一、引言：AI 的“最后一公里”

想象一下，你刚刚招来一个实习生，他拥有名校博士的智商，熟读百科全书，但有两个问题：

第一，他只能动嘴说，没办法操作你公司的任何软件；

第二，他不懂你们公司的具体办事流程，做事总是不合规范。

这就是当今大语言模型的真实写照。它知识渊博，但既无法连接外部世界，也缺乏执行专业任务的经验。

为了解决这两个问题，业界提出了两套核心技术：MCP（模型上下文协议） 和 Skill（技能）。

• MCP 解决了“AI 能用什么工具”的问题——它是 AI 连接外部世界的“万能插头”。

• Skill 解决了“AI 该怎么用工具”的问题——它是 AI 执行专业任务的“操作手册”。

下面，我们用最易懂的方式，逐一拆解这两个概念。

---

二、MCP：AI 的“万能插头”

2.1 什么是 MCP？

MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 公司于 2024 年底提出的一个开放标准。

它的作用非常简单：让 AI 能够以统一、标准的方式调用外部工具和数据。无论是读取本地文件、查询数据库、发送邮件，还是操作 GitHub，只要有了 MCP，AI 都能轻松做到。

你可以把 MCP 想象成 AI 世界的 USB-C 接口——就像 USB-C 统一了所有电子设备的充电和数据传输标准一样，MCP 统一了 AI 连接外部工具的方式。

2.2 MCP 是怎么工作的？

MCP 采用“客户端-服务器”架构，包含三个角色：

角色	解释	例子
MCP 宿主	你日常使用的 AI 应用	Claude Desktop、Cursor、VS Code
MCP 客户端	宿主内部负责连接服务器的模块	每个 AI 应用内置的 MCP 驱动
MCP 服务器	一个独立的程序，向 AI 提供具体能力	连接 GitHub 的服务器、连接数据库的服务器

当你在 AI 中问“帮我查看这个 GitHub 仓库的 README”时，流程是这样的：

1. AI 分析你的问题，发现需要访问 GitHub。

2. AI 通过 MCP 客户端，向 MCP 服务器（GitHub 服务）发送请求。

3. MCP 服务器执行操作，把结果返回给 AI。

4. AI 把结果整理成你能看懂的语言。

整个过程中，你完全感觉不到 MCP 的存在，但它却在幕后默默完成了所有“脏活累活”。

2.3 MCP 解决了什么痛点？

在 MCP 出现之前，每个 AI 应用如果要连接外部工具，都要单独开发适配器。假设有 10 个 AI 应用要连接 10 个工具，就需要开发 10×10 = 100 个定制接口，维护成本极高。

有了 MCP 之后，每个工具只需要开发一次 MCP 服务器，所有支持 MCP 的 AI 应用都能“即插即用”。100 个接口变成 20 个，效率提升了整整 5 倍。

---

三、Skill：AI 的“岗位说明书”

3.1 什么是 Skill？

如果说 MCP 给了 AI“双手”，那 Skill 给的就是“大脑中的操作手册”。

Skill（技能）是一个结构化的指令文件（通常是 SKILL.md），里面写明了 AI 在执行某类任务时应该遵循的步骤、规则和最佳实践。它把人类专家的经验，固化成了 AI 可以理解和执行的标准化流程。

举个简单的例子：假设你想让 AI 帮你做“代码审查”，你可以写一个 Skill，告诉 AI：

1. 先检查代码是否有明显的语法错误；

2. 再检查是否包含安全漏洞（如 SQL 注入）；

3. 然后检查代码是否符合团队的命名规范；

4. 最后生成一份结构化报告。

有了这个 Skill，即使是一个从来没有接触过你团队代码的 AI，也能“装”成有多年经验的老手，输出高质量的审查结果。

3.2 Skill 的“渐进式披露”设计

Skill 有一个非常巧妙的设计，叫做渐进式披露。

简单来说：

• 平时：Skill 就像一本放在书架上的书，AI 知道它有这本书，但不会主动去读，不影响 AI 的日常对话速度。

• 需要时：当你提出相关任务时，AI 会“抽出”这本书，快速阅读并执行其中的指令。

• 完成后：AI 会“合上”这本书，放回书架，恢复成通用助手状态。

这个设计让 AI 理论上可以拥有无限的技能库，同时又不会因为信息过载而变“笨”。

3.3 Skill 和 MCP 的核心区别

为了帮你更清晰地理解两者的区别，我们用一个对比表格来总结：

对比维度	MCP（模型上下文协议）	Skill（技能）
一句话概括	AI 的“万能插头”	AI 的“操作手册”
解决什么问题	AI 能用什么外部工具	AI 该怎么用这些工具
本质	接口协议 / 通信标准	知识文档 / 流程封装
打个比方	给 AI 装上了“双手”	给 AI 装上了“专业大脑”
技术形态	一个可运行的程序（Server）	一个 Markdown 文件（SKILL.md）
配置难度	稍复杂，需要配置命令和参数	很简单，把文件放到指定目录即可
主要成本	占用 AI 上下文窗口（Token）	主要在于知识梳理和文档编写

简单来说：MCP 让 AI 能“动手”，Skill 让 AI 知道“怎么动”。

---

四、去哪里找现成的 MCP 和 Skill？

对于新手来说，从头开发 MCP 服务器或 Skill 难度较大。好在社区已经积累了大量的现成资源，你只需要“拿来用”即可。

4.1 常见的 MCP 资源网站

网站名称	说明	推荐指数
Awesome MCP Servers	GitHub 上的聚合列表，收录了超过 7000 个 MCP 服务器，按分类整理	⭐⭐⭐⭐⭐
MCP Servers Repository	Anthropic 官方维护的仓库，包含官方集成和社区实现	⭐⭐⭐⭐⭐
MCP.so	第三方聚合网站，支持按名称搜索	⭐⭐⭐⭐
Glama MCP Servers	社区驱动的服务器索引，质量较高	⭐⭐⭐⭐

4.2 常见的 Skill 资源网站

网站名称	说明	推荐指数
Anthropic 官方 Skills 仓库	官方示例，质量最高，适合学习和参考	⭐⭐⭐⭐⭐
SkillsMP.com	号称“全球最大技能市场”，聚合了超过 50000 个技能	⭐⭐⭐⭐
Smithery.ai	社区平台，显示每个技能的激活次数和 GitHub Stars	⭐⭐⭐⭐
ComposioHQ/awesome-claude-skills	GitHub 上星标最高的精选列表（16.5k+ stars）	⭐⭐⭐⭐⭐

---

五、实战：在主流软件中配置 MCP 和 Skill

目前，OpenAI Codex、VS Code 和 Cursor 这三款主流开发工具都已原生支持 MCP 和 Skill。下面逐一讲解配置方法。

5.1 OpenAI Codex

配置 MCP

Codex 的 MCP 配置存储在 ~/.codex/config.toml 文件中。

方法一：使用 CLI 命令（最快捷）

# 添加一个 MCP 服务器
codex mcp add <服务器名称> -- <启动命令>

实际例子——添加一个数据库 MCP 服务：

codex mcp add my-database -- npx -y @my/database-mcp

方法二：手动编辑配置文件

打开 ~/.codex/config.toml，添加以下内容：

toml

[mcp_servers.my-server]
command = "npx"
args = ["-y", "@my/server", "--option", "value"]

验证是否成功：在 Codex 终端中输入 /mcp，能看到已配置的服务器列表。

配置 Skill

Codex 会自动扫描特定文件夹中的 Skill：

• 项目级 Skill：放在项目根目录的 .agents/skills/ 文件夹中

• 用户级 Skill：放在 ~/.codex/skills/ 文件夹中

你只需要把下载的 SKILL.md 文件放到上述任意一个目录，Codex 就会自动加载。

验证是否成功：运行 codex list skills，查看 Skill 是否在列表中且状态为 enabled。

---

5.2 VS Code

VS Code 从 1.102 版本开始支持 MCP，从 1.108 版本开始支持 Agent Skills。

配置 MCP

VS Code 提供了图形化配置界面，对新手非常友好：

1. 打开命令面板（Ctrl+Shift+P 或 Cmd+Shift+P）。

2. 输入并选择 MCP: 添加服务器。

3. 选择服务器类型（HTTP 或 STDIO）。

4. 填写服务器 URL 或命令。

5. 为服务器设置一个 ID，保存即可。

VS Code 支持 stdio、http 和 sse 三种传输协议。

验证是否成功：在 Copilot 聊天面板中输入 /mcp，能看到已配置的 MCP 服务器列表。

配置 Skill

VS Code 会自动检测项目目录下的 .github/skills/ 文件夹中的 Skill。

1. 在你的项目根目录下创建 .github/skills/ 文件夹。

2. 把你下载的 Skill 文件夹（包含 SKILL.md）放进去。

3. 在 VS Code 设置中搜索 Agent Skills，确保 Use Agent Skills 选项已勾选。

验证是否成功：在 Copilot 聊天中提出与 Skill 相关的任务，如果能得到符合 Skill 规范的回答，说明配置成功。

---

5.3 Cursor

Cursor 对 MCP 和 Skill 的支持非常完善，操作也很直观。

配置 MCP

Cursor 支持三种配置方式：

方式一：项目级配置文件
在项目根目录下创建 .cursor/mcp.json：

json

{
  "mcpServers": {
    "my-server": {
      "command": "npx",
      "args": ["-y", "@my/server"]
    }
  }
}

方式二：交互式菜单
在 Cursor 的 Agent 聊天模式中，输入 /mcp list，会弹出交互式菜单，可以浏览、启用和配置 MCP 服务器。

方式三：CLI 命令
在聊天中输入 /mcp enable <服务器名> 或 /mcp disable <服务器名> 可以即时开关。

验证是否成功：进入 Cursor Settings → Features → MCP，在列表中能看到你的服务器。

配置 Skill

Cursor 同样自动扫描指定目录：

• 项目级：.cursor/skills/

• 用户级：~/.cursor/skills/

图形化管理：
打开 Cursor Settings，找到 Rules、Skills、Subagents 标签页，可以在这里新建和管理技能。

验证是否成功：在 Agent 聊天中输入一条与 Skill 相关的指令，AI 会自动调用相应技能完成任务。

---

六、如何判断是否部署成功？

配置完之后，怎么确认真的生效了呢？这里提供几个通用的验证方法：

6.1 验证 MCP 服务器

软件	验证方法
Codex	终端输入 /mcp 查看列表；或运行 codex mcp list
VS Code	Copilot 聊天中输入 /mcp；或查看 Output 面板中的 MCP 日志
Cursor	Settings → Features → MCP 中查看；或聊天中输入 /mcp list

功能验证：直接向 AI 发送一条需要使用该 MCP 工具的指令。例如，配置了 GitHub MCP 后，问“帮我查看我的 GitHub 仓库列表”，如果能正确返回，说明部署成功。

6.2 验证 Skill

软件	验证方法
Codex	运行 codex list skills，查看状态是否为 enabled
VS Code	设置中确认 Use Agent Skills 已勾选；并提出相关任务测试
Cursor	Settings → Rules、Skills、Subagents 标签页中查看

功能验证：提出一个能触发该 Skill 的任务。例如，配置了“代码审查”Skill 后，说“帮我把这段代码审查一下”，观察 AI 是否按照 Skill 中定义的步骤执行。

6.3 通用故障排查

如果验证失败，按以下顺序排查：

1. 重启软件：配置更改后必须完全关闭并重新启动，这是最容易被忽略但最有效的方法。

2. 检查路径：确保配置文件中的命令（如 npx、node）和路径是正确的。

3. 检查文件位置：确认 Skill 文件放在了正确的目录（如 .cursor/skills/）。

4. 查看日志：在 VS Code 中通过 View → Output 查看 MCP 相关日志；在 Cursor 中通过 Help → Toggle Developer Tools 查看控制台错误。

---

七、总结

7.1 核心要点回顾

技术	核心作用	配置难度	资源丰富度
MCP	让 AI 连接外部工具和数据	中等	7000+ 服务器
Skill	让 AI 按专业标准执行任务	简单	50000+ 技能

7.2 给新手的建议

如果你刚接触这两项技术，我的建议是：

1. 先从 Skill 入手：Skill 的配置非常简单，只需要把文件放到指定目录，体验最顺畅。你可以在 SkillsMP.com 或 GitHub 上找一个你感兴趣的 Skill 试试。

2. 再尝试 MCP：当你需要让 AI 真正操作外部系统（如 GitHub、数据库、文件系统）时，再配置 MCP。推荐从官方示例服务器开始，比如 Filesystem 或 GitHub。

3. 推荐使用 Cursor 或 VS Code：这两款软件都提供了图形化配置界面，对新手非常友好。Codex 更偏向 CLI 操作，适合有一定命令行基础的用户。

7.3 写在最后

MCP 和 Skill 的出现，标志着 AI 从“能聊”走向“能干”的跨越。它们把 AI 从一个只会生成文本的“大脑”，变成了能动手操作、有专业规范、可不断学习的“数字员工”。

掌握了这两项技术，你就能真正地把 AI 变成你的得力助手，而不仅仅是一个聊天对象。希望这篇文章能帮你迈出这一步。