在 AI 的世界里,大家越来越关心一个问题:AI 能不能不仅会“说”,还会“做”?
答案是肯定的。要让 AI 真正动手办事,就需要给它“工具”。
目前有两种常见的思路:
Claude Skills—— 给 Claude Agent 配备的“个人工具箱”
MCP(Model Context Protocol)—— 面向整个 AI 生态的“通用接口标准”
它们看起来有点像,但其实定位和作用完全不同。
🔧 Claude Skills:轻量灵活的“个人工具箱”
是什么:用户自定义的技能(工具函数),告诉 Claude 如何完成某个具体任务。
特点:
1. 粒度小:一个技能就是一个功能,比如“加法”、“查天气”、“发邮件”
2.灵活:用户可以随时添加、修改、删除技能。
3. 上手快:写个函数、注册一下,就能用。
示例:加法技能
Claude Skills 由两部分组成:技能描述 + 技能实现。
技能描述(告诉 Claude 这个技能能做什么):
{"name":"add_numbers","description":"计算两个数的和","parameters":{"type":"object","properties":{"a":{"type":"number","description":"第一个数"},"b":{"type":"number","description":"第二个数"}},"required":["a","b"]}}技能实现(具体逻辑):
defadd_numbers(a,b):returna+b
调用过程:
1. 用户问:“7 + 5 等于多少?”
2. Claude 识别到需要调用 `add_numbers` 技能
3. 系统执行 `add_numbers(7, 5)` → 返回 `12`
4. Claude 回复用户:“结果是 12”
👉 一句话总结:Claude Skills 让 Claude 变得更能干,快速适应你的业务需求。
🌐 MCP:跨生态的“通用协议”
是什么:一种标准化协议,用来定义 AI 模型与外部系统之间的交互方式。
特点:
粒度大:不是单个功能,而是统一的通信规范。
标准化:不同模型、不同系统都能通过 MCP 接入同一套工具。
可移植:写一次工具,多个模型都能用。
例:天气查询工具(MCP 方式),这是一个被引用无数次的实现
工具定义(MCP 层面,告诉模型接口长什么样):
{"name":"get_weather","description":"查询指定城市的天气","parameters":{"type":"object","properties":{"city":{"type":"string","description":"城市名称"}},"required":["city"]}}
工具实现(开发者写的逻辑,比如 Python 代码):
importrequestsdefget_weather(city:str) ->str:resp = requests.get("https://api.weatherapi.com/v1/current.json",params={"key":"YOUR_API_KEY","q": city})data = resp.json()temp = data["current"]["temp_c"]condition = data["current"]["condition"]["text"]returnf"{city}当前{condition},气温{temp}℃"
调用流程:
1. 用户:查询北京天气情况?
2. 模型(Claude、GPT 等)通过 MCP 协议发起调用(通过对用户需求的理解,生成调用参数如下):
{"name":"get_weather","arguments":{"city":"Beijing"}}3. MCP Host(宿主环境)接收到调用请求 → 执行 `get_weather("Beijing")` → 返回结果。
4. 模型再把结果整合进对话,回复用户。
📊 对比
🎯 总结
Claude Skills:适合个人或团队快速扩展 Claude 的能力,灵活、轻量、上手快。
MCP:适合多模型、多系统的生态级扩展,强调标准化和互操作性。
换句话说:
👉 Skills 是“局部扩展”,让 Claude 更能干;
👉 MCP 是“通用标准”,让整个 AI 生态更开放。
| 欢迎光临 链载Ai (http://www.lianzai.com/) | Powered by Discuz! X3.5 |