一个 Agent 在演示里能回答问题，上线后却可能卡在两处。它不知道公司规定的报表口径、审批顺序和异常处理办法；它也拿不到业务系统里的实时数据，或者没有权限执行下一步动作。前者是任务知识，后者是工具连接。Agent Skills 和 MCP 分别对应这两件事，讨论 Agent Skills 和 MCP 的区别，重点在于看清各自解决哪一层问题。
Agent Skills 是给智能体看的任务说明书，MCP 是让智能体连上外部系统的通道。任务能力与工具连接，正好是这篇文章要拆开的两条线。两者都已经成为开放标准，并交给 Linux 基金会旗下的 Agentic AI Foundation 托管。这个基金会由 Anthropic、Block 和 OpenAI 共同创立。
一句话分清 Agent Skills 和 MCP
Agent Skills 管任务怎么做，MCP 管工具怎么连。
Agent Skills 的核心是一个文件夹，里面有 SKILL.md，写着任务目标、步骤、判断标准和可用资源。Agent 在需要时读取它，按里面的说明完成任务。MCP 的核心是一套通信协议，让 AI 应用通过客户端和服务器，访问外部数据源、工具和提示模板。
用一张表做初筛：
| 你遇到的情况 | 优先考虑 |
|---|---|
| Agent 不知道公司的报表口径、审批顺序、交付标准 | Agent Skills |
| Agent 拿不到数据仓库、CRM、工单系统里的实时数据 | MCP |
| 任务步骤稳定，需要在多个产品里复用 | Agent Skills |
| 需要统一认证、远程服务、集中更新 | MCP |
| 既要按公司流程做，又要操作多个系统 | 两者组合 |
这张表只能做初筛。要判断具体项目怎么落地，还需要看两者的运行机制。
Agent Skills 是什么：把任务经验装进一个文件夹
Agent Skills 是一种轻量、开放的格式，用来给智能体补充专业知识和流程。一个技能就是一个文件夹，核心文件是 SKILL.md，至少包含 name 和 description 两个元数据，正文写清楚任务该怎么完成。文件夹里还可以放脚本、参考资料、模板和其他资源。
它采用渐进式披露，分三步加载：
- 发现：启动时只加载每个技能的名称和描述，判断当前任务是否相关。
- 激活：任务匹配后，Agent 读取完整的 `SKILL.md`。
- 执行：Agent 按说明操作，需要时再运行附带脚本或读取引用文件。
这样设计的好处是上下文占用小。企业可以同时装很多技能，只有当前任务相关的那一个会被展开。技能还能带代码，排序、格式转换、文件解析这类确定性操作交给脚本，比让模型逐字生成更稳定。
Anthropic 在 2025 年 10 月发布 Agent Skills，2025 年 12 月把它发布为开放标准。到 2026 年 10 月 22 日捐赠给 AAIF 时，已有 70 多个智能体平台接入，公开技能约 100 万个，累计安装近 2.8 亿次。这个规模说明，技能正在成为一种可分发的能力资产。
技能也有边界。它的主体是自然语言指令，模型可能理解偏差；description 写得不准，技能可能该触发时没触发。第三方技能既包含指令，也可能包含可执行代码，安装前要审查来源、脚本和外部网络访问。Anthropic 在工程博客里把这一点列为技能安全的首要注意事项。
对企业来说，技能的价值在于把个人经验变成团队资产。报表口径、客户分层规则、内容审核清单，都可以写进技能，随版本更新。ThinkingAI 的企业级 Skills 库就是按这个思路，把行业技能做成可复用的能力包。
MCP 是什么：把外部工具和数据接进 Agent
MCP 是 Model Context Protocol 的缩写，是一套开放协议，用来把大模型应用和外部数据源、工具连接起来。它采用 JSON-RPC 2.0 消息格式，定义了三个角色：Host 是发起连接的 AI 应用，Client 是 Host 内部的连接器，Server 是提供上下文和能力的服务。
MCP 服务器可以向客户端提供三类能力：
- Resources：可供用户或模型读取的上下文和数据。
- Prompts：预定义的提示模板和工作流。
- Tools：模型可以调用的函数，用来查询数据库、调用 API、执行操作。
客户端也可以向服务器提供 Elicitation，让服务器在任务中途向用户补充信息。这个设计让 MCP 不只是一组 API，还能承载任务过程中的交互。
举个例子。一个运营 Agent 要查昨天的订单、找出高风险客户、在 CRM 里创建跟进任务。数据仓库、CRM、工单系统各自暴露一个 MCP Server，Agent 通过 MCP Client 调用对应工具。每个工具都有名称、描述和输入 schema，模型据此选择工具并传参。
Anthropic 在 2025 年底的 MCP 捐赠公告中披露，公共 MCP 服务器已超过 1 万个，ChatGPT、Cursor、Gemini、Microsoft Copilot、Visual Studio Code 等产品都已支持。MCP 还有官方 Registry，方便发现和分发服务器。
MCP 的难点不在协议本身，而在工具治理。工具描述只说明这个工具能做什么，不会告诉 Agent 什么时候该用、多个工具怎么组合、结果该怎么验证。工具数量一多，发现、上下文占用和调用延迟都会变成问题。MCP 规范也明确提醒，工具代表任意代码执行，宿主应用必须获得用户明确同意，并做好权限和审计。
五个维度看清区别
| 维度 | Agent Skills | MCP |
|---|---|---|
| 解决的问题 | 任务知识、步骤、模板和判断标准 | 工具、数据和系统的标准化连接 |
| 基本形态 | 文件夹，核心是 `SKILL.md`，可带脚本和资料 | Host、Client、Server 之间的开放协议 |
| 运行方式 | 按需读入上下文，可执行附带脚本 | 通过 JSON-RPC 调用本地或远程服务 |
| 更新方式 | 修改技能文件，重新分发或同步 | 服务端更新，客户端重新连接后生效 |
| 主要风险 | 指令误解、第三方技能夹带代码 | 权限越界、工具误调用、数据泄露 |
五个维度里，最容易混淆的是运行方式。技能也能执行脚本，为什么不算 MCP？脚本是技能包的一部分，跟着技能走，通常用于确定性的本地处理。MCP 工具是独立服务，通过协议暴露能力，通常带有认证、权限、远程访问和集中更新。两者都能执行动作，承担的责任不同。
控制权也不一样。MCP 规范把 Tools 设为模型控制，Resources 设为应用控制，Prompts 设为用户控制。技能的加载由宿主应用或模型根据名称和描述触发。企业设计权限时，要把这两套控制点分开，不能因为技能里写了步骤，就默认它可以调用所有工具。
成本结构也不同。技能的主要成本在内容维护，写得好不好、更新及不及时，直接影响效果。MCP 的主要成本在服务开发、认证、权限和运维，接的系统越多，治理成本越高。LlamaIndex 团队在 2026 年的编码 Agent 实践中发现，文档更新频繁时，集中维护的文档 MCP 比本地技能更容易保持最新；任务步骤稳定时，本地技能更轻。
Skills 会替代 MCP 吗
替代关系不成立。两者解决的是不同层的问题，硬放在一起比较，容易得出错误结论。
Anthropic 在 Agent Skills 的工程博客里写得很清楚，技能可以补充 MCP 服务器，教智能体完成涉及外部工具和软件的复杂工作流。MCP 提供能力，技能提供使用能力的方法。只有 MCP 工具，Agent 知道每个工具能做什么，却不知道什么时候该用、先做哪一步、结果要满足什么标准。只有技能，Agent 知道流程，却可能拿不到实时数据，也无法操作外部系统。
技能里可以放脚本，这不等于技能能替代 MCP。脚本适合本地、确定性、随技能分发的处理；MCP 适合跨系统、需要认证、需要集中更新的连接。把脚本硬做成远程服务，或把每个 API 都写成技能里的说明，都会让维护成本变高。
两者还在分发层出现交集。MCP 在 2026 年 9 月把 Skills 扩展定为 Final，技能可以通过 MCP 被发现、读取和更新。这减少单独安装技能和版本不同步的问题，也让技能可以跟着服务一起走。分工没有消失，技能仍然描述工作流，MCP 仍然承载连接和分发。
所以更实用的问法是，这项能力应该写成技能，暴露成 MCP 工具，还是两者都做。
配合方式：MCP 给能力，Skills 给流程
一个可运行的组合通常按下面的顺序走：
- 用户提出目标，比如分析客户流失原因并给出召回建议。
- Agent 匹配并加载相关 Skill。
- Skill 说明分析口径、分层规则、工具选择、报告模板和验收标准。
- Agent 通过 MCP 调用数据仓库、CRM 和触达系统。
- Agent 按 Skill 的标准检查结果，必要时重试、补充数据或转人工。
以客户流失分析为例。Skill 定义流失口径、观察周期、分组维度和报告结构；MCP 连接数据仓库、CRM 和消息平台。Agent 先按 Skill 取数和分层，再通过 MCP 查客户记录，最后生成召回建议。涉及批量触达时，Skill 可以要求先出样本、人工确认，再执行发送。
再以合同审查为例。Skill 定义条款清单、风险等级和升级规则；MCP 连接文档库、电子签章和合同管理系统。Skill 告诉 Agent 先看哪类条款、什么情况下必须找法务，MCP 负责读取文件和发起审批。流程知识和系统连接各归其位。
这种分工带来两个复用。技能可以跨多个 MCP 服务复用，同一套分析流程换一套数据源仍然可用；MCP 服务也可以被多个技能调用，不必为每个技能重复开发连接。企业要把技能当成资产来管理，明确负责人、版本、适用范围和评测集，避免技能散落在个人电脑里。这也是 Agent 治理的一部分。
企业落地怎么选：先判断缺知识还是缺连接
可以用三个问题做初筛：
- Agent 是否知道该怎么做？如果不知道，先写 Skill。
- Agent 是否够得着数据和系统？如果够不着，先接 MCP。
- 两者都缺，先做一个最小闭环，把 Skill 和 MCP 一起跑通。
顺序上，建议先选一个高频、低风险、结果可验证的任务。周报生成、客服质检、线索分配都符合这个条件。先写一页 Skill，只覆盖一个任务；再接一个 MCP 服务，只暴露必要的工具；用 20 到 50 个真实任务做评测，记录成功率、耗时、人工接管率和单次成功任务成本。
平台选择要看四件事：技能能不能版本化，MCP 连接能不能统一授权和审计，能不能私有化部署，能不能接入现有数据底座。对已经有多套业务系统的企业，平台能否把 Skills 与 MCP 放在同一套权限和审计体系里，比单点功能更重要。
如果企业数据敏感，权限边界要前置设计。哪些 MCP 工具只能读，哪些可以写，哪些动作必须二次确认，哪些技能可以执行代码，都要在上线前写清楚。技能和工具越多，事后补权限的代价越高。
ThinkingAI 已服务全球 1500 家企业、接入 8000 款产品，Agentic Engine 支持私有化部署和多 Agent 协作，Skills 库和 MCP 服务分别承接技能资产与工具连接。对于既要沉淀行业方法、又要连接现有业务系统的团队，这种分层比把所有能力塞进一个提示词更容易维护。
上线前要补的三件事
第一，权限。MCP 工具可能读写业务系统，必须按最小权限授权，区分只读、写入和高风险操作。高风险动作要有二次确认和审计日志。技能可能携带脚本，安装前要审查来源、依赖和网络访问，运行环境要限制可触达的范围。
第二，版本。技能会迭代，MCP 服务也会升级。技能要有版本号、变更记录和回滚方式；MCP 服务要有兼容性说明和弃用策略。Skills over MCP 支持服务端更新技能，企业仍要校验清单和文件摘要，避免版本错配。
第三，评估。演示能跑通，不代表生产可用。要定义任务成功率、平均耗时、人工接管率、单次成功任务成本和错误类型，用真实任务做小规模评测。评测集要覆盖正常流程、边界条件和失败恢复。上线后持续监控，发现技能触发不准或工具调用错误时，先定位是知识问题还是连接问题，再决定改 Skill 还是改 MCP 服务。
FAQ
Agent Skills 和 MCP 可以只选一个吗？
可以，取决于任务。只在 Agent 运行环境内完成、不需要外部系统的任务，Skill 可能足够。只需要连接外部系统、步骤很简单的任务，MCP 可能足够。复杂企业任务通常两者都需要。
Skills 里可以放脚本，为什么还要 MCP？
脚本是技能包的一部分，适合确定性计算、文件处理和格式转换。MCP 工具是独立服务，适合访问实时数据、业务系统和需要统一认证的场景。脚本能执行动作，但不提供标准化的远程连接、发现和权限治理。
MCP 工具很多时怎么管理？
按任务域分组，控制暴露给 Agent 的工具数量。工具要有清晰的名称、描述和输入 schema，并配合 allowlist、权限和审计。工具数量继续增长时，可以用工具搜索、网关或按需加载，减少上下文占用和误调用。
小团队先做 Skills 还是先接 MCP？
先看失败原因。Agent 不知道怎么做，先写 Skill；Agent 拿不到数据或不能执行，先接 MCP。资源有限时，选一个高频任务，先做最小闭环，不要同时铺开多个系统和多套技能。
Skills over MCP 会让两者合并吗？
它让技能可以通过 MCP 分发和更新，减少单独安装和版本不同步。技能仍然描述工作流，MCP 仍然提供连接和分发通道。职责没有合并，分发方式变近了。
Agent Skills 和 Claude Skills 是一回事吗？
Agent Skills 是开放标准，Claude Skills 是 Anthropic 在 Claude 产品中的实现。其他平台可以按照 Agent Skills 规范实现自己的技能加载方式，技能文件可以在兼容产品之间复用。
参考资料
- Anthropic，Equipping agents for the real world with Agent Skills，2025 年 10 月 16 日，https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
- Anthropic，Donating Agent Skills to the Agentic AI Foundation，2026 年 10 月 22 日，https://www.anthropic.com/news/donating-agent-skills-to-the-agentic-ai-foundation
- LlamaIndex，Skills vs MCP tools for agents，2026 年 2 月，https://www.llamaindex.ai/blog/skills-vs-mcp-tools-for-agents-when-to-use-what
- Anthropic，Donating the Model Context Protocol and establishing the Agentic AI Foundation，2025 年 12 月，https://www.anthropic.com/news/donating-the-model-context-protocol-and-establishing-of-the-agentic-ai-foundation
