企业官网建设流程全解析

1. 从一次真实的困惑说起

很多人在 Claude 生态里第一次接触“外部能力扩展”时都会懵：

• 一会儿有人让你去写一个MCP Server；
• 一会儿又有人让你建一个叫Skill的文件夹，里面塞一个SKILL.md。

两者看起来都能“让 AI 更强”，于是很容易被混为一谈。实际上，它们解决的问题完全不同：

• MCP（Model Context Protocol）是一门协议——它规定了模型和外部世界之间怎么“打电话”；
• Skills（Agent Skills）是一个能力包——它是一份写给模型的“说明书 + 工具箱”，告诉模型某类任务该怎么干。

一个更形象的类比：

• MCP 像USB-C 接口标准：只要设备遵循这个标准，就能插上任何外设；
• Skills 像一份工作手册/SOP 文件夹：里面写着步骤、注意事项，还附带几个可以直接运行的脚本。

下面我们先给结论，再从协议层、代码层和工程层逐一拆开，最后给出可运行的代码实战，以及两者如何配合使用。

2. 一句话结论与核心对比

MCP 解决的是“能不能调用外部能力”，Skills 解决的是“该怎么用这些能力把事办成”。
MCP 让模型长出新能力，Skills 让模型带着正确的使用方法。

核心对比表如下：

一句话记住它们的关系：MCP 是“连接方式”，Skills 是“做事方法”，二者经常配合使用。

3. MCP：一门真正的通信协议

MCP 的全称是 Model Context Protocol，2024 年 11 月由 Anthropic 开源，随后迅速成为事实上的开放标准，OpenAI、Google、Microsoft、阿里、字节等平台纷纷支持。

它的核心价值在于：以前每接入一个新工具，模型供应商都要写一套专用适配器；有了 MCP 之后，只需要按统一协议暴露能力即可“一次编写，处处接入”。

3.1 三层架构

MCP 定义了清晰的参与者：

• Host：宿主应用，比如 Claude Desktop、IDE 插件、你自己的 AI 应用；
• Client：运行在 Host 内部，负责与 Server 建立一对一的连接；
• Server：真正提供能力的一方，暴露工具、数据等资源。

3.2 三大核心原语

一个 MCP Server 可以提供三类能力：

tools —— 可执行的函数，模型可以“调用”它 resources —— 可读取的数据，模型可以“查阅”它 prompts —— 可复用的提示模板

其中tools是最常用的一种，等价于 Server 向模型暴露出一个个可以被动态调用的新函数。

3.3 传输与消息格式

MCP 底层使用JSON-RPC 2.0通信，最常见的传输方式有两种：

stdio —— 本地子进程，简单可靠，适合本机工具 Streamable HTTP —— 远程服务器，适合部署成网络服务

模型和 Server 之间交换的其实是标准 JSON 消息。一次“列出工具并调用天气查询”的完整对话大致是这样（按时间先后，注释仅作说明，实际消息不含注释）：

// 1. 客户端初始化 {"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2024-11-05","capabilities":{},"clientInfo":{"name":"demo","version":"1.0"}}} // 2. 客户端询问：你有哪些工具？ {"jsonrpc":"2.0","id":2,"method":"tools/list","params":{}} // 3. 客户端调用 get_weather 工具 {"jsonrpc":"2.0","id":3,"method":"tools/call","params":{"name":"get_weather","arguments":{"city":"北京"}}}

可以看到，MCP 非常“协议化”：它定义的是消息格式、方法和传输规则，而不关心模型需要完成什么业务。

4. 代码实战一：手写一个 MCP Server

下面用 Python 官方 SDK 手写一个天气查询服务：暴露两个工具（tool）和一个资源（resource），再用客户端接上它。

4.1 安装依赖

pipinstall"mcp[cli]"

4.2 服务端：weather_server.py

服务端使用官方 SDK 提供的FastMCP，通过装饰器即可把一个普通 Python 函数变成可供模型调用的工具。

# weather_server.pyfromdatetimeimportdatetimefrommcp.server.fastmcpimportFastMCP mcp=FastMCP("weather-demo")# 模拟一个天气数据库CITIES={"北京":{"weather":"晴","temp":22,"humidity":"40%"},"上海":{"weather":"多云","temp":26,"humidity":"65%"},"广州":{"weather":"阵雨","temp":30,"humidity":"80%"},}@mcp.tool()defget_weather(city:str)->str:"""查询指定城市的实时天气。city 支持：北京、上海、广州。"""ifcitynotinCITIES:returnf"暂不支持{city}，当前支持：{', '.join(CITIES)}"info=CITIES[city]returnf"{city}天气：{info['weather']}，气温{info['temp']}°C，湿度{info['humidity']}"@mcp.tool()defget_time()->str:"""获取当前服务器时间。"""returndatetime.now().strftime("%Y-%m-%d %H:%M:%S")@mcp.resource("weather://cities")deflist_cities()->str:"""返回支持查询的城市列表。"""return"\n".join(CITIES)if__name__=="__main__":mcp.run(transport="stdio")

要点：函数的docstring 就是工具描述，模型会根据它来决定何时调用、如何传参。

4.3 客户端：weather_client.py

客户端以子进程方式拉起 Server，走 stdio 通道完成初始化、枚举工具、调用工具、读取资源。

# weather_client.pyimportasynciofrommcpimportClientSession,StdioServerParametersfrommcp.client.stdioimportstdio_clientasyncdefmain():server=StdioServerParameters(command="python",args=["weather_server.py"])asyncwithstdio_client(server)as(read,write):asyncwithClientSession(read,write)assession:# 1. 初始化握手awaitsession.initialize()# 2. 列出 Server 暴露的所有工具tools=awaitsession.list_tools()print("已发现工具：",[t.namefortintools.tools])# 3. 调用 get_weather 工具result=awaitsession.call_tool("get_weather",arguments={"city":"北京"})texts=[c.textforcinresult.contentifhasattr(c,"text")]print("天气查询结果：",texts[0])# 4. 读取一个资源res=awaitsession.read_resource("weather://cities")print("资源内容：",[c.textforcinres.contentsifhasattr(c,"text")])if__name__=="__main__":asyncio.run(main())

运行结果大致如下：

已发现工具： ['get_weather', 'get_time'] 天气查询结果： 北京天气：晴，气温 22°C，湿度 40% 资源内容： ['北京\n上海\n广州']

到这里，MCP 的本质已经很清楚了：它是一套协议，Server 把能力暴露成标准化的“工具”和“资源”，模型通过 JSON-RPC 去调用。

5. Skills：一份带给模型的操作手册

Skills（官方叫 Agent Skills）是 2025 年 10 月由 Anthropic 推出并开源的能力组织形式。它不是一个运行中的服务，而是一个文件夹。

一个 Skill 的典型结构如下：

term-report-skill/ # 技能目录 ├── SKILL.md # 技能说明书（核心） ├── scripts/ │ └── fetch_report.py # 可执行的辅助脚本 └── references/ └── report_template.md # 参考资料 / 模板（可选）

核心是SKILL.md。它由两部分组成：

YAML frontmatter（元数据） —— 用 name + description 描述“这是什么、何时用” Markdown 正文（指令） —— 告诉模型“该怎么做”：步骤、注意事项、工具组合方式

5.1 渐进式披露：Skills 的省 Token 机制

Skills 采用渐进式披露（progressive disclosure）策略：

1. 只有 frontmatter 里的name和description会一直保留在模型上下文中；
2. 当模型判断“当前任务需要某个技能”时，才把SKILL.md正文加载进来；
3. 执行阶段需要跑脚本时，才真正去读取并运行scripts/下的文件。

这样可以以极低的上下文成本，挂载几十个甚至上百个技能。

5.2 和 MCP 的本质差异

注意一个关键区别：Skill 里的脚本由模型决定“何时调用”，脚本本身并不是注册给模型的工具。Skills 给模型的是“过程性知识”——先做什么、后做什么、遇到什么情况怎么处理；而 MCP 给模型的是“声明性能力”——多了一个可以调用的函数或一个可以读的数据源。

6. 代码实战二：手写一个 Skill

我们写一个“术语调研报告”技能：当用户要求调研某个技术术语时，模型按 SKILL.md 的步骤执行，并借助附带脚本生成报告骨架。

6.1 SKILL.md

--- name: term-report description: 生成一份结构化的术语调研报告。当用户需要调研某技术术语、概念并输出报告时使用。 --- # 术语调研报告 ## 触发条件 - 用户说“调研 xxx”“出一份 xxx 的报告”“总结 xxx 的最新进展”。 ## 执行步骤 1. 明确调研对象和输出格式，默认输出 Markdown。 2. 使用可用的联网搜索能力，收集至少 3 个来源的信息。 3. 运行 `scripts/fetch_report.py`，把调研术语作为参数传给脚本，生成报告骨架。 4. 按 `references/report_template.md` 的组织方式填充正文。 5. 核对事实、标注来源，输出最终报告。 ## 输出要求 - 必须包含：定义、核心概念、典型用例、与相关概念的区别。 - 引用来源时保留原始链接。

6.2 辅助脚本：scripts/fetch_report.py

#!/usr/bin/env python3"""把零散信息整理成一份标准报告骨架。"""importsysfromdatetimeimportdatedefbuild_skeleton(term:str)->str:returnf"""#{term}调研报告 > 生成日期：{date.today().isoformat()}## 1. 定义 （待补充） ## 2. 核心概念 （待补充） ## 3. 典型用例 （待补充） ## 4. 相关概念对比 （待补充） ## 5. 参考资料 （待补充） """if__name__=="__main__":term=sys.argv[1]iflen(sys.argv)>1else"未命名术语"print(build_skeleton(term))

6.3 安装并触发技能

在支持 Skills 的客户端（以 Claude Code 为例）中，把文件夹复制到个人技能目录即可：

# 创建个人技能目录mkdir-p~/.claude/skills# 安装技能cp-rterm-report-skill ~/.claude/skills/term-report

之后在对话里直接说需求，模型会根据description自动匹配并加载这个技能：

用户：调研一下 Agent Skills，出一份报告

模型会识别出“调研 + 出报告”这一意图，加载term-report技能，并按照 SKILL.md 的步骤执行——包括调用fetch_report.py生成骨架。

可以看到：Skills 管的是“流程和方法”，脚本只是这个方法的一部分；它并不需要维持一个常驻 Server，也不需要实现 JSON-RPC 协议。

7. 核心区别逐条拆解

结合上面两个实战，我们把区别归为五条：

7.1 本质不同：协议 vs 内容包

MCP 是协议文件，规定了消息格式、方法和传输方式；Skills 是内容包，核心是写给模型的指令文本。前者是“标准”，后者是“素材”。

7.2 运行时不同：常驻进程 vs 按需加载

MCP Server 是一个真实运行的进程，模型需要实时连接它；Skills 只是躺在磁盘上的文件，需要时被读进上下文。

7.3 提供的东西不同：新能力 vs 新方法

MCP 的tools让模型多了一个可调用的函数；Skills 的SKILL.md让模型多了一套“怎么做”的知识。一个增加能力集合，一个增加知识集合。

7.4 通信方式不同：JSON-RPC vs 上下文注入

MCP 的每次交互都是结构化的 JSON 消息，有请求、响应、错误码；Skills 的生效方式是普通文本注入上下文，由模型自行理解和执行。

7.5 生态定位不同：跨模型标准 vs Claude 原生包

MCP 是开放协议，已被多家模型厂商和大量工具平台采纳；Skills 目前主要围绕 Claude 生态（Claude Desktop、Claude Code、Claude API），但文件夹式的设计让它天然轻量、易分发。

8. 代码实战三：让 Skills 编排 MCP

两者并不对立，真正生产级方案常常是：用 MCP 提供底层原子能力，用 Skills 定义业务编排流程。

下面设计一个“竞品分析”场景：

• 通过 MCP 挂载网页抓取和搜索工具（web_fetch、web_search）；
• 用一个 Skill 规定完整的分析流程，指明“第几步该调用哪个 MCP 工具”。

整体关系如下：

对应的SKILL.md可以这样写：

--- name: competitor-analysis description: 对指定竞品进行结构化分析并产出对比报告。依赖 web-fetch MCP 服务器。 --- # 竞品分析 ## 前置条件 - 当前环境已挂载 web-fetch MCP 服务器，提供 `web_fetch` 与 `web_search` 两个工具。 ## 执行步骤 1. 使用 MCP 工具 `web_fetch` 依次抓取各竞品官网首页。 2. 使用 `web_search` 查询各竞品近期的融资、产品更新动态。 3. 把收集到的信息填入 `references/compare_template.md` 的对比表。 4. 运行 `scripts/score.py`，对价格、易用性、生态等进行加权评分。 5. 输出 Markdown 报告，并附上全部数据来源链接。 ## 输出要求 - 对比维度不得少于：定位、核心功能、定价、优劣势。 - 引用数据必须标明来源与抓取时间。

在这个例子里：

• MCP负责“能不能抓网页、能不能搜信息”；
• Skill负责“先抓什么、再搜什么、如何评分、最终输出什么”。

这就是它们最典型的配合方式：能力由 MCP 提供，流程由 Skills 沉淀。

9. 什么时候用谁：一张决策清单

实操中还有几个实用的组合原则：

1. 原子能力用 MCP 沉淀成稳定接口； 2. 业务流程用 Skills 沉淀成可复用 SOP； 3. 尖括号包住的是“怎么做”，JSON-RPC 包住的是“调什么”。

10. 总结

回到最初的问题：Skills 和 MCP 到底什么区别？

• MCP 是一门协议：它规定了模型如何通过标准化的 JSON-RPC 消息，去调用外部工具、读取外部资源。它让模