等
4. MCP 层执行具体的 SQL 查询，返回结果
5. Skills 层根据技能中的领域知识，解读数据并生成综合分析
6. 返回结构化的答案给用户

这种架构的优势是：

• 关注点分离：MCP 专注于"能力"，Skills 专注于"智慧"
• 成本优化：渐进式加载大幅降低 token 消耗
• 可维护性：业务逻辑（Skills）与基础设施（MCP）解耦
• 复用性：同一个 MCP 服务器可以被多个 Skills 使用