Agent Skills定义解析（与 MCP 的能力封装对比）

Agent Skills 是一套把「某类任务的专业知识」打包成文件夹、由智能体按需加载的开放格式；MCP（Model Context Protocol）则是让大模型连接外部工具与数据的开放协议。两者不是替代关系：MCP 解决「模型怎么调工具、取数据」，Skills 解决「模型遇到某类任务时该按什么流程做」。理解这点，就不会把二者混为一谈。下文先拆解 Skills 的构成，再放一张对照表厘清边界。

一、Agent Skills 的基本构成

Anthropic 在 2025 年把 Skills 作为开放标准发布，任何组织或个人都能按同一格式编写、跨平台复用。一个 Skill 本质是一个目录，基础可用形态只需要一个 SKILL.md 文件。

skill-name/
  SKILL.md        # 必需：名称、描述与执行说明
  reference.md    # 可选：深度参考资料
  scripts/        # 可选：可执行的辅助脚本
    main.py
  resources/      # 可选：模板、数据等附加资源
    template.xlsx

SKILL.md 顶部用 YAML 前置元信息声明 name 与 description 两个必填字段，正文写功能说明、步骤、示例与资源索引。智能体在启动时只把元信息（名称+描述）塞进上下文做语义匹配，命中任务才读取全文，需要更深内容再逐级拉取参考文件与脚本——这叫「渐进式披露」。

1.1 为什么需要渐进式披露

上下文窗口有限。把所有技能说明一股脑塞进每次请求，既浪费 token 又稀释注意力。按「元数据 → 全文 → 资源 → 脚本」四级只加载必要部分，模型在大上下文下仍跑得快。脚本尤其关键：排序、抽取表单字段这类确定性操作，用代码跑比让模型逐 token 生成更稳、更省。

二、Skills 与 MCP 的核心区别

MCP 走的是客户端—服务器架构：一个 MCP 服务器把某个数据源或能力（工具、资源、提示模板）按统一接口暴露出来，智能体侧的 MCP 客户端用 JSON-RPC 与它通信。它解决的是「连接」，好比给模型装上一堆即插即用的外设。

Skills 解决的是「封装」：把一类任务的流程性知识（步骤、约束、模板、脚本）收进一个目录，让模型遇到对应场景时直接套用。两者关注点完全不同。

维度	Agent Skills	MCP
定位	任务知识的封装格式	工具/数据的连接协议
形态	文件夹（SKILL.md + 资源）	服务器 + 客户端
通信	无独立传输，靠上下文加载	JSON-RPC 2.0
暴露内容	指令、脚本、参考资源	Tools、Resources、Prompts
加载时机	匹配任务时按需读	客户端连接服务器后列出
跨平台	同一格式到处用	同一服务器被多客户端复用
关注问题	模型「怎么做」某类事	模型「怎么连」外部系统

三、两者如何协作

把二者放一起看，关系就很清楚：Skills 告诉模型「处理 PDF 表单时该调哪个脚本、按什么模板输出」，MCP 则提供「这个脚本要读写哪个文件系统、连哪个数据库」的通道。一个管流程，一个管连接。

智能体扫描可用 Skills，靠 description 命中当前任务；
加载对应 SKILL.md，按其中步骤规划行动；
步骤里若需访问外部系统，经由已连接的 MCP 服务器取数或执行；
需要确定性计算时，直接运行 Skill 自带的脚本，结果回写上下文。

3.1 一个基础 SKILL.md 示例

---
name: hotspot-summary
description: 当需要对社交平台热点事件做结构化摘要与风险分级时调用
---

# 热点摘要技能

收到热点原文后，按以下顺序处理：
1. 抽取实体、来源平台与发布时间；
2. 用 resources/prompt.json 中的模板生成三段式摘要；
3. 调用 scripts/score.py 计算风险分，输出 high/mid/low；
4. 把结果按 JSON 回传，不做额外发挥。

这个文件本身不依赖任何传输协议，换到支持 Skills 的任意平台都能被识别，这正是「可移植」的含义。

四、选型上常见的误判

把 Skills 当成「另一个 MCP」是常见的误解。MCP 标准化的是传输与握手，它不定义模型该按什么流程思考；Skills 标准化的是知识封装，它不负责建立连接。模型调 MCP 工具前，往往要先靠某个 Skill 决定「为什么调、调完怎么用」。另一个误判是认为 Skills 必须带代码——纯指令型 Skill 只要 SKILL.md 也能工作，脚本是可选增强项。实际落地时先确认要补的是连接能力还是流程知识，再决定上 MCP 还是写 Skill，避免两套标准互相错位。该格式发布后，多家平台相继支持同一结构，编写一次即可多处加载，迁移成本被压到很低。

五、结合热点监控举个例子

把这套关系落到 AI 热点监控工具上看就很具体。系统要判断一条社交平台话题是否值得告警，先用 grade-risk 这个 Skill 决定「按什么维度打分、怎么算高/中/低」；打分本身确定性高，就交给 Skill 目录里自带的 score.py 跑，不靠模型逐字生成。Skill 解决了「怎么做分级」。

但 score.py 要读历史热度、要写回结果库，这些外部系统不归 Skill 管。它们由 MCP 服务器暴露成统一接口，模型侧客户端连上去就能取数、回写。于是链路变成：Skill 提供流程与脚本，MCP 提供连接与数据通道，二者各管一段、互不越界。

这种分工的好处是替换成本极低。换数据源时只动 MCP 服务器，Skill 一行不改；换分级口径时只改 Skill 的资源文件，MCP 连接不受影响。把「流程知识」和「系统连接」拆成两个正交的标准，正是 Skills 与 MCP 能长期共存、互相放大的原因。

常见问题（FAQ）

Q1：Skills 和 MCP 谁替代谁？

都不替代。MCP 管连接，Skills 管流程，两者互补。

Q2：一个 Skill 必须含脚本吗？

不必。仅 SKILL.md 也能构成可用技能，脚本是可选项。

Q3：Skills 能跨平台复用吗？

能。同一文件夹格式被多家平台识别，编写一次多处加载。