MCP 与 Skill 的区别：两种 Agent 工具机制的设计对比

在构建 Agent 系统时，有两类工具机制：

• Skill（技能）：以 Claude Skills 为代表
• MCP（Model Context Protocol）：以协议化工具调用为核心

它们都用于扩展大模型的能力边界，但在使用方式、系统假设、以及 token 成本上存在本质差异。

一、Skill 是什么？

Skill 的本质

Skill 本质上是一个“可复用的指令模板”。

• 通常以 SKILL.md 存在

• 使用自然语言描述：

  • 任务目标
  • 操作步骤
  • 注意事项

• 面向的是 模型的行为引导（Instruction）

它并不是一个“函数”，也不是一个“严格的工具接口”，而是：

一段在特定时机注入到上下文中的 Prompt

Skill 是如何被使用的？

Skill 的使用过程可以概括为 两阶段模型认知：

阶段一：只暴露“技能目录”

在对话或 Agent 启动时，模型看到的通常只是：

You have the following skills:
- report-gen: Generate structured reports
- db-migrate: Help migrate database schemas
- code-review: Review code changes

此时模型不知道技能的具体细节，只知道：

• 技能名称
• 简要用途

阶段二：按需加载 Skill 内容

当模型判断需要某个 Skill 时：

skill(name="db-migrate")

系统才会把 db-migrate/SKILL.md 的完整内容注入上下文：

Steps:
1. Read current schema
2. Identify breaking changes
3. Generate migration plan
...

Skill 解决的是什么问题？

Skill 解决的是：

• Prompt 过长、重复
• 操作流程难以复用
• Agent 行为不可控

它的核心思想是：

“让模型先做判断，等它确认要用，再告诉它细节。”

二、MCP 是什么？（Model Context Protocol）

MCP 的本质

MCP 是一种 协议级的工具描述机制。

它不是 Prompt 技巧，而是：

“模型如何理解外部能力”的统一接口规范

在 MCP 中，一个工具通常被描述为：

• 工具名称
• 功能描述
• 输入参数 schema（类型、必填项）
• 输出结构 schema
• 错误语义

本质上，它更接近 函数签名 + API 契约。

MCP 是如何被使用的？

与 Skill 不同，MCP 采用的是 前置能力声明。

在对话或 Agent 启动时，模型会直接看到完整的工具定义，例如（示意）：

{
  "name": "create_issue",
  "description": "Create a GitHub issue",
  "inputSchema": {
    "repo": "string",
    "title": "string",
    "body": "string"
  },
  "required": ["repo", "title"]
}

模型在推理开始之前，就已经完全知道：

• 能不能用这个工具
• 需要哪些参数
• 返回什么结构

MCP 解决的是什么问题？

MCP 解决的是：

• 工具调用不稳定
• 参数 hallucination
• 多模型 / 多 Agent 行为不一致
• 无法进行自动校验与编排

它的设计目标是：

“让模型在 reasoning 阶段，就像调用函数一样理解工具。”

三、Skill 与 MCP 的差异

设计目标不同

维度	Skill	MCP
核心目标	引导行为	精确定义能力
面向对象	Prompt / 人类理解	系统 / 协议
工具语义	软约束	强约束

上下文注入策略不同

维度	Skill	MCP
注入时机	按需（Lazy）	预先（Eager）
初始上下文	仅技能摘要	完整工具定义
细节暴露	延迟	即时

四、为什么 MCP 更消耗 Token？

在理解前面的差异后，token 成本的来源就非常清晰了。

MCP 描述的是“能力边界”，不是“操作提示”

• Schema
• 类型
• 结构
• 错误条件

这些内容 天然比自然语言指令更长。

MCP 必须在推理前完整可见

模型如果不知道：

• 参数结构
• 必填字段

就无法在 reasoning 阶段判断是否可以调用工具。

因此 MCP 不能延迟加载。

MCP 在为“系统稳定性”付出 token 成本

MCP 用 token 换来了：

• 更高 tool-call 成功率
• 更低 hallucination
• 可自动验证
• 可跨模型复用

五、Skill 更省 token，但代价是什么？

Skill 的低 token 原因来自：

• 延迟加载
• 非结构化描述
• 强 prompt 依赖

相应的代价是：

• 工具触发不稳定
• 参数不严谨
• 无法静态分析

六、结论：不是谁更好，而是谁更适合

• Skill 适合：

• 流程型任务
• 写作 / 分析 / 思维模板
• Prompt 驱动 Agent

• MCP 适合：

• 数据库 / Git / Infra
• 高风险操作
• 需要确定性的系统集成

真正成熟的 Agent 系统，往往是 Skill + MCP 的混合架构。