2.2 五个本质区别——本文最重要的章节
小林发现光说"知识层 vs 连接层"太笼统，别人还是会问"到底哪里不同？"。他需要从技术层面把区别拆开。
以下是五个根本差异，每一个都会直接影响你的架构决策。
区别 1：运行位置——上下文内 vs 上下文外
区别 1：运行位置
Skill：上下文窗口内
每个 Skill 的内容都要占用 token 预算。Skill 越详细，AI 越懂，但 token 成本越高。
每个 Skill 的内容都要占用 token 预算。Skill 越详细，AI 越懂，但 token 成本越高。
MCP：上下文窗口外
工具的描述占用少量 token，实际逻辑在 Server 进程执行。Server 越复杂，功能越强，但不增加 AI 上下文负担。
工具的描述占用少量 token，实际逻辑在 Server 进程执行。Server 越复杂，功能越强，但不增加 AI 上下文负担。
实际影响：一个 2000 token 的 Skill，每次对话都消耗 2000 token。一个有 100 个工具的 MCP Server，AI 只在
tools/list 时看到工具名和简短描述，实际执行在 Server 端完成。 区别 2：消费方——模型消费 vs 框架消费
区别 2：消费方
Skill：AI 模型消费
Skill 作为指令注入系统提示词，AI 必须"读懂并遵循"全部内容。写得不好，AI 会偏离。
Skill 作为指令注入系统提示词，AI 必须"读懂并遵循"全部内容。写得不好，AI 会偏离。
MCP：AI 工具/框架消费
Host 和 Client 处理协议握手、消息路由。AI 只需"决定调用哪个工具、传什么参数"。工具要么成功要么报错。
Host 和 Client 处理协议握手、消息路由。AI 只需"决定调用哪个工具、传什么参数"。工具要么成功要么报错。
实际影响：Skill 的质量直接影响 AI 行为——措辞、结构、示例都会被 AI 消化。MCP 的质量影响工具可靠性——写得好不好，结果都是确定的（成功或错误），AI 不需要理解内部逻辑。
区别 3：失效模式——软失效 vs 硬失效
区别 3：失效模式 ⚠️ 最大的实际差异
Skill：软失效
AI 忽略了部分指令，但不会报错。你很难知道 AI 是否遵循了 Skill。
例：Skill 说"先检查安全再检查性能"，AI 直接跳到性能——无声无息。
AI 忽略了部分指令，但不会报错。你很难知道 AI 是否遵循了 Skill。
例：Skill 说"先检查安全再检查性能"，AI 直接跳到性能——无声无息。
MCP：硬失效
工具调用失败，返回明确错误。结果可追踪、可重试。
例：Server 挂了返回连接错误；参数错误返回 Schema 错误——有声有色。
工具调用失败，返回明确错误。结果可追踪、可重试。
例：Server 挂了返回连接错误；参数错误返回 Schema 错误——有声有色。
这是最影响调试效率的差异：Skill 失败是"无声的"——AI 没遵循你也不知道，只能从输出结果倒推。MCP 失败是"有声的"——报错信息让你知道哪里出了问题，修复方向明确。
修复方式对比：
Skill 排查
问题定位
难——需要分析 AI 输出是否符合指令
修复手段
改进措辞、缩短长度、加强关键指令
验证修复
难——AI 可能这次遵循了，下次又忘了
MCP 排查
问题定位
易——错误信息明确（连接失败、参数错误）
修复手段
修复代码、调整 Schema、处理异常
验证修复
易——重跑即知
区别 4：状态管理——无状态 vs 有状态
区别 4：状态管理
Skill：无状态
Skill 是静态文本，每次推理独立读取。无法记住上次对话的结果（除非 AI 自行记忆）。天然并发安全。
Skill 是静态文本，每次推理独立读取。无法记住上次对话的结果（除非 AI 自行记忆）。天然并发安全。
MCP：有状态
Server 维护连接、会话、订阅关系。可以维护状态（如数据库连接池、缓存）。需要考虑并发安全。
Server 维护连接、会话、订阅关系。可以维护状态（如数据库连接池、缓存）。需要考虑并发安全。
实际影响：Skill 适合定义"每次都一样的标准流程"。MCP 适合需要"记住上下文"的操作（如分页查询、事务处理）。
区别 5：成本结构——持续成本 vs 按需成本
区别 5：成本结构
Skill：持续成本
每个 token 都要付费。Skill 越长，每轮对话越贵。加一个 Skill = 加 N token × 每轮对话。
每个 token 都要付费。Skill 越长，每轮对话越贵。加一个 Skill = 加 N token × 每轮对话。
MCP：按需成本
只在调用时产生成本。不调用就不花钱。加一个 MCP Server = 加工具能力，不增加 token。
只在调用时产生成本。不调用就不花钱。加一个 MCP Server = 加工具能力，不增加 token。
优化方向：Skill 用 Progressive Disclosure——只注入相关部分，降低 token 消耗。MCP 用连接池、缓存、批量操作——降低调用成本。
五个区别总结
| # | 维度 | Skill | MCP |
|---|---|---|---|
| 1 | 运行位置 | 上下文内（消耗 token） | 上下文外（独立进程） |
| 2 | 消费方 | AI 模型消费 | AI 框架消费 |
| 3 | 失效模式 | 软失效（无声） | 硬失效（有报错） |
| 4 | 状态管理 | 无状态 | 有状态 |
| 5 | 成本结构 | 持续成本 | 按需成本 |
本节核心要点
- 运行位置：Skill 在上下文内（占 token），MCP 在上下文外（独立进程）
- 消费方：Skill 被模型消费（必须读懂），MCP 被框架消费（只需调用）
- 失效模式：Skill 软失效（无声无息），MCP 硬失效（明确报错）——最大实际差异
- 状态管理：Skill 无状态，MCP 有状态
- 成本结构：Skill 持续成本，MCP 按需成本
思考题：你的团队遇到过"AI 不遵循指令但又没报错"的情况吗？这正是 Skill 的软失效问题。你会怎么排查？