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：

• 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）：

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。