2.3 技术架构一图看懂
小林理解了五个本质区别，现在想从架构角度整体把握两者的技术全貌。
Skill 的架构
Skill 技术架构
- SKILL.md（技能定义）
- Frontmatter ← 元数据：名称、触发条件、优先级Instructions ← 核心指令
- 角色定义工作流规则决策框架输出格式要求
Examples ← 示例
SKILL.md→注入系统提示词→AI 推理和行动
⚠ Skill 越长，token 消耗越大
渐进式披露自动触发多 Skill 叠加零运行时开销
MCP 的架构
MCP 技术架构
- 三层架构（Client-Host-Server）
- Host ← 宿主应用（如 Claude Desktop）
- 管理多个 Client 实例
Client ← 协议客户端- 与 Server 建立 1:1 连接处理协议消息（JSON-RPC 2.0）
Server ← 能力提供者（独立进程）- Tools → 可执行动作（最重要）Resources → 只读数据Prompts → 提示词模板
AI 工具→MCP Client→MCP Server→外部系统
⚠ Server 独立运行，不占 AI 上下文
动态发现标准化协议双向通信OAuth 2.1
架构核心差异
部署方式文件（放在项目中）
部署方式进程（需要启动和运行）
生命周期静态——写好就放着
生命周期动态——需要连接、维护、可能挂掉
依赖关系无依赖（纯文本）
依赖关系有依赖（SDK、网络、外部系统）
扩展方式加内容（但 token 成本上升）
扩展方式加 Server（不增加 AI 负担）
跨工具移植低（SKILL.md ≠ .cursorrules）
跨工具移植高（同一 Server 多工具共用）
两者如何衔接
Skill 和 MCP 在 AI Agent 中是这样衔接的：
Skill 知识层
告诉 AI：
• 审查标准是什么
• 流程是什么
• 输出格式是什么
• 审查标准是什么
• 流程是什么
• 输出格式是什么
指导
MCP 连接层
让 AI 能：
• 获取 PR 代码（GitHub Server）
• 查询历史（Database Server）
• 发布评论（GitHub Server）
• 获取 PR 代码（GitHub Server）
• 查询历史（Database Server）
• 发布评论（GitHub Server）
Skill 决定"做什么"，MCP 决定"能做什么"。
本节核心要点
- Skill 架构简单：Markdown 文件 → 注入上下文 → AI 遵循
- MCP 架构复杂：三层协议 → 独立进程 → 工具调用
- 核心差异：Skill 静态无依赖，MCP 动态有依赖
- 两者衔接：Skill 指导方向，MCP 提供能力
思考题：你的项目中，Skill 的部署方式和 MCP 的部署方式有什么不同？这带来了哪些运维上的差异？