Skills 取代MCP？是agent落地最大的误解

1. 一文读懂 Skills、Prompts、Projects、Subagents、MCP 区别与落地实战

在 MCP 推出一周年之际，Anthropic 推出了 Claude Skills。那么，Skills 会取代 MCP 吗？ 答案是否定的。本文详解 Skills、Prompts、Projects、Subagents、MCP 五大工具的关系与适用场景，并附 Milvus 体系内 Skills+MCP 实操。

不久前，在 MCP 推出一周年之际，Anthropic 发了篇博客，大意是 MCP 工具很好，但是会让大模型把大量 token 浪费在定义 MCP 工具上。

尤其遇到有大量中间工具的情况，这个情况会更明显：比如，把一个会议记录下载然后转存到另一个软件中，那么整个会议记录会被计算两次，token 消耗会直接爆炸。

为了解决这个问题，Anthropic 推出了个新工具——Claude Skills。简单来说，Claude Skills 是一个 Markdown 文件，里面有预先编写好的脚本、指令文档、资源，作用是告诉模型什么情况下调用，以及怎么执行某项任务。

如此一来，模型在决定如何调用工具之前，会先读取所有工具 Markdown 文件的 YAML（只有几十 token），然后决定是否对其进行调取。

那么问题来了，Skills 会取代 MCP 吗？ 很显然，答案是否定的。

接下来，本文将对包括 Skills 在内的 Claude 生态工具做一个详细解读，并附带 Milvus 体系内 Skills+MCP 实操。

1.1. Skills 是什么，解决了什么问题？

传统 AI Agent 的核心痛点在于指令会被遗忘。

即使你在 System Prompt 里写得再详细，随着对话轮次增加，Claude 也会逐渐忘记你的要求。

根源在于：传统 System Prompt 是一次性注入的静态指令，会和对话历史、文件内容一起竞争上下文窗口。当任务变复杂、对话变长时，这些指令的权重就会被稀释。

Skills 通过将专业技能封装为可复用、可管理、持久化的指令模板，在需要时自动激活，不用时不占用上下文，且始终保持一致性。

另外，Anthropic 很聪明的一点是，在做 Skills 的时候，会让模型先读取所有工具 Markdown 文件的 YAML（只有几十 token），然后决定是否对其进行调取。

如此一来，简单的目录读取替代完整且繁琐的上下文，能够让单个技能在启动时仅消耗 30-50 个 tokens，实现了极高的上下文效率。

Skills工作机制示意图：展示Claude Skills如何通过YAML元数据实现高效上下文管理

1.2. 快速理解 Skills、Prompts、Projects、Subagents、MCP 之间关系

理解了 Skills 的本质（提示词模板）和工作机制（纯 LLM 推理），一个关键问题随之而来：Skills 和 MCP 在内的其他工具是什么关系？它们会互相取代吗？

不难发现，现今，模型上下文、调用工具标准多得让人眼花缭乱，仅仅是 Anthropic 生态，就能分出 Skills、Prompts、Projects、Subagents、MCP 五大类型。

不久前 Anthropic 官方出了一个文档：Skills explained: How Skills compares to prompts, Projects, MCP, and subagents，很好地解释了互相之间的关系与适用场景，核心内容总结如下：

1.2.1. Skills

包含指令、脚本和资源的文件夹，会根据任务动态匹配加载，采用渐进式披露机制（先加载元数据，再按需加载完整内容和资源）。

适合场景：

  • 组织工作流（品牌指南、合规流程）
  • 专业领域技能（Excel 公式、数据分析）
  • 个人常用流程（笔记方法、编码模式）
  • 需跨对话重复使用的专业操作（如按 OWASP 标准做代码安全审查）

1.2.2. Prompts

对话中向 Claude 提供的自然语言指令，临时且仅在当前对话有效，无持久性。

适合场景：

  • 一次性请求（总结文章、格式化列表）
  • 对话式调整（优化语气、补充细节）
  • 即时上下文需求（分析特定数据、解读内容）
  • 临时指令（无需重复使用的单次操作）

1.2.3. Projects

独立工作区，含专属聊天记录和知识库，支持 200K 上下文窗口，超出限制时自动启用 RAG 模式扩展 10 倍容量。

适合场景：

  • 需持久上下文的项目（如产品 launch 相关的所有对话）
  • 工作区分类（不同 initiatives 分开管理）
  • 团队协作（共享知识库和对话历史，仅团队 / 企业版支持）
  • 项目专属规则（统一语气、分析视角）

1.2.4. Subagents

具备独立上下文窗口、自定义系统提示和工具权限的专门 AI 助手，可独立执行任务并反馈结果。

适合场景：

  • 专业任务分工（代码审查、测试生成、安全审计）
  • 上下文隔离（避免主对话杂乱）
  • 并行处理（多个子代理同时推进不同任务）
  • 工具权限控制（如仅授予只读权限）

1.2.5. MCP

模型上下文协议（Model Context Protocol），是连接 AI 应用与外部工具、数据源的开放式标准。

适合场景：

  • 访问外部数据（Google Drive、Slack、GitHub、数据库）
  • 使用业务工具（CRM 系统、项目管理平台）
  • 连接开发环境（本地文件、IDE、版本控制）
  • 集成自定义系统（企业专有工具和数据源）

基于以上背景，可以发现 Skills 与 MCP：它们解决完全不同的问题，且互为补充。

Skills与MCP互补关系图：展示两者如何协同工作实现AI Agent功能增强

以代码搜索为例：

  • MCP（如 claude-context）：提供访问 Milvus 向量数据库的能力
  • Skills：规定优先展示最近修改的代码，按相关性排序，用 Markdown 表格呈现

一个提供能力，一个定义流程——两者缺一不可。

1.3. 自定义 Skills 实操（以 claude-context 为例）

claude-context 是一个 MCP 插件，为 Claude Code 添加语义代码搜索功能，让整个代码库成为 Claude 的上下文。

1.3.1. 环境准备

1.3.1.1. 系统要求

  • Node.js >= 20.0.0
  • OpenAI API Key（用于嵌入模型）
  • Zilliz Cloud API Key（免费向量数据库）：zilliz.com.cn

1.3.2. 第一步：配置 MCP 服务（claude-context）

在终端中运行以下命令：

claude mcp add claude-context \
-e OPENAI_API_KEY=sk-your-openai-api-key \
-e MILVUS_ADDRESS=https://xxxxxxxxx-cn-hangzhou.cloud.zilliz.com.cn \
-e MILVUS_TOKEN=your-zilliz-cloud-api-key \
-e COLLECTION_NAME=medium_articles \
-- npx @zilliz/claude-context-mcp@latest

检查结果：

claude mcp list

MCP配置完成示意图：显示claude-context MCP服务成功配置后的终端输出

此时，MCP 已经配置完成。Claude 现在可以访问 Milvus 向量数据库了。

1.3.3. 第二步：创建 Skills

1.3.3.1. 创建 Skills 目录

mkdir -p ~/.claude/skills/milvus-code-search
cd ~/.claude/skills/milvus-code-search

1.3.3.2. 创建 SKILL.md

---
name: milvus-code-search
description: 专为 Milvus 代码库设计的语义代码搜索与架构分析技能
---

## Instructions
当用户询问Milvus代码库相关问题时，我将：
1. **代码搜索**：使用语义搜索在Milvus代码库中查找相关代码片段
2. **架构分析**：分析Milvus的模块结构、组件关系和设计模式
3. **功能解释**：解释特定功能的实现原理和代码逻辑
4. **开发指导**：提供代码修改建议和最佳实践

## Target Repository
- **核心模块**:
  - `internal/` - 核心内部组件
  - `pkg/` - 公共包和工具
  - `client/` - Go客户端
  - `cmd/` - 命令行工具

## Usage Examples
### 架构查询
用户：Milvus的查询协调器是如何工作的？
助手：[搜索querycoordv2相关代码] 让我为你分析Milvus查询协调器的工作原理...

### 功能实现
用户：Milvus是如何实现向量索引的？
助手：[搜索index相关代码] Milvus的向量索引实现主要在以下几个模块...

### 代码理解
用户：这个函数的作用是什么？[指向具体代码]
助手：[分析代码上下文] 根据Milvus代码库的上下文，这个函数主要负责...

### 开发指导
用户：如何为Milvus添加新的向量距离计算方法？
助手：[搜索distance相关代码] 基于现有的实现模式，你可以按以下步骤添加...

## Best Practices
1. **精确搜索**：使用具体的技术术语和模块名称
2. **上下文理解**：结合Milvus的整体架构理解代码片段
3. **实用建议**：提供可操作的代码修改和优化建议
4. **性能考虑**：关注Milvus作为高性能向量数据库的特殊需求

---
*专为Milvus开源向量数据库项目定制的代码搜索技能*

1.3.4. 第三步：重启 claude 生效 skills 并演示效果

claude

说明：配置完成后，我们可以直接使用 Skills 查询 Milvus 代码库，例如输入：

Milvus 的 QueryCoord 是如何工作的

Skills查询结果示例1：展示Claude使用Skills搜索Milvus代码库的界面

Skills查询结果示例2：展示Milvus QueryCoord组件的详细代码分析结果

Skills查询结果示例3：展示Skills提供的代码架构可视化分析结果

1.4. 结尾

Skills 本质上是一种专业知识的封装与传递机制。通过 Skills，AI 可以继承团队的隐性经验、遵循行业的最佳实践。比如：代码审查的检查清单，或者文档的撰写规范。把这些隐性知识显性化为 Markdown 文件，模型的输出质量会有质的提升。

未来展望：长期来看，Skills 积累能力，或许会成为每个人、每个团队是否能用好 AI 的核心差距来源。