文章探讨Agent Skills与MCP在大模型应用中的互补关系。Skills是轻量级提示词标准，封装领域知识和工作流，具有自文档化、可扩展、可移植优势；MCP解决工具连接标准化问题。Skills通过上下文窗口管理提高效率，可作为Router选择性加载工具。两者结合构建安全可扩展的Agent系统，代表AI工程化新趋势。
Agent Skills 调研总结
skills vs mcp
[skills 会干掉 mcp 吗]？之前这个问题已经回复过，不能替代！
MCP 解决的是工具的连接问题，让工具发现和调用的标准化。
而 Skills 是一种轻量级的定义提示词的开放标准，可在 Skills.md 中定义专业知识和工作流，通过渐进式披露实现 Agent更省更准的选择工具。
官方提到 Skills 的 3 个优势：
- •Self-documenting: 容易理解和维护，可以当作代码进行 review 和迭代优化；
- •Extensible: 扩展性强，支持从简单的文本指令到可执行代码、资源和模板不等。
- •Portable: Skills 只是目录和文件，容易本地化编辑，版本控制和分享。
Skills 的核心价值不仅仅是
省准，还有一个关键点是Context Window Management（上下文窗口管理）。
如果把所有工具的 definition 全部塞进 system prompt，上下文会爆炸且模型容易出现幻觉。
Skills 实际上充当了一个Router或Index的角色，只有当 Agent 决定进入某个步骤时，才加载相关的 Prompts 和 Tools 定义。
skill-script vs mcp-tool
skill-script最大的风险是rm -rf /或者读取敏感配置，MCP 协议本身包含了一层权限确认（User-in-the-loop），这在协议层面上比裸跑 Script 多了一层安全保障。
如果把 skill 里面调用本地的 script 换成远程 mcp tool，
- 不会导致 agent 的轮次变多：当模型说要调用工具时，agent 调用 tool，并把 tool 的调用结果，发送给模型，让模型观察并决定下一步操作。
- 好处是 agent 调度的节点不用去管执行的安全性和稳定性，mcp 提供可靠的服务。
- 缺点是多了网络延迟和数据序列化和反序列化的过程，会导致延迟变长，但是看情况，没有大数据量这个 IO 延迟不会很大。
结合 github 上开源的 planning-with-files[1] 这个 skills 来说明，这个 skills 核心是通过 3 个文件（task-plan.md,findings.md,progress.md） 来实践 ReAct；
- planning-with-files 的底层是 manus 一样的调度逻辑，但是没有体现 manus 大量 tool 集成的复杂度。
- manus 是面向多用户的通用智能体，有很多 sass 的工程化细节；
- manas 对任务执行环境支持沙盒隔离，我觉得这很适合使用本地化 script 的 skills，对不同的场景（幻灯片制作，开发应用，创建网站，设计），提供不同的容器环境（docker image），搭配不同的 skills 即可实现。
File as State这其实是回归了 Unix 哲学。对于 Agent 来说，维护一个progress.md比维护复杂的内存变量更直观，也更容易被 LLM 理解和自我修正。
但是工程化落地要考虑安全性，对于企业来说，未来理想的架构可能是 sandbox(skills + script) / skills + mcp
skill with mcp
一个示范的 skills 定义
---name: skill名称description: 简要描述这个skill的功能和使用场景---# skill名称## 描述描述这个skill的作用。## 使用场景描述触发这个skill的条件。## 指令清晰的分步说明，告诉agent具体怎么做。## 示例 (可选)输入/输出示例，展示预期效果。已有的 mcp 生态 配合 skills 的使用：
- 在 skills 的 instruction 中，在某个步骤写明调用具体的 mcp-tool，模型负责生成调用参数；
- 通过 supergateway[2] 可以将
stdio的本地 mcp 服务暴露为sse接口提供远程访问，有的 tool（比如 git，bash，file，browser）的能力很复杂，通常是高带宽/密集 IO操作，通常是直接在操作系统执行。这个时候可以使用 supergateway 部署，使用网络协议简化调用；
- 通过 supergateway[2] 可以将
比如 CodeReview 的场景，就适合使用 skills 结合本地 mcp 执行，
- 拉取代码：调用
mcp-tool:fetch_merge_request获取完整信息
- 拉取代码：调用
- 分析项目架构：analyze_repository，生成架构文档
- 比较差异：调用
mcp-tool:fetch_merge_request_diff获取 commit diff
- 比较差异：调用
- 分析本次提交：analyze_commit，生成 review comment
- 提交审核意见：调用
mcp-tool:add_merge_request_comment提交 review comment
- 提交审核意见：调用
其中 2 个 analyze 任务在本地执行更适合，因为 agent 需要使用 bash 脚本来检索大量的文件来分析项目代码。
指令可使用skill-reference中定义的编码规范来约束 review 建议。
skill 产品落地
- claude code 最先支持 skills[3]，可以 git clone 导入 skill 到本地目录；
- cursor skills[4]，支持从 从 GitHub 安装[5]
- 国内的 trae ide 也已经支持 skill[6]，支持创建/导入 SKILL.md，提供界面交互式编辑，不过没有提及 script,assets 等关联资源的定义。
总结
从上而下看 Prompt,Skills,Memory,MCP 这些都属于 Context Engineering[7] 的范畴，爆火的 Skills 是工程化实践过程中的产物。
一个强大的 Agent 既需要 Skills 来封装领域知识和工作流程，也需要 MCP 来提供安全、可扩展的原子能力，并通过容器化技术将两者高效、安全地粘合在一起。
最后
我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。
我整理出这套 AI 大模型突围资料包：
- ✅AI大模型学习路线图
- ✅Agent行业报告
- ✅100集大模型视频教程
- ✅大模型书籍PDF
- ✅DeepSeek教程
- ✅AI产品经理入门资料
完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
为什么说现在普通人就业/升职加薪的首选是AI大模型？
人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。
智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。
AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。
资料包有什么？
①从入门到精通的全套视频教程⑤⑥
包含提示词工程、RAG、Agent等技术点
② AI大模型学习路线图（还有视频解说）
全过程AI大模型学习路线
③学习电子书籍和技术文档
市面上的大模型书籍确实太多了，这些是我精选出来的
④各大厂大模型面试题目详解
⑤ 这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。
课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**
)
