目录摘要一、背景AI编程工具的一年蜕变二、MCP连接性的标准化协议2.1 MCP的核心定义2.2 MCP的技术架构2.3 MCP的应用场景2.4 MCP市场数据三、Agent Skills能力性的知识封装3.1 Agent Skills的核心定义3.2 Skills的技术架构3.3 Skills的工作原理3.4 Skills的应用场景四、MCP vs Skills核心区别深度对比4.1 本质区别4.2 架构差异4.3 适用场景对比4.4 开发维护对比4.5 Token效率对比五、为什么从MCP演进到Skills5.1 技术发展的必然规律5.2 三大关键转变5.3 技术成熟度曲线Hype Cycle六、实战案例对比6.1 场景线上故障排查6.2 场景代码审查6.3 场景API接口生成七、技术选型建议7.1 选择MCP的场景7.2 选择Skills的场景7.3 结合使用的最佳实践八、总结与展望8.1 核心结论8.2 技术选型原则8.3 未来展望8.4 给开发者的建议参考资料互动交流摘要本文深入解析AI编程领域在2024-2026年的技术演进路径重点对比MCPModel Context Protocol与Agent Skills两种标准的核心差异、适用场景及演进逻辑。通过数据分析和实战案例揭示从连接性到能力性的转变趋势为开发者提供技术选型参考。关键词MCP、Agent Skills、AI编程、智能体、Cursor、Claude Code、技术演进一、背景AI编程工具的一年蜕变2024年11月Anthropic发布了Model Context ProtocolMCP引发了整个技术圈的关注。短短8个月内MCP经历了三次重要版本迭代从基础协议快速演进为企业级标准。截至2025年10月热门的MCP注册表PulseMCP上已列出超过5,500个服务器热门工具的月搜索量超过18万次。然而进入2026年后技术风向发生了明显变化。社区讨论的焦点从MCP转向了Agent Skills。Cursor、Claude Code、GitHub Copilot等主流AI编程工具纷纷推出Skills功能GitHub上的awesome-agent-skills库在短时间内获得了数千star。这种转变并非简单的技术更迭而是反映了AI编程领域从能连向能干的必然升级。本文将从技术原理、应用场景、演进逻辑三个维度深入解析这一变化背后的本质。二、MCP连接性的标准化协议2.1 MCP的核心定义MCPModel Context Protocol模型上下文协议是一个开放标准旨在构建AI助手与数据所在系统包括内容存储库、业务工具和开发环境之间的安全双向连接。核心特点通用开放标准取代碎片化的集成方式用单一协议连接AI系统与数据源架构简洁开发者可通过MCP服务器暴露数据或构建连接到这些服务器的AI应用程序MCP客户端易于构建与扩展开发者只需针对标准协议进行构建无需为每个数据源维护单独的连接器开源生态系统提供规范、SDK及预构建服务器鼓励社区协作2.2 MCP的技术架构MCP基于JSON-RPC 2.0规范定义了三种主要消息类型1. 请求Request{jsonrpc:2.0,id:unique-request-id,method:tools/list,params:{}}2. 响应Response{jsonrpc:2.0,id:unique-request-id,result:{tools:[...]}}3. 通知Notification{jsonrpc:2.0,method:notifications/cancelled,params:{requestId:unique-request-id,reason:User cancelled}}2.3 MCP的应用场景典型使用场景场景类型说明示例工具文件系统操作读取、写入、搜索文件Local Filesystem MCP数据库集成查询、更新数据库Postgres MCP、MySQL MCPAPI调用访问第三方服务GitHub MCP、Slack MCP、Notion MCP网页交互浏览、截图、表单填写Playwright MCP、Puppeteer MCP云服务管理云资源AWS MCP、Google Cloud MCP2.4 MCP市场数据根据MCP Manager发布的《MCP Adoption Statistics 2025》报告注册服务器数量超过5,500个截至2025年10月月搜索量最热门的20个MCP服务器每月产生180,000次搜索远程服务器增长自2025年5月以来增长近4倍企业级采用80%的最热门服务器提供远程部署选项热门MCP服务器排名按月搜索量排名MCP服务器月搜索量远程部署1Playwright MCP35,000❌2Figma MCP23,000✅3GitHub MCP17,000✅4Context713,000✅5Cursor MCP12,000✅6Supabase MCP11,000✅7Notion MCP9,500✅8n8n MCP9,200❌9Zapier MCP6,700✅10Jira MCP6,100✅三、Agent Skills能力性的知识封装3.1 Agent Skills的核心定义Agent Skills是一个开放标准旨在通过封装可重用的知识和脚本为AI代理提供专门的扩展能力。简单来说一个Skill就是一个任务说明书或Sub-Agent。核心理念知识显性化将团队的隐性知识代码规范、排查流程、Review标准转化为显性的文档SOP延迟加载元数据保持简短常驻上下文正文仅在触发时动态注入避免长期挤占Token上下文注入将规则实时注入推理上下文直接影响模型决策可复用性Skill可以在不同项目、不同Agent之间共享3.2 Skills的技术架构SKILL.md文件格式---name:code-reviewerdescription:对代码进行结构化审查从架构合理性、异常处理、日志规范、安全风险等维度进行评估---# Code Reviewer Skill## When to Use当用户要求进行代码审查、代码评审或检查代码质量时使用此Skill。## Instructions1.**架构维度**-检查代码是否遵循团队的架构设计原则-评估模块拆分是否合理职责是否清晰-检查是否存在循环依赖 2.**异常处理**-所有可能抛出异常的地方是否都进行了try-catch-异常信息是否清晰是否暴露了敏感信息-是否有合理的异常恢复策略 3.**日志规范**-关键操作是否添加了日志-日志级别使用是否正确ERROR/WARN/INFO/DEBUG-日志内容是否包含足够的上下文信息 4.**安全风险**-是否存在SQL注入、XSS等安全漏洞-敏感信息密码、Token是否硬编码-权限校验是否到位## Output Format输出格式[✓/✗] [类别] 具体问题描述示例[✓] 架构 模块拆分清晰职责单一[✗] 异常处理 第42行缺少try-catch可能导致程序崩溃Skill目录结构.agents/ └── skills/ └── code-reviewer/ ├── SKILL.md # 技能定义文件 ├── scripts/ # 可选辅助脚本 │ ├── check-security.py │ └── validate-architecture.sh ├── references/ # 可选参考资料 │ └── coding-standards.md └── assets/ # 可选资源文件 └── template-config.json3.3 Skills的工作原理加载机制自动发现Cursor启动时自动从Skill目录发现Skills上下文触发Agent根据对话上下文判断是否需要使用特定Skill按需加载只有真正需要时才加载Skill的详细内容动态注入将Skill内容注入到LLM的推理上下文中渐进式加载策略层级内容Token开销触发时机L1元数据name, description20-50 tokens常驻上下文L2正文SKILL.md详细指令500-2000 tokens按需加载L3资源参考资料、历史案例动态计算通过RAG检索3.4 Skills的应用场景典型使用场景1. 代码质量与规范审查name:java-code-reviewerdescription:对Java代码进行全面的代码审查检查代码风格、潜在bug、性能问题等2. 标准化开发流程name:api-endpoint-generatordescription:生成符合团队规范的Spring Boot API接口代码包括Controller、Service、Repository三层3. 复杂故障排查name:jvm-metrics-analyzerdescription:分析JVM监控指标识别性能瓶颈、内存泄漏等问题name:distributed-trace-finderdescription:根据分布式追踪数据定位慢请求、超时等问题4. 测试驱动开发name:tdd-guidedescription:指导用户按照TDD流程进行开发先写测试用例再实现功能四、MCP vs Skills核心区别深度对比4.1 本质区别维度MCPAgent Skills本质标准化的工具接入协议封装可重用知识和工作流核心作用解决能不能连的问题解决怎么用才对的问题技术定位底层连接性协议上层能力性标准形象类比USB-C接口预装的专业App确定性高严格定义的协议低灵活的指令集4.2 架构差异MCP架构┌─────────────┐ │ AI Agent │ └──────┬──────┘ │ JSON-RPC ↓ ┌─────────────────────┐ │ MCP Protocol │ ← 标准协议层 └──────────┬──────────┘ │ ┌──────┴──────┐ │ │ ┌───▼───┐ ┌───▼────┐ │ Server│ │ Server │ │ A │ │ B │ └───┬───┘ └───┬────┘ │ │ ┌───▼───┐ ┌───▼────┐ │Database│ │ File │ │ │ │ System │ └───────┘ └────────┘Skills架构┌─────────────┐ │ AI Agent │ └──────┬──────┘ │ ↓ 上下文注入 ┌─────────────────────┐ │ Skills Manager │ ← 技能管理层 └──────────┬──────────┘ │ ┌──────┴──────┐ │ │ ┌───▼───┐ ┌───▼────┐ │Skill A │ │Skill B │ │(代码审查)│ │(故障排查)│ └───┬───┘ └───┬────┘ │ │ │ 可能调用 MCP 工具 ↓ ↓ ┌─────────────┐ ┌─────────────┐ │ MCP Tools │ │ MCP Tools │ └─────────────┘ └─────────────┘4.3 适用场景对比场景推荐方案原因连接数据库、读取文件MCP需要标准化协议保证可靠性和安全性封装代码审查流程Skills需要灵活的知识传递和复杂逻辑编排调用第三方APIMCP需要结构化的工具定义和参数验证沉淀团队排查经验Skills需要将隐性知识显性化大规模批量操作MCP需要高性能和稳定性领域专家经验传递Skills需要自然语言定义的上下文4.4 开发维护对比维度MCPAgent Skills开发复杂度高需要编写Server、SDK、测试低只需写一个Markdown文件学习曲线陡峭需要掌握协议规范平缓熟悉Markdown即可适用人员工程师、架构师产品经理、业务专家、工程师版本控制需要管理依赖、兼容性简单的文件版本管理共享机制通过Registry发布通过Git仓库、项目目录共享测试难度需要编写集成测试难以进行自动化测试4.5 Token效率对比早期MCP的问题加载所有工具定义需要消耗大量Token可能数千甚至上万导致上下文窗口浪费严重。MCP的改进2026年1月引入渐进式发现机制Token开销下降85%。Skills的天然优势L1元数据常驻上下文20-50 tokensL2正文按需加载500-2000 tokensL3资源通过RAG检索动态计算对比结论两者在Token效率上已接近但Skills在知识密集型场景下更具优势。五、为什么从MCP演进到Skills5.1 技术发展的必然规律任何技术的发展都遵循先解决’能不能’再解决’好不好’的规律第一阶段可用性Can it work? ↓ 第二阶段可用性Can it work well? ↓ 第三阶段易用性Can anyone use it?类比1智能手机的演进阶段时间核心突破能打电话2000年代初基础通信功能能上网2005-20103G网络、浏览器有App生态2010年后iOS App Store、Android Play类比2AI编程的演进阶段时间核心突破能连系统2024MCP标准化协议能用工具2024-2025MCP服务器生态有知识体系2025-2026Agent Skills封装经验5.2 三大关键转变1. 从技术到业务MCP时代参与者的主力是技术架构师、系统工程师Skills时代产品经理、业务专家、QA都能参与实际影响# 以前只有工程师能写name:database-connector# 需要熟悉JDBC、连接池、事务管理...# 现在业务专家也能写name:订单状态流转检查# 只需要熟悉业务流程# 1. 订单创建 - 待支付# 2. 支付成功 - 待发货# 3. 发货 - 已发货# 4. 签收 - 已完成2. 从玩具到工具2024年Demo满天飞大家都在做能用的东西2025-2026年实战落地大家都在做好用的东西对比维度2024年MCP2026年Skills项目类型50% Demo 30% PoC 20% 实战10% Demo 20% PoC 70% 实战用户反馈“连上了好厉害”“用起来很顺手”关注点技术可行性业务价值、用户体验3. 从个人到组织MCP时代这是工程师的工具“我写了个好用的东西”Skills时代这是组织的资产“我们建立了一个可复用的能力体系”组织层面的变化个人能力 张三写了一个GitHub MCP Server 李四写了一个Jira MCP Server 组织能力 公司A - 代码审查Skill全公司统一标准 - 故障排查Skill沉淀10年经验 - 部署流程Skill最佳实践封装 → 新员工通过Skills快速上手AI也能像老员工一样工作5.3 技术成熟度曲线Hype Cycle根据Gartner的技术成熟度曲线MCP和Skills处于不同阶段期望膨胀期 ↗ MCP (2024) / / / 高峰期 ↘ MCP (2024末-2025初) \ \ \ \ ↘ 泡沫破裂谷底期 (2025中) \ \ ↘ Skills (2025末-2026) \ \ ↘ \ 稳步爬升期 (2026及以后)解读MCP在2024年达到顶峰随后进入理性期Skills在MCP基础上出现直接进入爬升期两者是接力关系而非竞争关系六、实战案例对比6.1 场景线上故障排查使用MCP用户帮我排查线上故障 AI Agent 1. [MCP] 连接监控系统获取最近5分钟的告警 2. [MCP] 查看Pod日志找到ERROR级别日志 3. [MCP] 查询数据库检查是否有死锁 4. [输出] 找到问题了数据库连接池耗尽 问题AI不知道应该先看什么、后看什么 只是机械地收集数据可能遗漏关键信息。使用Skills用户帮我排查线上故障 AI Agent [触发故障排查Skill] 1. [Skill指令] 首先检查业务指标是否有异常 → [MCP] 查询监控系统发现订单量下降30% 2. [Skill指令] 检查服务是否正常 → [MCP] 查看Pod状态发现3个Pod未就绪 3. [Skill指令] 检查最近部署记录 → [MCP] 查询Git提交记录发现15分钟前有新版本发布 4. [Skill指令] 回滚到上一版本 → [MCP] 执行回滚命令 [输出] 故障原因新版本引入bug已回滚 问题AI按照标准流程操作快速定位并解决问题。6.2 场景代码审查纯Prompt方式用户帮我review这段代码 AI Agent (依赖通用代码审查知识可能遗漏团队特定规范) 输出 - 代码风格还可以 - 缺少异常处理 - 建议... 问题不了解团队的具体规范审查结果不标准。使用Skills用户帮我review这段代码 AI Agent [触发code-reviewer Skill] [Skill指令] 1. 架构维度检查是否符合DDD分层架构 → 通过检查Controller、Service、Repository三层清晰 2. 异常处理检查是否遵循团队异常规范 → 发现问题第42行缺少try-catch 3. 日志规范检查是否符合日志级别标准 → 发现问题第55行应该用WARN而不是INFO 4. 安全风险检查是否有SQL注入风险 → 通过检查使用参数化查询 输出 [✓] 架构 DDD分层架构清晰 [✗] 异常处理 第42行缺少try-catch [✗] 日志规范 第55行应该用WARN而不是INFO [✓] 安全风险 使用参数化查询无SQL注入风险 问题审查结果标准化可追溯可改进。6.3 场景API接口生成纯Prompt方式用户生成一个用户查询接口 AI Agent (依赖通用RESTful API知识) 输出 GET /api/users/{id} Response: { id: 1, name: 张三 } 问题 - 不符合团队分页规范 - 缺少审计字段 - 错误码不标准使用Skills用户生成一个用户查询接口 AI Agent [触发api-endpoint-generator Skill] [Skill指令] 1. 使用RESTful规范GET /api/users 2. 支持分页page、size参数 3. 返回标准响应结构code、message、data 4. 包含审计字段created_time、updated_time 5. 使用团队统一错误码 输出 GET /api/users?page1size10 Response: { code: 200, message: success, data: { total: 100, page: 1, size: 10, list: [ { id: 1, name: 张三, createdTime: 2026-03-28T10:00:00Z, updatedTime: 2026-03-28T10:00:00Z } ] } } 问题生成的接口完全符合团队规范。七、技术选型建议7.1 选择MCP的场景✅适合使用MCP的情况需要连接外部系统访问数据库、文件系统、API调用第三方服务GitHub、Jira、Notion等需要高可靠性和稳定性生产环境的关键操作需要严格的参数验证和错误处理需要共享基础设施多个Agent复用同一套连接企业级部署和监控需求需要复杂工具编排多步骤的工作流需要状态管理和事务控制示例# MCP服务器示例数据库操作mcp.tool()asyncdefquery_user(user_id:int)-dict: 查询用户信息 参数 user_id: 用户ID必须大于0 返回 用户信息字典 ifuser_id0:raiseValueError(用户ID必须大于0)resultawaitdb.query(SELECT * FROM users WHERE id $1,user_id)returnresult7.2 选择Skills的场景✅适合使用Skills的情况需要封装领域知识代码审查规范故障排查流程业务规则说明需要灵活的指令集复杂的决策逻辑需要根据上下文动态调整非确定性的探索任务需要快速迭代业务规则频繁变化需要非技术人员参与维护快速验证想法需要沉淀组织资产团队最佳实践历史故障库评审标准示例---name:故障排查-订单服务description:对订单服务进行故障排查的标准流程---# 故障排查 Skill## When to Use当订单服务出现异常、报错、性能问题时触发。## 排查步骤1.**第一步检查业务指标**-订单成功率-平均响应时间-错误率 2.**第二步检查服务健康度**-Pod状态Running、Pending、Error-资源使用率CPU、内存-线程池状态 3.**第三步检查依赖服务**-数据库连接状态-Redis连接状态-消息队列积压情况 4.**第四步查看日志**-ERROR级别日志-WARN级别日志-慢查询日志## 常见问题处理|问题|原因|解决方案||------|------|----------||订单创建失败|库存不足|检查Redis库存缓存||响应时间过长|数据库慢查询|检查慢查询日志||Pod频繁重启|OOM|检查内存泄漏|## 输出格式问题诊断[✓/✗] 业务指标正常/异常[✓/✗] 服务健康度正常/异常[✓/✗] 依赖服务正常/异常根本原因具体原因描述解决方案具体操作步骤7.3 结合使用的最佳实践推荐架构┌─────────────────────────────────────────┐ │ AI Agent (Cursor) │ └──────────────┬──────────────────────────┘ │ ┌────────┴────────┐ │ │ ┌─────▼──────┐ ┌─────▼──────┐ │ Skills │ │ Skills │ │(故障排查) │ │(代码审查) │ └─────┬──────┘ └─────┬──────┘ │ │ │ 可能调用 │ └────────┬────────┘ ↓ ┌─────────────────────────────────────────┐ │ MCP Protocol │ └──────────────┬──────────────────────────┘ │ ┌──────────┴──────────┐ │ │ ┌───▼────┐ ┌─────▼────┐ │Database │ │ Log │ │ MCP │ │ System │ │Server │ │ MCP │ └────────┘ └──────────┘最佳实践Skills作为大脑提供知识、策略、流程MCP作为手脚执行具体操作、访问资源通过Agent编排Agent决定何时用Skills、何时用MCP实战示例---name:代码审查 安全检查description:对代码进行结构化审查和安全检查---# Code Review Security Skill## When to Use当用户要求进行代码审查时触发。## 流程1. 调用 code-reviewer Skill进行架构、异常处理、日志审查 2. 调用 security-checker Skill进行安全漏洞扫描 → 使用 security-tools MCP 运行SAST工具 → 使用 dependency-check MCP 检查依赖漏洞 3. 综合两个Skill的输出生成最终报告## 输出格式 代码审查结果 [架构审查][✓] …[✗] … 安全检查结果 [漏洞扫描][✓] 发现0个高危漏洞[依赖检查][✗] 发现1个过期依赖org.json:json:20220924 综合建议 汇总建议八、总结与展望8.1 核心结论MCP和Skills不是竞争关系而是互补关系MCP解决连接性ConnectivitySkills解决能力性Capability两者配合使用才能发挥最大价值从MCP到Skills是技术演进的自然结果不是技术路线的转向而是技术深度的推进符合先解决能不能再解决好不好的发展规律类似智能手机从能上网到有App生态的演进三大转变标志着AI编程走向成熟从技术到业务降低使用门槛从玩具到工具注重实战价值从个人到组织形成可复用的资产体系8.2 技术选型原则需求类型推荐方案核心原则连接系统MCP用标准协议保证可靠性封装经验Skills用自然语言传递知识执行操作MCP用结构化工具保证准确性灵活编排Skills用指令集实现复杂逻辑快速迭代Skills降低开发成本生产部署MCP企业级运维支持一句话总结要连系统用MCP要沉淀知识用Skills两手都要硬。8.3 未来展望1. MCP的发展方向更完善的工具链Gateway、可观测性、安全审计更多的企业级集成SAP、Salesforce、ServiceNow等更强的跨Agent互操作性2. Skills的发展方向更丰富的Skill生态GitHub Marketplace、官方Skill库更智能的Skill发现和推荐机制Skill之间的依赖管理和版本控制3. 两者融合的趋势MCP Protocol (底层) ↑ │ Skills Standard (中层) ↑ │ AI Agents (上层)未来的趋势是MCP成为基础设施Skills成为应用生态两者共同构成AI编程的完整体系。8.4 给开发者的建议不要过度纠结选择MCP和Skills各有所长根据场景选择关注实战价值不是哪个更流行而是哪个更适合你的团队从小处着手先写一个简单的MCP工具或Skill验证价值后再扩展持续学习两个标准都在快速演进保持关注积极参与社区分享你的Skills和MCP服务器回馈社区参考资料Anthropic - Introducing the Model Context ProtocolModel Context Protocol SpecificationMCP Adoption Statistics 2025Cursor Docs - Agent SkillsJavaGuide - 万字详解 Agent SkillsMCP vs Agent Skills: Why They’re Different, Not Competitingawesome-agent-skills - GitHub互动交流你在项目中使用MCP还是Skills遇到了哪些坑有什么实战经验欢迎在评论区分享你的故事和观点如果你觉得这篇文章对你有帮助请收藏本文方便后续查阅点赞支持作者持续输出转发给有需要的同事和朋友关注我的CSDN获取更多AI编程实战干货
【深度解析】MCP旧王退位，Skills新王登基？AI编程领域的演进路径与实战对比
发布时间：2026/5/20 21:02:04
目录摘要一、背景AI编程工具的一年蜕变二、MCP连接性的标准化协议2.1 MCP的核心定义2.2 MCP的技术架构2.3 MCP的应用场景2.4 MCP市场数据三、Agent Skills能力性的知识封装3.1 Agent Skills的核心定义3.2 Skills的技术架构3.3 Skills的工作原理3.4 Skills的应用场景四、MCP vs Skills核心区别深度对比4.1 本质区别4.2 架构差异4.3 适用场景对比4.4 开发维护对比4.5 Token效率对比五、为什么从MCP演进到Skills5.1 技术发展的必然规律5.2 三大关键转变5.3 技术成熟度曲线Hype Cycle六、实战案例对比6.1 场景线上故障排查6.2 场景代码审查6.3 场景API接口生成七、技术选型建议7.1 选择MCP的场景7.2 选择Skills的场景7.3 结合使用的最佳实践八、总结与展望8.1 核心结论8.2 技术选型原则8.3 未来展望8.4 给开发者的建议参考资料互动交流摘要本文深入解析AI编程领域在2024-2026年的技术演进路径重点对比MCPModel Context Protocol与Agent Skills两种标准的核心差异、适用场景及演进逻辑。通过数据分析和实战案例揭示从连接性到能力性的转变趋势为开发者提供技术选型参考。关键词MCP、Agent Skills、AI编程、智能体、Cursor、Claude Code、技术演进一、背景AI编程工具的一年蜕变2024年11月Anthropic发布了Model Context ProtocolMCP引发了整个技术圈的关注。短短8个月内MCP经历了三次重要版本迭代从基础协议快速演进为企业级标准。截至2025年10月热门的MCP注册表PulseMCP上已列出超过5,500个服务器热门工具的月搜索量超过18万次。然而进入2026年后技术风向发生了明显变化。社区讨论的焦点从MCP转向了Agent Skills。Cursor、Claude Code、GitHub Copilot等主流AI编程工具纷纷推出Skills功能GitHub上的awesome-agent-skills库在短时间内获得了数千star。这种转变并非简单的技术更迭而是反映了AI编程领域从能连向能干的必然升级。本文将从技术原理、应用场景、演进逻辑三个维度深入解析这一变化背后的本质。二、MCP连接性的标准化协议2.1 MCP的核心定义MCPModel Context Protocol模型上下文协议是一个开放标准旨在构建AI助手与数据所在系统包括内容存储库、业务工具和开发环境之间的安全双向连接。核心特点通用开放标准取代碎片化的集成方式用单一协议连接AI系统与数据源架构简洁开发者可通过MCP服务器暴露数据或构建连接到这些服务器的AI应用程序MCP客户端易于构建与扩展开发者只需针对标准协议进行构建无需为每个数据源维护单独的连接器开源生态系统提供规范、SDK及预构建服务器鼓励社区协作2.2 MCP的技术架构MCP基于JSON-RPC 2.0规范定义了三种主要消息类型1. 请求Request{jsonrpc:2.0,id:unique-request-id,method:tools/list,params:{}}2. 响应Response{jsonrpc:2.0,id:unique-request-id,result:{tools:[...]}}3. 通知Notification{jsonrpc:2.0,method:notifications/cancelled,params:{requestId:unique-request-id,reason:User cancelled}}2.3 MCP的应用场景典型使用场景场景类型说明示例工具文件系统操作读取、写入、搜索文件Local Filesystem MCP数据库集成查询、更新数据库Postgres MCP、MySQL MCPAPI调用访问第三方服务GitHub MCP、Slack MCP、Notion MCP网页交互浏览、截图、表单填写Playwright MCP、Puppeteer MCP云服务管理云资源AWS MCP、Google Cloud MCP2.4 MCP市场数据根据MCP Manager发布的《MCP Adoption Statistics 2025》报告注册服务器数量超过5,500个截至2025年10月月搜索量最热门的20个MCP服务器每月产生180,000次搜索远程服务器增长自2025年5月以来增长近4倍企业级采用80%的最热门服务器提供远程部署选项热门MCP服务器排名按月搜索量排名MCP服务器月搜索量远程部署1Playwright MCP35,000❌2Figma MCP23,000✅3GitHub MCP17,000✅4Context713,000✅5Cursor MCP12,000✅6Supabase MCP11,000✅7Notion MCP9,500✅8n8n MCP9,200❌9Zapier MCP6,700✅10Jira MCP6,100✅三、Agent Skills能力性的知识封装3.1 Agent Skills的核心定义Agent Skills是一个开放标准旨在通过封装可重用的知识和脚本为AI代理提供专门的扩展能力。简单来说一个Skill就是一个任务说明书或Sub-Agent。核心理念知识显性化将团队的隐性知识代码规范、排查流程、Review标准转化为显性的文档SOP延迟加载元数据保持简短常驻上下文正文仅在触发时动态注入避免长期挤占Token上下文注入将规则实时注入推理上下文直接影响模型决策可复用性Skill可以在不同项目、不同Agent之间共享3.2 Skills的技术架构SKILL.md文件格式---name:code-reviewerdescription:对代码进行结构化审查从架构合理性、异常处理、日志规范、安全风险等维度进行评估---# Code Reviewer Skill## When to Use当用户要求进行代码审查、代码评审或检查代码质量时使用此Skill。## Instructions1.**架构维度**-检查代码是否遵循团队的架构设计原则-评估模块拆分是否合理职责是否清晰-检查是否存在循环依赖 2.**异常处理**-所有可能抛出异常的地方是否都进行了try-catch-异常信息是否清晰是否暴露了敏感信息-是否有合理的异常恢复策略 3.**日志规范**-关键操作是否添加了日志-日志级别使用是否正确ERROR/WARN/INFO/DEBUG-日志内容是否包含足够的上下文信息 4.**安全风险**-是否存在SQL注入、XSS等安全漏洞-敏感信息密码、Token是否硬编码-权限校验是否到位## Output Format输出格式[✓/✗] [类别] 具体问题描述示例[✓] 架构 模块拆分清晰职责单一[✗] 异常处理 第42行缺少try-catch可能导致程序崩溃Skill目录结构.agents/ └── skills/ └── code-reviewer/ ├── SKILL.md # 技能定义文件 ├── scripts/ # 可选辅助脚本 │ ├── check-security.py │ └── validate-architecture.sh ├── references/ # 可选参考资料 │ └── coding-standards.md └── assets/ # 可选资源文件 └── template-config.json3.3 Skills的工作原理加载机制自动发现Cursor启动时自动从Skill目录发现Skills上下文触发Agent根据对话上下文判断是否需要使用特定Skill按需加载只有真正需要时才加载Skill的详细内容动态注入将Skill内容注入到LLM的推理上下文中渐进式加载策略层级内容Token开销触发时机L1元数据name, description20-50 tokens常驻上下文L2正文SKILL.md详细指令500-2000 tokens按需加载L3资源参考资料、历史案例动态计算通过RAG检索3.4 Skills的应用场景典型使用场景1. 代码质量与规范审查name:java-code-reviewerdescription:对Java代码进行全面的代码审查检查代码风格、潜在bug、性能问题等2. 标准化开发流程name:api-endpoint-generatordescription:生成符合团队规范的Spring Boot API接口代码包括Controller、Service、Repository三层3. 复杂故障排查name:jvm-metrics-analyzerdescription:分析JVM监控指标识别性能瓶颈、内存泄漏等问题name:distributed-trace-finderdescription:根据分布式追踪数据定位慢请求、超时等问题4. 测试驱动开发name:tdd-guidedescription:指导用户按照TDD流程进行开发先写测试用例再实现功能四、MCP vs Skills核心区别深度对比4.1 本质区别维度MCPAgent Skills本质标准化的工具接入协议封装可重用知识和工作流核心作用解决能不能连的问题解决怎么用才对的问题技术定位底层连接性协议上层能力性标准形象类比USB-C接口预装的专业App确定性高严格定义的协议低灵活的指令集4.2 架构差异MCP架构┌─────────────┐ │ AI Agent │ └──────┬──────┘ │ JSON-RPC ↓ ┌─────────────────────┐ │ MCP Protocol │ ← 标准协议层 └──────────┬──────────┘ │ ┌──────┴──────┐ │ │ ┌───▼───┐ ┌───▼────┐ │ Server│ │ Server │ │ A │ │ B │ └───┬───┘ └───┬────┘ │ │ ┌───▼───┐ ┌───▼────┐ │Database│ │ File │ │ │ │ System │ └───────┘ └────────┘Skills架构┌─────────────┐ │ AI Agent │ └──────┬──────┘ │ ↓ 上下文注入 ┌─────────────────────┐ │ Skills Manager │ ← 技能管理层 └──────────┬──────────┘ │ ┌──────┴──────┐ │ │ ┌───▼───┐ ┌───▼────┐ │Skill A │ │Skill B │ │(代码审查)│ │(故障排查)│ └───┬───┘ └───┬────┘ │ │ │ 可能调用 MCP 工具 ↓ ↓ ┌─────────────┐ ┌─────────────┐ │ MCP Tools │ │ MCP Tools │ └─────────────┘ └─────────────┘4.3 适用场景对比场景推荐方案原因连接数据库、读取文件MCP需要标准化协议保证可靠性和安全性封装代码审查流程Skills需要灵活的知识传递和复杂逻辑编排调用第三方APIMCP需要结构化的工具定义和参数验证沉淀团队排查经验Skills需要将隐性知识显性化大规模批量操作MCP需要高性能和稳定性领域专家经验传递Skills需要自然语言定义的上下文4.4 开发维护对比维度MCPAgent Skills开发复杂度高需要编写Server、SDK、测试低只需写一个Markdown文件学习曲线陡峭需要掌握协议规范平缓熟悉Markdown即可适用人员工程师、架构师产品经理、业务专家、工程师版本控制需要管理依赖、兼容性简单的文件版本管理共享机制通过Registry发布通过Git仓库、项目目录共享测试难度需要编写集成测试难以进行自动化测试4.5 Token效率对比早期MCP的问题加载所有工具定义需要消耗大量Token可能数千甚至上万导致上下文窗口浪费严重。MCP的改进2026年1月引入渐进式发现机制Token开销下降85%。Skills的天然优势L1元数据常驻上下文20-50 tokensL2正文按需加载500-2000 tokensL3资源通过RAG检索动态计算对比结论两者在Token效率上已接近但Skills在知识密集型场景下更具优势。五、为什么从MCP演进到Skills5.1 技术发展的必然规律任何技术的发展都遵循先解决’能不能’再解决’好不好’的规律第一阶段可用性Can it work? ↓ 第二阶段可用性Can it work well? ↓ 第三阶段易用性Can anyone use it?类比1智能手机的演进阶段时间核心突破能打电话2000年代初基础通信功能能上网2005-20103G网络、浏览器有App生态2010年后iOS App Store、Android Play类比2AI编程的演进阶段时间核心突破能连系统2024MCP标准化协议能用工具2024-2025MCP服务器生态有知识体系2025-2026Agent Skills封装经验5.2 三大关键转变1. 从技术到业务MCP时代参与者的主力是技术架构师、系统工程师Skills时代产品经理、业务专家、QA都能参与实际影响# 以前只有工程师能写name:database-connector# 需要熟悉JDBC、连接池、事务管理...# 现在业务专家也能写name:订单状态流转检查# 只需要熟悉业务流程# 1. 订单创建 - 待支付# 2. 支付成功 - 待发货# 3. 发货 - 已发货# 4. 签收 - 已完成2. 从玩具到工具2024年Demo满天飞大家都在做能用的东西2025-2026年实战落地大家都在做好用的东西对比维度2024年MCP2026年Skills项目类型50% Demo 30% PoC 20% 实战10% Demo 20% PoC 70% 实战用户反馈“连上了好厉害”“用起来很顺手”关注点技术可行性业务价值、用户体验3. 从个人到组织MCP时代这是工程师的工具“我写了个好用的东西”Skills时代这是组织的资产“我们建立了一个可复用的能力体系”组织层面的变化个人能力 张三写了一个GitHub MCP Server 李四写了一个Jira MCP Server 组织能力 公司A - 代码审查Skill全公司统一标准 - 故障排查Skill沉淀10年经验 - 部署流程Skill最佳实践封装 → 新员工通过Skills快速上手AI也能像老员工一样工作5.3 技术成熟度曲线Hype Cycle根据Gartner的技术成熟度曲线MCP和Skills处于不同阶段期望膨胀期 ↗ MCP (2024) / / / 高峰期 ↘ MCP (2024末-2025初) \ \ \ \ ↘ 泡沫破裂谷底期 (2025中) \ \ ↘ Skills (2025末-2026) \ \ ↘ \ 稳步爬升期 (2026及以后)解读MCP在2024年达到顶峰随后进入理性期Skills在MCP基础上出现直接进入爬升期两者是接力关系而非竞争关系六、实战案例对比6.1 场景线上故障排查使用MCP用户帮我排查线上故障 AI Agent 1. [MCP] 连接监控系统获取最近5分钟的告警 2. [MCP] 查看Pod日志找到ERROR级别日志 3. [MCP] 查询数据库检查是否有死锁 4. [输出] 找到问题了数据库连接池耗尽 问题AI不知道应该先看什么、后看什么 只是机械地收集数据可能遗漏关键信息。使用Skills用户帮我排查线上故障 AI Agent [触发故障排查Skill] 1. [Skill指令] 首先检查业务指标是否有异常 → [MCP] 查询监控系统发现订单量下降30% 2. [Skill指令] 检查服务是否正常 → [MCP] 查看Pod状态发现3个Pod未就绪 3. [Skill指令] 检查最近部署记录 → [MCP] 查询Git提交记录发现15分钟前有新版本发布 4. [Skill指令] 回滚到上一版本 → [MCP] 执行回滚命令 [输出] 故障原因新版本引入bug已回滚 问题AI按照标准流程操作快速定位并解决问题。6.2 场景代码审查纯Prompt方式用户帮我review这段代码 AI Agent (依赖通用代码审查知识可能遗漏团队特定规范) 输出 - 代码风格还可以 - 缺少异常处理 - 建议... 问题不了解团队的具体规范审查结果不标准。使用Skills用户帮我review这段代码 AI Agent [触发code-reviewer Skill] [Skill指令] 1. 架构维度检查是否符合DDD分层架构 → 通过检查Controller、Service、Repository三层清晰 2. 异常处理检查是否遵循团队异常规范 → 发现问题第42行缺少try-catch 3. 日志规范检查是否符合日志级别标准 → 发现问题第55行应该用WARN而不是INFO 4. 安全风险检查是否有SQL注入风险 → 通过检查使用参数化查询 输出 [✓] 架构 DDD分层架构清晰 [✗] 异常处理 第42行缺少try-catch [✗] 日志规范 第55行应该用WARN而不是INFO [✓] 安全风险 使用参数化查询无SQL注入风险 问题审查结果标准化可追溯可改进。6.3 场景API接口生成纯Prompt方式用户生成一个用户查询接口 AI Agent (依赖通用RESTful API知识) 输出 GET /api/users/{id} Response: { id: 1, name: 张三 } 问题 - 不符合团队分页规范 - 缺少审计字段 - 错误码不标准使用Skills用户生成一个用户查询接口 AI Agent [触发api-endpoint-generator Skill] [Skill指令] 1. 使用RESTful规范GET /api/users 2. 支持分页page、size参数 3. 返回标准响应结构code、message、data 4. 包含审计字段created_time、updated_time 5. 使用团队统一错误码 输出 GET /api/users?page1size10 Response: { code: 200, message: success, data: { total: 100, page: 1, size: 10, list: [ { id: 1, name: 张三, createdTime: 2026-03-28T10:00:00Z, updatedTime: 2026-03-28T10:00:00Z } ] } } 问题生成的接口完全符合团队规范。七、技术选型建议7.1 选择MCP的场景✅适合使用MCP的情况需要连接外部系统访问数据库、文件系统、API调用第三方服务GitHub、Jira、Notion等需要高可靠性和稳定性生产环境的关键操作需要严格的参数验证和错误处理需要共享基础设施多个Agent复用同一套连接企业级部署和监控需求需要复杂工具编排多步骤的工作流需要状态管理和事务控制示例# MCP服务器示例数据库操作mcp.tool()asyncdefquery_user(user_id:int)-dict: 查询用户信息 参数 user_id: 用户ID必须大于0 返回 用户信息字典 ifuser_id0:raiseValueError(用户ID必须大于0)resultawaitdb.query(SELECT * FROM users WHERE id $1,user_id)returnresult7.2 选择Skills的场景✅适合使用Skills的情况需要封装领域知识代码审查规范故障排查流程业务规则说明需要灵活的指令集复杂的决策逻辑需要根据上下文动态调整非确定性的探索任务需要快速迭代业务规则频繁变化需要非技术人员参与维护快速验证想法需要沉淀组织资产团队最佳实践历史故障库评审标准示例---name:故障排查-订单服务description:对订单服务进行故障排查的标准流程---# 故障排查 Skill## When to Use当订单服务出现异常、报错、性能问题时触发。## 排查步骤1.**第一步检查业务指标**-订单成功率-平均响应时间-错误率 2.**第二步检查服务健康度**-Pod状态Running、Pending、Error-资源使用率CPU、内存-线程池状态 3.**第三步检查依赖服务**-数据库连接状态-Redis连接状态-消息队列积压情况 4.**第四步查看日志**-ERROR级别日志-WARN级别日志-慢查询日志## 常见问题处理|问题|原因|解决方案||------|------|----------||订单创建失败|库存不足|检查Redis库存缓存||响应时间过长|数据库慢查询|检查慢查询日志||Pod频繁重启|OOM|检查内存泄漏|## 输出格式问题诊断[✓/✗] 业务指标正常/异常[✓/✗] 服务健康度正常/异常[✓/✗] 依赖服务正常/异常根本原因具体原因描述解决方案具体操作步骤7.3 结合使用的最佳实践推荐架构┌─────────────────────────────────────────┐ │ AI Agent (Cursor) │ └──────────────┬──────────────────────────┘ │ ┌────────┴────────┐ │ │ ┌─────▼──────┐ ┌─────▼──────┐ │ Skills │ │ Skills │ │(故障排查) │ │(代码审查) │ └─────┬──────┘ └─────┬──────┘ │ │ │ 可能调用 │ └────────┬────────┘ ↓ ┌─────────────────────────────────────────┐ │ MCP Protocol │ └──────────────┬──────────────────────────┘ │ ┌──────────┴──────────┐ │ │ ┌───▼────┐ ┌─────▼────┐ │Database │ │ Log │ │ MCP │ │ System │ │Server │ │ MCP │ └────────┘ └──────────┘最佳实践Skills作为大脑提供知识、策略、流程MCP作为手脚执行具体操作、访问资源通过Agent编排Agent决定何时用Skills、何时用MCP实战示例---name:代码审查 安全检查description:对代码进行结构化审查和安全检查---# Code Review Security Skill## When to Use当用户要求进行代码审查时触发。## 流程1. 调用 code-reviewer Skill进行架构、异常处理、日志审查 2. 调用 security-checker Skill进行安全漏洞扫描 → 使用 security-tools MCP 运行SAST工具 → 使用 dependency-check MCP 检查依赖漏洞 3. 综合两个Skill的输出生成最终报告## 输出格式 代码审查结果 [架构审查][✓] …[✗] … 安全检查结果 [漏洞扫描][✓] 发现0个高危漏洞[依赖检查][✗] 发现1个过期依赖org.json:json:20220924 综合建议 汇总建议八、总结与展望8.1 核心结论MCP和Skills不是竞争关系而是互补关系MCP解决连接性ConnectivitySkills解决能力性Capability两者配合使用才能发挥最大价值从MCP到Skills是技术演进的自然结果不是技术路线的转向而是技术深度的推进符合先解决能不能再解决好不好的发展规律类似智能手机从能上网到有App生态的演进三大转变标志着AI编程走向成熟从技术到业务降低使用门槛从玩具到工具注重实战价值从个人到组织形成可复用的资产体系8.2 技术选型原则需求类型推荐方案核心原则连接系统MCP用标准协议保证可靠性封装经验Skills用自然语言传递知识执行操作MCP用结构化工具保证准确性灵活编排Skills用指令集实现复杂逻辑快速迭代Skills降低开发成本生产部署MCP企业级运维支持一句话总结要连系统用MCP要沉淀知识用Skills两手都要硬。8.3 未来展望1. MCP的发展方向更完善的工具链Gateway、可观测性、安全审计更多的企业级集成SAP、Salesforce、ServiceNow等更强的跨Agent互操作性2. Skills的发展方向更丰富的Skill生态GitHub Marketplace、官方Skill库更智能的Skill发现和推荐机制Skill之间的依赖管理和版本控制3. 两者融合的趋势MCP Protocol (底层) ↑ │ Skills Standard (中层) ↑ │ AI Agents (上层)未来的趋势是MCP成为基础设施Skills成为应用生态两者共同构成AI编程的完整体系。8.4 给开发者的建议不要过度纠结选择MCP和Skills各有所长根据场景选择关注实战价值不是哪个更流行而是哪个更适合你的团队从小处着手先写一个简单的MCP工具或Skill验证价值后再扩展持续学习两个标准都在快速演进保持关注积极参与社区分享你的Skills和MCP服务器回馈社区参考资料Anthropic - Introducing the Model Context ProtocolModel Context Protocol SpecificationMCP Adoption Statistics 2025Cursor Docs - Agent SkillsJavaGuide - 万字详解 Agent SkillsMCP vs Agent Skills: Why They’re Different, Not Competitingawesome-agent-skills - GitHub互动交流你在项目中使用MCP还是Skills遇到了哪些坑有什么实战经验欢迎在评论区分享你的故事和观点如果你觉得这篇文章对你有帮助请收藏本文方便后续查阅点赞支持作者持续输出转发给有需要的同事和朋友关注我的CSDN获取更多AI编程实战干货
