链载Ai

标题: Claude Agents Skills vs MCP:AI 扩展的两条路径 [打印本页]

作者: 链载Ai    时间: 4 天前
标题: Claude Agents Skills vs MCP:AI 扩展的两条路径

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:

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”

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:


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):

importrequests
defget_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