Skills 取代MCP？是agent落地最大的误解

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skills在内claude生态工具做一个详细解读，并附带Milvus体系内skills+MCP实操。

01

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，会让模型在先读取所有工具 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。

1.webp

02

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 在内其他工具是什么关系？它们会互相取代吗？

不难发现，现如今，模型上下文、调用工具标准多的让人眼花缭乱，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很好的解释了互相之间的关系与适用场景，核心内容总结如下：

（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）。

（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）。

（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）。

（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）。

（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。

2.webp

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。

03

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。

环境准备

系统要求

• Node.js >= 20.0.0 且 < 24.0.0

• OpenAI API Key（用于嵌入模型）

• Zilliz Cloud API Key（免费向量数据库）https://zilliz.com.cn/

3.1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

3.webp

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

3.2第二步：创建 Skills

创建Skills 目录

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

创建 SKILL.md

    ---name: milvus-code-searchdescription: 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 Practices1. **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*

3.3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：

    Milvus 的 QueryCoord 是如何工作的

4.webp

5.webp

6.webp

04

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，可能是文档的撰写规范。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。

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。