夜雨聆风OpenClaw 的 MCP 和 Skill 到底有什么区别？一文讲透
用 OpenClaw 的同学，可能同时见过这两个东西：
装技能： skillhub install xxx配 MCP： openclaw mcp set xxx
都是"给 AI 加能力"，它们有什么区别？该用哪个？
今天彻底讲清楚。
先说人话：它们解决的是不同层次的问题
打个比方：
Skill 是给 AI 装一个"器官"——比如给它装一个"公众号器官"，装完它就能写公众号 MCP 是给 AI 接一根"数据线"——比如接到 Spotify 的数据线，它就能查你的播放列表
一个是能力包，一个是连接协议。不是一个层次的东西。
什么是 Skill？
Skill（技能）是 OpenClaw 原生的扩展格式，本质是一个文件夹，里面有一个 SKILL.md 文件，定义了：
这个技能是做什么的 怎么调用（工具列表、命令格式） 怎么配置 使用示例
装 Skill 的方式很简单：
skillhub install wewrite
# 或者
openclaw skills install wewrite
装完之后，OpenClaw 会自动加载这个技能，AI 在对话时就能调用它的能力。
什么是 MCP？
MCP（Model Context Protocol，模型上下文协议）是 Anthropic 在 2024 年底推出的开放协议，目的是标准化 AI 和外部工具的连接方式。
MCP 不是 OpenClaw 发明的，但 OpenClaw 支持它。
打个更具体的比方：
Skill 像是给房子装新家具——你决定家具是什么、放在哪、怎么用 MCP 更像是给房子通水电——接一根标准管道，水和电就自动来了，你不需要知道管道怎么铺
MCP 的核心价值是标准化：一套协议，接入后任何支持 MCP 的 AI 都能用这个工具。
OpenClaw 对 MCP 的支持
OpenClaw 在 MCP 方面有两层身份：
1. OpenClaw 作为 MCP 服务端
把 OpenClaw 的能力暴露给其他 MCP 客户端（比如 Claude Desktop）使用。通过 openclaw mcp serve 命令实现。
2. OpenClaw 作为 MCP 客户端
把外部 MCP 服务（第三方工具）接入 OpenClaw。通过 openclaw mcp set 配置实现。
我们普通用户最常用的是第二种——让 OpenClaw 去调用外部 MCP 服务。
直接对比：Skill vs MCP
| 对比项 | Skill | MCP |
|---|---|---|
| 本质 | OpenClaw 原生的能力包格式 | 通用协议，用于连接外部服务 |
| 安装方式 | skillhub install / openclaw skills install |
openclaw mcp set + 配置文件 |
| 配置文件 | SKILL.md 文件 |
JSON 格式的 MCP 服务器定义 |
| 依赖 | 纯本地，Skill 本身包含逻辑 | 需要外部 MCP 服务器运行 |
| 生态规模 | ClawHub/SkillHub 13000+ 技能 | 全球 MCP ervers 1000+ |
| 标准化程度 | OpenClaw 专属 | 跨平台，Claude/其他 AI 都能用 |
| 场景 | OpenClaw 特色的工作流、内容创作 | 连接第三方服务（数据库、GitHub API 等） |
| 上下文消耗 | 低（纯指令，无工具 schema 注入） | 高（每个请求要注入大量工具定义 schema） |
MCP 的核心缺点：Token 成本
这是很多人没注意到的一点。
MCP 的工具定义是需要每次请求都发送给模型的。Anthropic 之前发过一个案例：某生产环境里，一次请求光工具定义就消耗了 $0.84 的 Token 费用——在真正开始工作之前。
一个 MCP 服务器如果有 20 个工具，光工具 schema 就可能消耗几千个 Token。对于日常使用场景，这是巨大的浪费。
OpenClaw 的 Skill 系统是基于 CLI 和脚本的，模型看到的是纯文本指令，不是动态注入的工具 schema——所以上下文干净很多。
各自的优缺点
Skill 的优点
1. 低上下文成本 不需要每次请求注入大量 schema，纯文本指令，Token 消耗低得多。
2. 专为 OpenClaw 设计 Skills 和 OpenClaw 的内存系统、Dreaming、工作区文件深度集成，是真正的"原生超能力"。
3. 本地化支持好 SkillHub 有腾讯云国内加速，中文搜索，全中文界面。国内用户装起来飞快、用起来顺手。
4. 工作流封装完整 好的 Skill 不只是工具，还包含完整的工作流（比如 wewrite 从选题到发布的全流程）。
Skill 的缺点
1. OpenClaw 专属 Skills 无法跨平台复用，你写的 Skill 只能给 OpenClaw 用。
2. 生态相对封闭 虽然 SkillHub 有 13000+，但和全球 MCP 生态相比还是有限。
MCP 的优点
1. 真正的"即插即用" 很多第三方服务官方提供 MCP Server，一次接入，Claude、OpenClaw、Cursor 都能用。
2. 适合连接外部 API 如果你要接一个 REST API、管理数据库、操作外部文件系统，MCP 是更标准的方式。
3. 动态工具发现 MCP 支持运行时动态发现工具，不需要重启服务。
4. 生态活跃 MCP 是行业开放标准，持续有新服务器加入，工具库增长快。
MCP 的缺点
1. Token 成本高 工具 schema 每次请求都要注入，一个复杂 MCP 服务器可能消耗数千 Token。
2. 配置复杂 需要手动写 JSON 配置，了解服务器 URL、认证方式、传输协议等。
3. 外部依赖 MCP 服务器本身要运行，一旦服务器挂了，工具就全废了。
4. 响应延迟 MCP 是通过网络调用的（即使本地也有 IPC 开销），比直接执行本地脚本慢。
什么时候用哪个？
优先选 Skill 的场景：
OpenClaw 本身的工作能力扩展（写公众号、搜索、内容润色） 需要完整封装的复杂工作流 对 Token 成本敏感 国内用户（SkillHub 加速 + 全中文）
优先选 MCP 的场景：
连接外部第三方服务（GitHub API、数据库、企业内部系统） 需要跨平台复用（同一个 MCP 服务给多个 AI 用） 官方提供了 MCP Server 的工具（如 Linear、Figma、Spotify） 需要动态发现工具
两者可以同时用吗？
完全可以，而且这是推荐用法。
比如我现在的配置：
用 Skill（wewrite） 来写公众号——因为它封装了完整的创作工作流 用 MCP（tavily） 来做联网搜索——因为 Tavily 官方提供 MCP Server，接入标准化
OpenClaw 并不强制你二选一，它们是互补的关系。
实际配置示例
安装一个 Skill：
skillhub install wewrite
配置一个 MCP 服务器：
# 安装 Tavily MCP 服务器
openclaw mcp set tavily '{"command":"uvx","args":["tavily-mcp"]}'
# 或者连接远程 MCP 服务器
openclaw mcp set my-server '{"url":"https://mcp.example.com"}'
查看当前所有 MCP 服务器：
openclaw mcp list
查看所有已安装的 Skills：
openclaw skills list
总结
| 场景 | 推荐 |
|---|---|
| 扩展 OpenClaw 能力（写文章、润色、自动化） | Skill ✅ |
| 国内用户，追求安装速度 + 中文体验 | Skill ✅（SkillHub） |
| Token 成本敏感 | Skill ✅ |
| 连接第三方外部 API / 服务 | MCP ✅ |
| 需要跨平台复用同一个工具 | MCP ✅ |
| 需要动态工具发现 | MCP ✅ |
| 复杂工作流封装 | Skill ✅ |
一句话：OpenClaw 的 Skill 和 MCP 不是竞争关系，是互补关系。 Skill 解决 OpenClaw"能做什么"的问题，MCP 解决 OpenClaw"能连接什么"的问题。
日常高频使用的工作流用 Skill，追求标准化接入的外部服务用 MCP——两者配合，才是最优解。
