夜雨聆风
AI 编程工具的四层能力体系:Skills、MCP、Rules、Agents 完全指南
2024 年底，Anthropic 发布了 Model Context Protocol（MCP）；2025 年底，Agent Skills 作为开放标准正式推出；到 2026 年初，Claude Code 已跃居开发者最喜爱的 AI 编程工具榜首。
在这场变革背后，有四个核心概念正在重塑我们与 AI 协作编程的方式：Skills（技能）、MCP（模型上下文协议）、Rules（规则）和 Agents（智能体）。
它们各自解决什么问题？彼此之间是什么关系？为什么说理解它们就是理解 AI 编程的未来？
在深入技术细节之前，我们先用一个直观的类比来建立整体认知：
|
|
|
|
|---|---|---|
| Rules |
|
|
| Skills |
|
|
| MCP |
|
|
| Agents |
|
|
医院的管理制度（Rules）规定了所有人都必须遵守的基本规范——手术前必须洗手、处方必须双人核对。医疗操作手册（Skills）则是各种专业操作的详细指南——心脏搭桥手术怎么做、急救流程是什么。检验设备和病历系统（MCP）让医生能够获取化验结果、调阅影像资料、查看患者历史。而各科室的医生（Agents）则是独立思考、自主行动的专业人员，他们遵循制度、参考手册、使用设备，最终完成诊疗任务。
理解了这个类比，我们就可以逐一展开了。
Rules：始终在线的行为规范
什么是 Rules？
Rules 是 AI 编程助手启动时就加载的持久化指令，定义了 AI 在整个工作过程中必须遵循的约束和规范。在 Claude Code 中，Rules 主要通过 CLAUDE.md 文件和 .claude/rules/ 目录来定义。
它解决什么问题？
每次你开启一个新的 AI 对话，AI 对你的项目一无所知——它不知道你用的是什么构建工具、测试框架是哪个、代码风格有什么偏好、提交信息该怎么写。如果每次都要重新交代这些，效率极低。
Rules 就是解决这个问题的：一次定义，每次对话自动生效。
实际例子
# CLAUDE.md — 项目根目录## 构建命令- 运行测试：`npm test`- 构建项目：`npm run build`## 代码规范- 使用 TypeScript strict 模式- 组件文件使用 PascalCase 命名- commit 信息遵循 Conventional Commits 格式## 架构约定- API 路由放在 src/routes/ 下- 数据库操作必须通过 Repository 层作用范围：层叠式继承
Rules 支持多层级继承，从最宽泛到最具体：
全局规则 ~/.claude/CLAUDE.md → 所有项目生效项目规则 ./CLAUDE.md → 当前项目生效目录规则 ./src/api/CLAUDE.md → 特定目录生效条件规则 .claude/rules/python.md → 仅处理 .py 文件时生效层级越深，优先级越高。 你可以在全局设置通用偏好，在项目中覆盖特定配置，在子目录中进一步细化——就像 CSS 的层叠规则一样。
跨工具支持
Rules 并非 Claude Code 独有。几乎所有主流 AI 编程工具都有类似机制：
|
|
|
|---|---|
|
|
CLAUDE.md
.claude/rules/ |
|
|
.cursor/rules/*.mdc |
|
|
.github/copilot-instructions.md |
|
|
.windsurf/rules/ |
|
|
|
2025 年，一个跨平台标准 AGENTS.md 应运而生（由 Google、OpenAI、Sourcegraph 等联合推出），目前已被 6 万多个 GitHub 仓库采用，旨在让一份指令文件适配所有 AI 编程工具。
Skills：按需加载的专业技能
什么是 Skills？
如果说 Rules 是「公司制度手册」，那 Skills 就是「岗位操作手册」。
Skills 是模块化的指令包，每个 Skill 是一个文件夹，核心是一个 SKILL.md 文件，里面包含了完成特定任务的详细步骤、工作流程和参考资料。它由 Anthropic 在 2025 年 10 月首次推出，12 月作为开放标准 Agent Skills 发布，现已被 Claude Code、Cursor、VS Code Copilot、OpenAI Codex 等 20 多个平台支持。
它解决什么问题？
Rules 适合放简短的约束和规范，但当你需要教 AI 完成一个复杂的、多步骤的工作流程时，Rules 就力不从心了。比如：
-
• 如何将 Markdown 文章转换为微信公众号格式并发布？ -
• 如何按照团队规范进行代码审查？ -
• 如何生成符合品牌设计风格的封面图？
这些都需要详细的步骤说明、决策逻辑、甚至配套脚本——这正是 Skills 的用武之地。
关键特性：渐进式加载
Skills 最精妙的设计在于渐进式加载（Progressive Disclosure）：
空闲时：仅加载名称和描述 → ~30-50 tokens激活时：加载完整指令 → 数千 tokens这意味着你可以安装几十个 Skill，但只在需要时才消耗上下文窗口。相比把所有指令塞进 Rules（每次对话都全量加载），Skills 节省了 90% 以上的 token 开销。
一个 Skill 长什么样？
---name: code-reviewdescription: 对代码变更进行全面审查，检查安全性、性能和可维护性version: 1.0.0user-invokable: true---## 审查流程1. **读取变更**：获取所有修改的文件2. **分层检查**： - 安全性：是否存在注入、XSS、敏感信息泄露 - 正确性：逻辑是否正确，边界条件是否处理 - 性能：是否有 N+1 查询、不必要的重渲染 - 可维护性：命名是否清晰，是否过度设计3. **输出报告**：按严重程度分级（Critical / High / Medium / Low）用户可以通过 /code-review 斜杠命令手动调用，AI 也会在检测到相关任务时自动激活。
Skills 生态
Skills 已经形成了一个类似 npm 的生态系统：
-
• 公共目录：skills.sh 提供可搜索的 Skill 索引 -
• 安装工具： npx skills add <owner/repo@skill>一键安装 -
• 版本锁定： skills-lock.json确保团队使用一致的版本 -
• 用户定制：通过 EXTEND.md文件覆盖默认配置
MCP：连接万物的通用协议
什么是 MCP？
Model Context Protocol（模型上下文协议）是 Anthropic 在 2024 年 11 月发布的开放标准，用于将 AI 助手与外部工具和数据源连接起来。
一句话概括：MCP 是 AI 的 USB-C 接口。
在 MCP 出现之前，让 AI 连接 GitHub 需要一套代码，连接数据库需要另一套，连接 Slack 又是一套——每个集成都是定制开发。MCP 将这一切标准化为一个协议：任何 MCP 兼容的客户端都能连接任何 MCP 兼容的服务器，无需定制胶水代码。
技术架构
MCP 采用客户端 – 服务器架构，通过三个核心原语工作：
┌─────────────────────────────┐│ AI 助手（Host） ││ ││ ┌───────────┐ ││ │ MCP Client │──────────── │──→ MCP Server: GitHub│ └───────────┘ ││ ┌───────────┐ ││ │ MCP Client │──────────── │──→ MCP Server: 数据库│ └───────────┘ ││ ┌───────────┐ ││ │ MCP Client │──────────── │──→ MCP Server: Notion│ └───────────┘ │└─────────────────────────────┘三个核心原语：
|
|
|
|
|---|---|---|
| Tools |
|
|
| Resources |
|
|
| Prompts |
|
|
生态现状
截至 2026 年初，MCP 生态已经相当成熟：
-
• 97M+ 月度 SDK 下载量 -
• 10,000+ 社区构建的 MCP 服务器 -
• 所有主流 AI 工具（Claude、ChatGPT、Gemini、Copilot、Cursor）均已原生支持 -
• 已捐赠给 Linux 基金会，由 Anthropic、OpenAI、Google、Microsoft、AWS 共同治理
常见的 MCP 服务器包括：
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
MCP vs API 调用：三个关键区别
你可能会问：这和直接调 API 有什么区别？
-
1. 标准化：开发者只需实现一次 MCP 协议，所有 AI 工具都能用，而不是为每个 AI 工具分别对接 -
2. 双向通信：MCP 不仅仅是 AI 调用工具，工具也可以主动向 AI 推送信息（如数据变更通知） -
3. 安全模型：MCP 内置了权限控制，用户可以精细地控制 AI 能访问什么、能做什么
Agents：自主行动的智能体
什么是 Agents？
如果把前面三个概念比作基础设施，那 Agents 就是真正「干活的人」。
Agent 是一个能够自主规划、执行、检查和调整的 AI 实例。它不只是回答问题——它会制定计划、拆分任务、调用工具、检查结果，如果发现问题还会自行修正，直到任务完成。
子智能体（Subagents）
在 Claude Code 中，主对话可以派生出专门的子智能体来并行处理任务：
主对话（你在交互的 AI） ├── 子智能体 A：安全审查（独立上下文） ├── 子智能体 B：性能分析（独立上下文） └── 子智能体 C：代码风格检查（独立上下文）每个子智能体：
-
• 拥有独立的上下文窗口，不会污染主对话 -
• 可以配置专属的工具集和 MCP 服务器 -
• 可以预加载特定 Skills -
• 完成后只返回结果摘要给主对话
这就像医院里的分诊制度：主治医师负责统筹，具体的化验、影像、检查分别交给各科室专家去做，最终汇总结果再做诊断。
自定义 Agent
你可以创建自己的专属 Agent：
---name: security-reviewerdescription: 审查代码中的安全漏洞tools: Read, Grep, Glob, Bashmodel: opus---你是一名资深安全工程师。请审查代码中的以下问题：- 注入漏洞（SQL、XSS、命令注入）- 认证和授权缺陷- 代码中的密钥或凭据- 不安全的数据处理请提供具体的代码行引用和修复建议。将这个文件放在 .claude/agents/ 目录下，AI 就能在适当时机自动调用它。
Agent Teams（智能体团队）
更进一步，Claude Code 还支持多个独立的 AI 会话协同工作：
Team Lead（团队负责人） ├── 成员 A：负责前端重构 ├── 成员 B：负责 API 开发 └── 成员 C：负责测试编写团队成员通过共享任务列表和消息传递来协调工作，就像一个真正的开发团队一样。
四者如何协同工作？
理解了每个概念之后，让我们看看它们是如何在一个真实场景中协同运作的。
场景：你对 AI 说「帮我实现用户注册功能，包含邮箱验证」
1. Rules 生效 → AI 读取 CLAUDE.md，知道项目用 Next.js + Prisma → AI 读取代码规范，知道要用 TypeScript strict 模式 → AI 读取提交规范，知道 commit 格式要求2. Skills 激活 → AI 自动加载 TDD Skill，决定先写测试 → AI 加载 Code Review Skill，准备写完后自审3. MCP 连接 → 通过 GitHub MCP 创建功能分支 → 通过数据库 MCP 检查现有 Schema → 通过 Playwright MCP 运行端到端测试4. Agents 分工 → 主 Agent 制定实施计划 → 子 Agent A：编写数据库迁移脚本 → 子 Agent B：实现 API 路由 → 子 Agent C：编写前端表单组件 → 子 Agent D：安全审查所有代码 → 结果汇总，主 Agent 提交代码四者各司其职，缺一不可。
分层架构全景图
┌─────────────────────────────────────────────────┐│ 用户交互层 ││ 你输入指令，AI 回复结果 │├─────────────────────────────────────────────────┤│ Agents（执行层） ││ 自主规划、并行执行、检查结果、自动修正 │├─────────────────────────────────────────────────┤│ Skills（知识层） ││ 按需加载的专业知识、工作流程、操作指南 │├─────────────────────────────────────────────────┤│ Rules（约束层） ││ 始终生效的代码规范、项目配置、团队约定 │├─────────────────────────────────────────────────┤│ MCP（连接层） ││ 标准化的外部工具和数据源接口 │├─────────────────────────────────────────────────┤│ Hooks（自动化层） ││ 确定性的生命周期脚本，不依赖 AI 推理 │└─────────────────────────────────────────────────┘
你可能注意到了图中还有一个 Hooks——它是在 AI 推理循环之外运行的确定性脚本，比如每次提交前自动运行 lint、每次启动时检查环境变量。Hooks 是「自动安检员」，不需要 AI 理解或判断，只要触发条件满足就执行。
横向对比：各工具的支持情况
|
|
|
|
|
|
|
|---|---|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
可以看到，MCP 和 AGENTS.md 已成为事实上的行业标准，所有主流工具都在向它们靠拢。
趋势与展望
标准化融合
MCP、Agent Skills、AGENTS.md 都已进入 Linux 基金会旗下，碎片化的时代正在过去。
从助手到自主工程师
AI 编程工具的演进路径清晰可见——从 2022 年的行内补全（Copilot），到 2025 年的智能体会话（Claude Code），再到 2026 年的多日自主编程（Kiro）。
Skills 生态爆发
就像 npm 之于前端、Docker 之于容器化，Skills 正在成为 AI 能力分发的标准单元。
Token 效率成为核心关注
渐进式加载（Skills）、服务端数据过滤（MCP）、上下文隔离（Subagents）——整个行业都在想方设法让有限的上下文窗口发挥最大价值。
写在最后
Skills、MCP、Rules、Agents——这四个概念并不是相互竞争的替代品，而是一个精心设计的分层系统中各司其职的组件：
-
• Rules 告诉 AI「你必须遵守什么」 -
• Skills 告诉 AI「你应该怎么做」 -
• MCP 让 AI「能够触及什么」 -
• Agents 让 AI「自主完成什么」
理解这四个概念，不仅能帮助你更高效地使用当前的 AI 编程工具，更能让你看清这个领域的发展方向——从编写代码的助手，到管理代码的工程师，AI 正在一步步走来。
而你要做的，不是担心被替代，而是学会如何当好这支 AI 团队的「技术总监」。