什么是 MCP？

MCP（Model Context Protocol） 是 Anthropic 推出的一个开放协议，用于连接 AI 模型和外部工具/数据源。它允许 AI Agent 安全地访问远程技能和工具。

MCP 架构组成

text
┌─────────────┐    MCP     ┌─────────────┐
│   AI Agent  │ ◄────────► │  MCP Server │
│   (Client)  │            │  (Tools)   │
└─────────────┘            └─────────────┘

核心组件

1. MCP Client (AI Agent)
   发起请求的 AI 应用程序

如：Claude Desktop、自定义 AI Agent

2. MCP Server (Tools Provider)
   提供具体技能的服务器

每个服务器可以暴露多个工具

3. MCP Protocol
   基于 JSON-RPC 2.0

支持 SSE（Server-Sent Events）或 stdio 通信

什么是SKILLS

Skill是 AI Agent 能力的核心，良好的技能设计和管理是实现智能代理的关键。
这确实是Anthropic官方推出的一种功能，它将指令、脚本和资源封装成可复用的“技能包”，能显著提升Claude在专业任务上的表现。

• 核心机制：渐进式披露 Claude Skills的关键创新在于其按需加载的机制：
• 低开销待机：会话开始时，Claude仅读取所有技能的YAML元数据（名称和简短描述），每个技能只占用几十个Token，成本极低。
• 按需唤醒：只有当你的任务与某个技能描述高度相关时，Claude才会加载该技能的完整指令、脚本和资源。这避免了在每次对话中都塞入冗长指令，既能节省宝贵的上下文窗口，又能保持模型专注。

🛠️ Skill组成与创建

一个标准的Claude Skill文件夹通常包含以下内容：

组件 说明

SKILL.md (核心)

一个Markdown文件，包含YAML前置元数据和详细的执行指令。技能能否被准确触发，很大程度上取决于其中对能力和适用场景的语义化描述。

脚本 (Scripts)

可选的Python等可执行脚本，用于处理复杂或需要确保可靠性的操作。

资源 (Resources)

可选的模板、样式表、参考文档等附加文件。

创建技能的过程对非开发者也很友好。你甚至可以直接在Claude聊天中描述需求，它会引导你并打包生成一个.skill文件供你上传启用。对于更复杂的需求，也可以参考Anthropic在GitHub上开源的官方示例和最佳实践。

🔄 Skills与MCP的对比

你之前了解的MCP（模型上下文协议） 和 Skills 是互补但不同的概念，下表清晰地展示了两者的核心区别：

特性维度	Claude Skills	MCP (模型上下文协议)
核心定位	封装“程序化知识”与工作流。指导AI“如何思考和处理”特定任务。	提供“连接工具”的标准协议。充当AI的“手和脚”，用于安全连接外部数据源和工具（如数据库、API）。
运作方式	基于文件（Markdown/脚本），依赖模型的代码执行环境来运行	基于客户端-服务器通信协议，通过定义好的接口调用工具
优势	简单、灵活、易共享。一个Markdown文件加几个脚本就能创建一个技能，且易于跨模型使用	标准化、安全。为工具集成提供了统一、受控的安全框架
局限性	依赖安全的代码执行沙箱环境	协议相对复杂，集成工具时会消耗较多上下文Token

实用信息与建议

如何获取技能：除了自己创建，你还可以从 Anthropic官方技能库 或第三方市场（如 skillsmp.com）发现和安装他人共享的技能。

使用准备：使用前需在Claude的设置中启用 代码执行与文件创建 功能。该功能面向Pro、Team、Enterprise等付费套餐用户开放。

组合使用：可以同时启用多个技能。例如，让Claude运用“品牌指南”技能设计样式，用“AI口语化编辑”技能优化文案，再调用内置的“pptx”技能生成最终幻灯片。

总结而言，Claude Skills通过封装可复用的专业知识与工作流，并利用渐进式披露机制高效加载，正推动AI从执行简单指令转向处理稳定、复杂的专业任务。

希望以上信息能帮助你全面理解Claude Skills。如果你正在考虑为某个特定任务创建或寻找技能，我可以帮你一起梳理更具体的方向。

如何用mcp实现agent访问公共skills库的能力

有几种成熟的MCP（模型上下文协议）工具可以帮Agent访问公共Skills库，核心思路是通过一个MCP服务器作为“技能管理器”，Agent通过标准协议访问，无需手动将技能复制到每个项目。

三种主流MCP技能服务方案

你可以根据开发语言偏好和技术栈，从下表中选择一个方案开始：

方案名称	技术栈	核心理念	主要工具/能力	适用场景
OpenSkill	Node.js / Docker	安全沙箱执行：在隔离的Docker容器中运行技能脚本，侧重安全执行	get-skill, use-skill, 沙盒执行命令	注重执行安全，需运行外部脚本（如Python分析、文件处理）。
SkillPort	Python	渐进式披露与统一管理：统一管理技能库，按需向不同Agent分发技能	search_skills, load_skill， 技能分类过滤	管理大量技能、需要跨团队/项目共享、为不同Agent分配不同技能集。
Agent Skill Loader	Node.js	动态学习与安装：让Agent动态发现、学习技能，并可按需安装到本地项目。	list_skills, read_skill, install_skill	希望Agent能主动探索技能库，并灵活地将常用技能“固化”到项目中。

实现步骤与关键配置

无论选择哪种方案，实现流程都相似：

安装MCP服务器

根据所选方案，通过npm或pip安装对应的MCP服务器程序。

配置技能库路径

准备技能：将公共技能库（如Anthropic官方库或第三方库）克隆或下载到本地某个目录。

指定路径：在配置中设置 SKILLS_DIR 等环境变量，指向你的本地技能目录。

配置你的AI客户端

在你使用的AI客户端（如Claude Desktop、Cursor等）的MCP配置文件中，添加该MCP服务器的启动命令和参数。例如，在Claude Desktop的 claude_desktop_config.json 中添加相应配置段。

重启并使用

重启AI客户端，Agent即可通过MCP协议发现并调用技能库中的技能。

如何选择与最佳实践

根据场景选择：

• 如果需要安全执行代码，选OpenSkill；
• 如果集中管理、分发大量技能，选SkillPort；
• 如果希望Agent主动学习并安装技能，选Agent Skill Loader。

技能格式兼容：以上方案都兼容Claude Skills的标准格式（即包含SKILL.md的文件夹），你可以直接使用从GitHub等平台下载的公共技能。

组合使用：一个Agent可以同时配置多个MCP服务器。例如，可以同时用SkillPort管理内部业务技能，用OpenSkill安全执行数据分析脚本。

🔄 Skills与MCP协作的本质

你需要明确的是：Skills（技能）是封装了“程序化知识”和“工作流”的指令包，而MCP是让Agent能够访问这些技能包（以及其他工具和数据）的“管道”或“协议”。通过MCP访问技能库，正是将两者优势结合，让Agent不仅能拿到“工具”（技能），还知道“如何专业地使用工具”。