Claude Skills vs MCP：为何说它是大模型应用的未来？程序员必看

Anthropic推出的Claude Skills功能通过SKILL.md文件教授AI执行特定任务，具有可组合、可移植、高效和强大的特点。采用"渐进式披露"机制，只在需要时加载相关内容，极大提升效率。与MCP相比，Skills更加轻量灵活，支持可执行代码，让AI从"知道事情"转向"真正做事"，为大模型应用开辟了新途径。

AGI大模型老王

957人浏览 · 2025-11-07 15:46:55

AGI大模型老王 · 2025-11-07 15:46:55 发布

Claude Skills：比 MCP 更强？

我花了太多时间研究 Anthropic 推出的新功能“Skills”（技能），老实说——这可能真的很重要。

图片来源：Anthropic.com，配图由 Gemini Nano Banana 制作

大家都说 AI 正变得越来越聪明。但说实话，这已经不是最有趣的部分了，对吧？真正有趣的是 它如何变得更聪明。我最近一直在试用 Anthropic 的“Claude Skills”功能，结果和我预想的很不一样。它并不是往模型里塞更多冷知识，而是教它真正完成任务。有点像培训新员工，只不过这个“员工”是 AI，还不需要咖啡休息。

那么，“Skill”（技能）到底是什么？抛开所有技术术语，其实很简单：你给 Claude 一个文件夹。这个文件夹里有一个名为 SKILL.md 的 Markdown 文件，里面包含使用说明、几个示例，可能还有一个小脚本用来自动化那些繁琐的操作。就这么简单。现在，Claude 就能做一件新事情了——比如制作 PowerPoint 演示文稿、解析你们公司奇怪的电子表格格式，或者为团队 Slack 生成定制 GIF。你需要什么，它就能做什么。

一个技能是一个包含 SKILL.md 文件的目录，其中包含结构化的指令、脚本和资源，用于赋予智能体额外能力（来源：Anthropic.com）

它到底是怎么工作的（以及为什么我觉得这很重要）

让我真正意识到它价值的地方在这里。关键在于，Claude 并不会一次性加载所有内容然后立刻卡死。那样做就太蠢了，对吧？相反，它采用了一种叫“渐进式披露”（progressive disclosure）的机制。

第一轮，Claude 只会快速浏览你设置的所有技能的名称和简短描述，就像翻阅目录一样。这几乎不占用任何资源，几乎察觉不到。

当你真正提出一个请求时，它会检查：“我有没有能处理这个任务的技能？” 一旦找到匹配项，它才会读取完整的说明。如果这些说明引用了其他文件，它也会在需要时才去读取。它以一种“懒惰但高效”的方式工作——只付出完成任务所需的最小努力。

但这还不是全部。Anthropic 围绕四个核心理念构建了 Skills：

可组合性（Composable）
这一点相当厉害。你可以将多个技能叠加在一起，Claude 会自动判断哪些技能是必需的。比如，你有一个从 CRM 拉取数据的技能，另一个是制作图表的技能。当你对 Claude 说“给我看看上个季度的销售趋势”，它会自动同时调用这两个技能，而不需要你解释它们如何配合。它自己就能协调好，就像一支真正会沟通的团队。

可移植性（Portable）
同一个技能在任何地方都能用。在 Claude 网站上构建一次，就能在 Claude Code、API 接口等任何地方无缝使用。无需重新格式化，也无需额外的转换层。你不会被锁定在某个特定生态里。

高效性（Efficient）
这又回到了“渐进式披露”的设计，但值得再强调一次，因为它确实很聪明。大多数系统会提前加载所有内容，然后祈祷一切顺利。而 Skills 只在真正需要时才加载相关内容。这意味着 Claude 能把更多“脑力”集中在你真正的问题上，而不是被一堆无关指令拖累。

强大性（Powerful）
最让我惊讶的是——Skills 可以包含真正的可执行代码，而不仅仅是提示词。你可以直接写一段 Python 脚本来处理那些需要精确性和可靠性的任务，而不是寄希望于 AI 碰巧生成正确的文本。这真正实现了两全其美。

举个实际例子来说明。假设你在一家营销机构工作，每周一都要从三个不同平台拉取用户互动数据，标准化后填入老板特别喜欢的报告模板。

没有 Skills 时，你要么手动操作（枯燥又耗时），要么每次都向 Claude 详细解释所有步骤（同样枯燥，且结果不稳定）。

有了 Skills 呢？你可以创建一个技能用于拉取数据，另一个用于报告模板，再加一个用于公司统一的图表样式。现在，你只需对 Claude 说一句“生成本周的报告”，它就会自动完成所有工作：拉取数据、正确格式化、生成符合品牌规范的图表。几秒钟搞定，而不是一小时。

技能文件结构（比听起来简单）

如果你好奇一个技能里面到底有什么，其实非常直接。主文件是 SKILL.md，就是一个普通的 Markdown 文件。里面你需要写明：

这个技能是做什么的（简短描述）
Claude 应该在什么情况下使用它
分步操作说明
输入输出示例
指向辅助文件或代码的链接
可包含其他用于参考或规则的文件（打包在 SKILL.md 中）

图片来源：Anthropic.com

在同一文件夹中，你还可以放 Python 脚本、数据文件等技能运行所需的其他内容。Claude 会先读取 Markdown 文件，再根据说明按需访问其他文件。

我见过的技能，简单如“将此数据格式化为 CSV”，复杂如“分析这个代码库，根据特定标准识别安全漏洞，并按公司内部合规格式生成报告”。它们都基于相同的结构。

文件打包在 Skill.md 中（来源：Anthropic.com）

那么，这比 MCP 更好吗？

好了，现在来聊聊 Model Context Protocol（MCP，模型上下文协议）。有一段时间，MCP 是人们试图为 AI 模型提供更多上下文的主要方式。但说实话，我一直觉得它很别扭——笨重又低效。用 MCP 就像强迫别人在回答一个问题前先背完整本员工手册。还没开始干活，模型的工作内存就已经被占满了。

而 Skills 显得聪明多了。“渐进式披露”让它极其轻量。技能在未被调用时几乎不占用任何空间，直到你需要它才激活。这为 Claude 留出了更多上下文空间去思考你真正的问题。而且，创建一个技能并不复杂——就是文件夹里放几个文件，不需要特殊训练。

可组合性也是巨大优势。使用 MCP 时，你只能依赖一开始加载的上下文。而用 Skills，Claude 能根据你的请求动态组合不同技能，灵活得多。

你到底能用它做什么？

这可不是纸上谈兵。Anthropic 已经在内部用 Skills 实现了像生成 Word 文档、Excel 文件这类功能。但真正的潜力在于你自己构建技能。

想想看：你可以做一个技能，教会 Claude 你们公司的确切编码规范；或者一个技能，自动拉取销售数据并生成你每周都要交的报告，完全不用你动手；设计师可以构建一个技能，一键生成完全符合品牌指南的社交媒体图片。这是让 Claude 适应你的工作流，而不是反过来。

图示：Skills.md 的动态加载机制确保只有相关的技能内容占用上下文窗口。（来源：Anthropic.com）

我见过有人做了一个学术研究技能，能自动按不同格式（APA、MLA、Chicago）生成参考文献，并与书目数据库核对。还有人做了一个技能，能生成符合公司数据库命名规范和安全规则的 SQL 查询。一旦你开始用“技能思维”思考，就会意识到自己一直在手动处理多少重复性工作。

再换个角度——Skills 也非常适合领域专业知识。比如你是律师，可以创建一个技能，包含你所在司法管辖区的特定法律文书格式、引注规范和常用条款。这样 Claude 起草的文件就能真正符合客户预期，而不是泛泛的“法律风格”文本。

或者你在金融行业，需要生成符合 SEC（美国证券交易委员会）规定的报告。做一个包含这些规则的技能，Claude 就不会像仅靠提示词那样偶尔遗忘或应用不一致。

可执行代码的功能更是打开了更多可能性。需要 Claude 调用公司内部 API？在技能里写个小脚本就行。想让它在处理前先验证数据？加个验证函数就好。你不再局限于语言模型通过文本生成所能实现的功能。

缺点（毕竟天下没有完美的事）

当然，它也不是毫无缺点。技能可以包含代码，这意味着你需要小心来源——就像下载应用一样，只从可信渠道获取。这是基本的网络安全常识。

还有一个小麻烦：目前技能还不能跨平台同步。在 Claude 网站上创建的技能，不会自动出现在你使用 API 时。你得手动重新上传。虽是小问题，但值得注意。

此外，虽然学习曲线不陡峭，但依然存在。你需要思考如何组织说明、哪些内容该放进技能、哪些该留在提示词里、如何处理边界情况。这并不难，但确实需要一些规划，不能完全靠即兴发挥就指望得到完美结果。

尽管如此，即使有这些小瑕疵，这仍感觉像是一次真正的转变。我们正在从“知道事情的 AI”迈向“真正做事的 AI”。老实说？这正是我一直期待的版本。

最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

✅AI大模型学习路线图
✅Agent行业报告
✅100集大模型视频教程
✅大模型书籍PDF
✅DeepSeek教程
✅AI产品经理入门资料

如果你也想通过学大模型技术去帮助自己升职和加薪，可以扫描下方链接👇👇

在这里插入图片描述

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

在这里插入图片描述

资料包有什么？

①从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点
在这里插入图片描述

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

在这里插入图片描述

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

在这里插入图片描述

④各大厂大模型面试题目详解

在这里插入图片描述

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

在这里插入图片描述