一.MCP概念

      在介绍MCP之前，我们先来看一个日常问题想象一下，你在用ChatGPT这样的AI助手，你问它:"帮我看看今天的日程安排"。AI回答:"抱歉，我看不到你的日程表。为什么呢?因为AI就像一个关在房间里的超级聪明的人:它知识很丰富，它推理能力很强；但它完全接触不到外面的世界(你的文件、数据库、日历...)。但是拥有了MCP之后，AI就可以通过MCP来读取你的文件啦!

      MCP的全称是model context protocol,即模型上下文协议。拆开来理解就是Model(模型):指的是AI模型；Context(上下文):AI需要的背景、数据、工具；而Protocol(协议):标准的交流规则。

      那么MCP既然在AI领域如此之火，它的用途又是什么呢?简单来说，MCP就是能够让大模型更好地使用各类工具的一个协议。而MCP的出现，就等于是让大模型拥有了使用各类外部工具的能力。MCP 让 Agent 从「只会聊天」进化成了「能真正干活」，这是一切上层能力的前提。听到这里很多小伙伴可能就跃跃欲试，想要使用MCP。但是别急，在使用MCP之前，我们需要知道以下概念

• MCP Host: 相当于大管家，可以用酒店的前台经理比喻，负责接待客人(用户)，管理房间(Client)，确保安全(权限控制)，协调服务(调度)。我们常用claude Desktop当；
• MCP Server : 它和我们日常生活中的Server无太大关系，它只是一个程序，和手机上的应用没啥太大的区别，不过这个程序的执行是符合MCP协议的
• MCP Client: 相当于一个邮递员，负责把AI的请求送给Server,并把Server的回复带回来。注意一个Client只连接一个Server，它们之间隔离安全，互不干扰。Client自己不能主动出现，得由Host创建。

对三者关系进行总结：

Host是大脑(决策者)，Client是手脚(执行者)，Server是工具(能力提供者)

二.MCP 和 Agent Skill 的区别

      最近 AI 智能化火得一塌糊涂，大模型领域的各种新概念也层出不穷。作为开发者，你可能好不容易刚把 Agent Skill的 Function Calling 玩明白，Anthropic 这边又搞出了一个 MCP。这时候，我相信 90% 的开发者心里都会冒出同一个嘀咕：

“这不都是让 AI 去调外部 API 吗？我用 LangChain 或者是 Spring AI 的 Tool/Skill 已经能让 Agent 读写数据库、翻看 GitHub 了，为什么还需要一个劳什子 MCP？这难道不是换个马甲重复造轮子吗？”

如果你也有这个困惑，恭喜你，你陷入了当前 AI 开发中最典型的一个概念误区：混淆了“功能实现（What）”与“连接协议（How）”。

      首先我们需要明白的是，MCP 和 Agent Skill 不是同类概念，不是竞争关系，而是互补的。如果把 Agent 当成刚入职的“AI 实习生”，那它们俩的分工清晰得就像 HR 发的入职大礼包:

      MCP 解决的是：“实习生怎么获得工具”，即解决的是「Agent 怎么获得外部能力」，它把数据库、API、文件系统这些外部工具标准化封装成服务，Agent 通过 MCP 就能查数据、调接口、读写文件。

      与之相对应的是，Skill 解决的是：“实习生拿到工具后，按什么步骤干活”， 光有工具不会用也是白搭。所以它解决的是「Agent 拿到这些能力之后，该按什么步骤、什么标准来完成任务」，它把完成某类工作的知识和流程打包成可复用的模块。

💡 大白话秒记公式：

• MCP 是给 Agent 配的高配电脑和正版软件（提供硬核能力）。

• Skill 是给 Agent 发的员工手册和标准 SOP（提供业务脑子）。

      看到这里，可能又有写 Prompt 的老司机要掀桌子了：“听你吹了半天 Skill，这不就是我平时写的那些长篇大论的 System Prompt 吗？套个马甲又来割韭菜？”

      还真不是。 如果把普通的 Prompt 比作你贴在电脑前的死便签，那 Skill 就是一套具备“主观能动性”的动态插件系统。它和普通 Prompt 最大的区别，在于以下两个逆天的工程化设计：

• 第一，Skill 能被 Agent 自动发现。Agent 启动的时候会扫描可用的 Skill 列表，当用户提了一个任务，Agent 自己判断哪个 Skill 和这个任务相关，主动去加载，不需要你手动告诉它「用 code-review 这个 Skill」。

• 第二，Skill 用了一套渐进式加载的机制来节省 context window。启动时只加载每个 Skill 的名字和一句话描述，大概每个 Skill 只占 30 到 50 个 token；只有当 Agent 判断某个 Skill 和当前任务相关时，才会加载完整的指令正文；执行过程中需要用到模板或参考文档时，才会进一步加载这些资源文件。这样就避免了把所有 Skill 的内容一股脑塞进上下文，浪费宝贵的 context window 空间。

      所以Skill的粒度比MCP工具粗得多。MCP的粒度是单个函数调用，比如 read_file、query_database；Skill 的粒度是一个完整的工作流程，比如「代码审查」「数据分析报告」，内部可能涉及好几个步骤、调用好几个工具。

      打个通俗的比方： MCP 工具是“扳手”、“螺丝刀”和“电钻”，躺在工具箱里随时待命； 而 Skill 是一位“高级维修工”，他脑子里有完整的修车流程图（SOP），他会自己根据坏车的情况（自动发现），从工具箱里挑选合适的扳手（调用 MCP）来搞定战斗。