技能分享终结者：MCP如何让AI从“纸上谈兵”走向“真枪实弹”

这段时间，AI 圈子里浮现出一个相当明显的转向。过去，谁开发出一款好用的技能包（skill），往往立刻就晒出来供大家下载——写文章的、做演示文稿的、梳理知识库的、帮忙写代码的，顺手拖进本地目录，仿佛自己的 AI 一下子多了一种本事。

坦白说，我也这么干过。遇到一个技能文件写得又长又全，里面塞满了提示词、操作流水和注意事项，忍不住觉得它无比强大，第一时间收藏。可后来装了满满一箩筐，才发现真正常年用得上的，其实寥寥无几。

大多数技能的本质，是一份规规矩矩的工作说明书。它告诉 AI：碰到这个任务时先核查哪些东西，怎么拆解，最终又怎么自检。编写精良的技能当然有价值——它浓缩了一个人反复踩坑之后沉淀下来的思考流程，下次你不用再从零教 AI，也不必一次次复制粘贴同一套指令。

但技能身上长着一个先天性缺陷：它只是在教会 AI“该怎么干”。至于 AI 到底有没有办法干、手里有没有能调动的工具，那完全要看 AI 底层的实际能力。

比如你让 AI 装上一个“帮我整理客户信息”的技能，它确实知道该分哪些字段，该汇总哪些要点。可客户信息藏在哪儿？表格里、邮箱附件里、微信聊天记录里，还是某个公司后台系统？AI 没有授权，没有接口，到头来还是得你一份份资料喂给它。这时候，技能描述得再厚，也不过是一本精致却无法落地的操作手册。

MCP 恰好又朝前迈出了一大步。它可以把一套真正跑起来的系统接进 Claude Code、Codex 这一类 AI 工具。AI 不再仅仅阅读一段规则，它能在允许的权限范围内调用具体工具、读取资料、生成内容、查询数据，并把结果交还给你。

就拿知识库打理来说。先前我写过一份 LLM-wiki 的知识库技能，侧重点在于教会 AI 怎么阅读 Markdown、怎么归类、怎么整理。但它到底搜不搜得到资料，整理后的内容能不能写回原处，终究还是要靠我手动把文件丢过去。

一旦做成 MCP，情况就完全不同了。AI 可以直接搜索知识库，调取某一页内容，并把梳理之后的信息放进指定位置。你只需对它说一句话，它的背后调动的是一整套真实的执行能力。

这两种情况的差距，就好比你把一名熟练工人的操作步骤一条条写在纸上，和他拿到配套电脑、账号、数据源和工具箱——前者当然也有用，但只有后者，才能把活儿真正做出来。

这也不难理解，为什么如今仍在纯靠分享技能包奔走相告的人，下意识会让人想起前些年满世界分享提示词的人。没用吗？未必。但门槛的确在飞速降低。模型越来越聪明之后，大量通用技能里反复铺陈的内容，AI 自己就能吃透七八成。你只要把任务交代清楚，它会主动拆解步骤，会自行核查，也会主动去搜集资料。那些靠堆砌数百行提示词拼凑出来的“独门心法”，很可能再过几个月就被模型能力的自然膨胀无声吞没。

最近一波大模型升级潮里，大家纷纷卸载陈旧技能包的举动，背后正是这套逻辑。真正不容易被吞噬掉的，是你连接进去的那片数据、是你搭建起来的系统、是你多年积攒的规则，以及这些要素合在一起能解决的现实问题。

这也是我越发觉得 MCP 更值得投入心力去折腾的原因。

动手做一个 MCP 远比写一个技能包麻烦得多。你得想清楚，这个系统到底要解决什么具体问题，AI 能调用哪些实际能力，哪些数据可看、哪些坚决不能碰，出错之后怎么处理，最终结果该落到什么地方。它需要具备独立运行的能力，同时又要让 AI 工具能“听懂”它，顺畅交互。

然而，麻烦之处，恰好也是价值的沉淀之处。你写一个技能，别人下载了去，模型一更新，也许很快就看不出多少分别。但一旦你真的搭建起一套 MCP 系统，别人用到的，是你安插进去的那层真实能力。它可以持续维护，可以接入不同的 AI 工具，也可以随着你的工作节奏，一点一点往里面添加新的东西。

当然，技能并不会就此消失。一套复杂的 MCP 系统，同样需要技能来告诉 AI，在什么场景下该调用、调用之后该怎么评估结果。技能负责让 AI 理解工作方法，MCP 则负责让 AI 有手有脚。未来真正堪用的方案，大概率都是两者嵌套在一起发力的。

只是，如果你眼下还停留在“我又收藏了 10 个技能”的满足感阶段，或许真该往前再跨一步了。别一门心思只想着教 AI 多说两句话。回头好好盘一盘自己每天到底是哪些事情在重复消耗自己，哪些资料散落在各个角落，又有哪些流程明明可以放心交给 AI 替你跑起来。

把这些东西，整合成一套能被 AI 直接调用的系统，才是接下来更值得探索的方向。