Agent Skills vs MCP 服务器 vs 规则 — 完整对比指南

引言

现代 AI 编程助手如 Claude Code、Codex CLI 和 Gemini CLI 开箱即用就很强大。但它们的真正威力来自定制化——教它们你团队的规范、连接你的工具、自动化你的工作流。

扩展 AI 编程助手主要有三种方式：

1. Agent Skills — Markdown 指令文件
2. MCP 服务器 — AI 可以调用的 API 端点
3. 自定义规则 — 简单的文本约束

每种方式服务于不同目的。选择正确的方式（或组合使用）可以极大提升你的效率。本指南详细说明何时使用哪种方式。

什么是 Agent Skill？

Agent Skill 是编码可复用工作流的 Markdown 文件。它们有结构化的格式，包含元数据（名称、描述、触发条件）和指令（目标、步骤、输出格式）。

工作原理

当你调用一个 Skill（通过斜杠命令或自然语言），AI 助手读取 Markdown 文件并按照指令执行。Skill 成为该任务上下文的一部分。

---
name: 部署检查器
description: 验证部署就绪状态
triggers: [/deploy-check]
---

## 步骤
1. 运行测试套件
2. 检查未提交的改动
3. 验证环境变量
4. 输出 go/no-go 报告

优势

• 零代码 — 任何人都能写 Markdown
• 版本控制 — 在仓库中管理，通过 PR 审查
• 可移植 — 跨不同 AI 助手通用
• 可组合 — 可以引用其他 Skill

局限

• 无外部 API 访问 — 不能直接调用第三方服务
• 无持久状态 — 每次调用从头开始
• 仅文本 — 执行时不能处理图片或二进制数据

什么是 MCP 服务器？

MCP（Model Context Protocol）服务器 是运行中的进程，通过标准化协议向 AI 助手暴露工具、资源和提示。把它理解为带 API 的插件。

工作原理

MCP 服务器在本地或远程运行，暴露 AI 助手可以调用的端点。AI 助手在启动时发现可用工具，按需调用。

{
  "mcpServers": {
    "database": {
      "command": "npx",
      "args": ["-y", "@your-org/db-mcp-server"],
      "env": { "DATABASE_URL": "postgres://..." }
    }
  }
}

优势

• 完整 API 访问 — 连接数据库、API、云服务
• 持久状态 — 维护连接池和缓存
• 丰富数据类型 — 处理二进制数据、图片、结构化响应
• 实时 — 流式数据和事件响应

局限

• 需要代码 — 需要用 TypeScript/Python 等实现
• 运行时依赖 — 必须在运行中 AI 才能使用
• 配置开销 — 环境变量、认证令牌、安装设置
• 较难分享 — 依赖管理、安全考虑

什么是自定义规则？

自定义规则 是纯文本文件，为 AI 助手设置约束和规范。它们不编码工作流——它们塑造行为。

工作原理

AI 助手在启动时读取规则文件，应用到所有交互中。它们是始终生效的上下文，不是按需工具。

• Claude Code: 项目根目录的 CLAUDE.md
• Cursor: 项目根目录的 .cursorrules
• Codex CLI: AGENTS.md（项目级规则部分）

## 规则

- 始终使用 TypeScript strict 模式
- 优先使用函数式组件而非类组件
- 使用 Tailwind CSS，禁止内联样式
- 提交前必须运行 `npm test`
- 永远不要修改 `vendor/` 目录中的文件

优势

• 始终生效 — 自动影响每次交互
• 简单 — 纯文本，无需结构
• 团队对齐 — 在所有团队成员间执行统一规范
• 零开销 — 无需安装、无需配置

局限

• 无逻辑 — 不能编码条件工作流
• 无触发器 — 始终开启，不能选择性调用
• 无工具 — 不能独立调用 API 或运行命令
• 容易冲突 — 规则之间可能矛盾

功能对比

何时用哪个？

使用这个决策框架：

当你想要...用 Agent Skill

• 自动化可重复的工作流 — 代码审查、部署检查、测试生成
• 分享最佳实践 — "我们团队是这样做 X 的"
• 教复杂的多步骤流程 — 每次都解释一遍太麻烦
• 赋能非技术用户 — 产品经理、设计师、文案

当你需要...用 MCP 服务器

• 连接外部服务 — 数据库、API、云平台
• 处理非文本数据 — 图片、二进制文件、结构化数据
• 维护持久连接 — 数据库连接池、WebSocket 流
• 实时响应 — 监控、通知、实时数据

当你想要...用自定义规则

• 执行编码标准 — 代码风格、命名规范
• 设定边界 — "永远不要修改生产配置"
• 提供项目上下文 — 架构决策、技术栈信息
• 对齐团队行为 — 确保开发者之间的一致性

它们可以配合使用吗？

当然——这才是真正威力所在。

示例：全栈部署工作流

1. 自定义规则（CLAUDE.md）：

   - 我们的测试服务器在 staging.example.com
   - 部署前必须运行 lint
   - 使用语义化版本
   

2. MCP 服务器（部署工具）：

   { "deploy": { "command": "npx deploy-mcp-server" } }
   

   
   暴露工具：deploy_to_staging()、check_deployment_status()、rollback()
3. Agent Skill（部署工作流）：

   ## 步骤
   1. 运行 lint 和测试（遵循项目规则）
   2. 版本号升级（语义化，按规则）
   3. 调用 deploy_to_staging()（MCP 工具）
   4. 等待并检查 check_deployment_status()
   5. 如果失败，调用 rollback()
   

Skill 编排工作流，调用 MCP 工具执行操作，遵守规则中的规范。每一层做它最擅长的事。

"正确"的组合方式

开始使用

准备好尝试每种方式了吗？从这里开始：

1. Agent Skills：浏览 TokRepo 的 Skills 合集 — 10 秒安装：

   npx tokrepo install code-review-skill
   

2. MCP 服务器：查看 MCP Servers 合集 — 配置预构建的服务器
3. 自定义规则：在项目根目录创建 CLAUDE.md 或 .cursorrules

常见问题

可以把 Skill 转换成 MCP 服务器吗？

通常不需要。Skill 和 MCP 服务器服务于不同目的。如果你的 Skill 需要外部 API 访问，配合 MCP 服务器使用而不是重写。

Skill 比 MCP 服务器慢吗？

Skill 会增加 AI 提示词的上下文，可能稍微增加处理时间。MCP 服务器调用是直接的函数调用。实际上差异可以忽略——AI 的思考时间占主导。

同一个项目可以三种都用吗？

可以，而且推荐这样做。大多数成熟项目有：

• CLAUDE.md 中 5-10 条规则
• .claude/commands/ 中 2-5 个 Skill
• 1-3 个 MCP 服务器用于外部集成

在哪里找到现成的 Skill 和 MCP 服务器？

TokRepo 有 500+ 开源 Agent Skill、MCP 服务器、提示词和工作流。通过命令行搜索、安装和贡献：

npx tokrepo search "你的用例"