AI Skill 工具包全面解析

技术科普 · AI工具链

AI Skill 工具包

全面解析

从定义到实战，彻底搞懂 Skill、MCP、Function Calling 三大工具体系

01

什么是 AI Skill 工具包？

02

三大工具体系：Skill vs MCP vs Function Calling

03

使用场景全景图

04

如何调用 Skill？

05

本地工具包 vs 云端工具包的核心区别

06

各大模型的 Skill 生态对比

07

完整示例：从零搭建一个 Skill

08

总结与选型建议

01

什么是 AI Skill 工具包？

▌ SKILL 定义

AI Skill（技能包）是一组可复用的任务执行规范，通常以结构化文件（Markdown + 元数据）的形式存在，用于告诉 AI 模型在特定场景下应该按照怎样的工作流程、调用哪些工具、遵循哪些约束来完成任务。它本质上是把专家经验封装成可被 AI 随时取用的知识模块。

引用

Skills 是对 MCP 缺陷的一种补充方案——它通过渐进式信息披露（Progressive Disclosure）来控制 prompt 的膨胀，同时提升 Agent 的可靠性。

— Medium, LLM Tools, MCP, and Skills — A Practical Guide, January 2026

// 一句话总结

Skill = 把专家经验打包成 AI 可自动调用的知识模块；MCP = 给 AI 安装标准化插件接口；Function Calling = 让 AI 调用你写好的具体函数。三者层次不同，功能互补。

02

三大工具体系：横向对比

维度

Claude Skills

MCP

Function Calling

诞生时间

2025年10月

2024年11月

2023年（OpenAI）

开放标准

⚠️ 厂商主导

✅ 开放（Linux基金会）

❌ 厂商私有

定义方式

Markdown + YAML 元数据

JSON-RPC 工具定义

JSON Schema 函数签名

需要服务器

❌ 不需要

✅ 需要

⚠️ 视实现而定

上下文开销

极低（渐进加载）

较高（全量加载元数据）

中等

跨模型兼容

⚠️ Claude系列为主

✅ Claude/GPT/Gemini均支持

❌ 各平台不通用

网络延迟

无（本地执行）

有（网络调用）

有

执行确定性

LLM解释执行，可能有幻觉

确定性API调用

确定性API调用

引用

MCP 的 GitHub 官方工具定义单独就可以消耗数万 token，严重压缩上下文空间。Skill 的渐进式加载机制正是为此而设计的解决方案。

— IntuitionLabs, Claude Skills vs. MCP: A Technical Comparison, October 2025

03

使用场景全景图

💻代码开发辅助

Claude Code、GitHub Copilot 等 IDE 插件通过 MCP 获取实时项目上下文，配合 Skill 提供特定框架（如 React、FastAPI）的编码规范。

🗄️数据库查询

通过 MCP PostgreSQL 服务器，AI 可以直接生成并执行 SQL，将自然语言问题转化为数据查询，无需手动写代码。

📝文档处理自动化

Skills 封装 Word、PDF、Excel 等文档处理的最佳实践，告诉 AI 正确的库调用顺序和输出规范，避免生成错误代码。

🌐实时信息获取

Web Search 工具包（Function Calling 类）允许 AI 打破训练数据截止日期的限制，获取最新新闻、股价、天气等实时信息。

🔗SaaS 系统集成

MCP 服务器已覆盖 Slack、GitHub、Salesforce、Notion、Linear 等主流 SaaS，AI 可以直接操作这些系统，实现跨平台工作流自动化。

🤖多 Agent 协作

复杂任务可拆分为多个 Agent，每个 Agent 挂载专门的 Skills 或 MCP 服务器，通过协调层完成端到端的业务流程。

💡 选型原则

需要调用外部API或实时数据→优先 MCP

需要封装专家知识和工作流→优先 Skills

需要与现有代码库集成→优先 Function Calling

04

如何调用 Skill？手把手教学

01

创建 Skill 文件结构

在指定目录下建立一个以技能命名的文件夹，内含 SKILL.md 主文件和可选的辅助脚本。

02

编写 YAML 元数据（frontmatter）

在 SKILL.md 开头声明 name、description、trigger 等字段，供 Agent 快速判断该 Skill 是否与当前任务相关。

03

Agent 扫描 & 渐进加载

Agent 启动时将所有 Skills 的元数据注入系统上下文。当用户请求触发相关场景时，Agent 使用 view 工具读取完整 SKILL.md，获得详细指令。

04

按指令执行任务

Agent 依照 Skill 中的步骤说明，调用 bash、file_create 等底层工具完成实际工作，并输出规范的结果。

my-skill/SKILL.md

—

name: excel-report

description: 生成专业 Excel 数据报告，支持图表、格式化和多工作表

triggers:

–Excel 报表

–.xlsx 文件

–数据可视化

version: “1.2”

author: your-team

—

# Excel Report Skill

## 适用场景

当用户需要生成 .xlsx 文件、处理 Excel 数据时使用本 Skill。

## 执行步骤

1. 安装依赖：pip install openpyxl –break-system-packages

2. 使用 openpyxl 创建工作簿

3. 输出文件到 /mnt/user-data/outputs/

## 注意事项

– 文件名使用下划线，不用空格

– 必须调用 present_files 工具展示给用户

.mcp.json

{

“mcpServers”:{

“github”:{

“command”:“npx”,

“args”:[“-y”, “@modelcontextprotocol/server-github”],

“env”:{ “GITHUB_TOKEN”: “ghp_xxxxxxxxxxxx” }

},

“postgres”:{

“command”:“npx”,

“args”:[“-y”, “@modelcontextprotocol/server-postgres”],

“env”:{ “DATABASE_URL”: “postgresql://localhost/mydb” }

}

}

}

05

本地工具包 vs 云端工具包

对比维度

本地工具包（stdio）

云端工具包（HTTP+SSE）

传输协议

stdio（标准输入输出）

HTTP + Server-Sent Events（2025年3月规范更新）

典型用途

读写本地文件、访问本地数据库

调用 SaaS API、共享企业数据源、跨团队协作

数据安全

数据不离开本地，安全级别高

数据经由网络传输，需要 Auth + 加密

响应延迟

几乎为零

取决于网络和服务器响应速度

部署难度

本机安装即可

需部署服务、配置域名/证书/鉴权

可共享性

仅限本机

团队/组织内所有成员可共用

安全风险

若受恶意Prompt注入，可能拿到本机控制权

需防MITM、token泄露、权限越界

⚠️ 安全警示（Red Hat 2025年分析报告）

MCP 服务器的安全风险不容忽视——未知来源的 MCP 服务器可能获得本机文件访问、网络访问和命令执行权限。就像浏览器扩展一样，只安装来自可信来源的 MCP 服务器，有条件时应沙箱隔离运行。

06

各大模型的 Skill 生态对比

// 关键事实

MCP 已成为事实上的行业标准。2025 年 3 月 OpenAI 正式采纳，Google DeepMind 跟进，2025 年 12 月 MCP 被捐赠给 Linux 基金会，标志着它已从 Anthropic 的私有协议升级为整个 AI 行业的开放基础设施。

（来源：Wikipedia, Model Context Protocol 词条）

07

完整示例：从零搭建一个 Skill

data-analysis/SKILL.md

—

name: data-analysis

description: |

从CSV/Excel 文件分析数据并生成图文报告。

当用户上传数据文件并要求分析、可视化或洞察时触发。

version: “2.0”

—

# 数据分析报告 Skill

## 触发关键词

“分析数据”、”生成报告”、”数据可视化”、”.csv 文件”

## 执行流程

### Step 1：环境准备

pip install pandas matplotlib seaborn openpyxl –break-system-packages

### Step 2：读取并探索数据

import pandas as pd

df = pd.read_csv(‘/mnt/user-data/uploads/data.csv’)

print(df.head())# 预览前5行

print(df.describe())# 基础统计

### Step 3：生成可视化（保存到 /home/claude/）

– 数值型列 → 直方图 + 箱线图

– 时间序列 → 折线图

– 类别对比 → 柱状图

### Step 4：输出报告

– 将图表和分析结论整合为 HTML 报告

– 使用 present_files 展示给用户

function_calling_demo.py

import anthropic, json

client = anthropic.Anthropic()

# 定义工具（Function Calling）

tools = [{“name”: “get_weather”,

“description”:“获取指定城市的实时天气信息”,

“input_schema”:{“type”: “object”,

“properties”:{“city”: {“type”: “string”}},

“required”:[“city”]}}]

# 第一轮：让模型决定是否调用工具

response = client.messages.create(

model=”claude-sonnet-4-20250514″,

max_tokens=1024,tools=tools,

messages=[{“role”:“user”, “content”: “北京今天天气怎么样？”}])

# 解析工具调用

if response.stop_reason == “tool_use”:

tool_call= next(b for b in response.content if b.type == “tool_use”)

city= tool_call.input[“city”]

weather_data= {“city”: city, “temp”: “18C”, “condition”: “晴天”}

#第二轮：将工具结果返回给模型（省略完整代码）

my_mcp_server.py

from mcp.server import Server

from mcp.server.stdio import stdio_server

from mcp.types import Tool, TextContent

import asyncio, json

app = Server(“my-data-server”)

# 声明工具

@app.list_tools()

async def list_tools():

return[Tool(

name=”query_sales”,

description=”查询销售数据库中的月度销售额”,

inputSchema={“type”:“object”,

“properties”:{“month”: {“type”: “string”}},

“required”:[“month”]})]

# 实现工具逻辑

@app.call_tool()

async def call_tool(name: str, arguments: dict):

ifname == “query_sales”:

result= {“month”: arguments[“month”], “revenue”: 1250000}

return[TextContent(type=’text’, text=json.dumps(result))]

if __name__ == “__main__”:

asyncio.run(stdio_server(app))

08

总结与选型建议

// 选型决策树

我需要封装重复使用的工作流和专家经验→用 Claude Skills

我需要连接外部 SaaS 服务（Slack、GitHub 等）→用 MCP（云端）

我需要访问本地文件系统或本地数据库→用 MCP（本地 stdio）

我在 OpenAI / Azure 生态下开发→用 Function Calling

我需要跨模型、跨平台的通用方案→优先 MCP（已成行业标准）

引用

MCP 的快速被 OpenAI、Google DeepMind 采纳，以及 Zed、Sourcegraph 等工具链的跟进，表明围绕其实用价值的行业共识正在快速形成。

— Wikipedia, Model Context Protocol 词条（2025）

// 给读者的行动建议

① 在 Claude Desktop 中尝试挂载一个 MCP 服务器（推荐从 GitHub 或 Slack 开始）

② 把自己最常用的工作流整理成一个 SKILL.md 文件，体验渐进加载的效率提升

③ 关注 MCP Registry（2025年9月预览版）—— 这将是 AI 工具的应用商店