Skill vs MCP：扩展能力的两条路径

Skill vs MCP：扩展能力的两条路径

OpenClaw 给 AI 加能力有两条路：Skill 和 MCP。一个像"内在技能"，把知识直接灌进 AI 的脑子里；一个像"外部装备"，通过标准协议连接外部工具和数据源。选对了路径，开发效率高十倍；选错了，事倍功半。本节帮你彻底搞清楚两者的区别和适用场景。

本节地图

完成本节学习后，你将能够：

1. 准确描述 Skill 和 MCP 各自的本质和运作方式
2. 列出 MCP 的三大原语（Tools、Resources、Prompts）及其作用
3. 根据具体需求判断应该使用 Skill 还是 MCP
4. 设计 Skill + MCP 混合使用的扩展方案
5. 估算技能对上下文窗口的 token 消耗

一、两种扩展哲学

用一个比喻来理解 Skill 和 MCP 的区别。

假设你在玩一个 RPG 游戏，想给角色增加"火焰"能力。有两种方式：

方式 A：学习火球术——这是角色内在的能力，随时可用，不需要额外装备，但占用技能槽位。

方式 B：装备火焰法杖——这是外部工具，需要装备后才能用，但可以随时切换，不占用技能槽。

在 OpenClaw 的世界里：

• Skill = 方式 A：AI 的内在能力，指令直接加载到上下文
• MCP = 方式 B：AI 的外部工具，通过协议连接外部服务

两者都能扩展 AI 的能力，但设计哲学、使用场景和实现方式完全不同。

二、Skill 的本质

Skill（技能）是 OpenClaw 的原生扩展机制。每个技能是一个文件夹，核心是一个 SKILL.md 文件，包含元数据和操作指令。

2.1 核心特点

2.2 加载机制

OpenClaw 采用三层渐进式加载：

关键特性是触发驱动——只有和当前任务相关的技能才会加载完整内容，其他技能只保留元数据。

2.3 适合用 Skill 的场景

三、MCP 的本质

MCP（Model Context Protocol，模型上下文协议）是一个开放标准协议，用于连接 AI 应用与外部系统。可以把它理解为 AI 的 USB-C 接口——一个通用的插口，能连接各种外部设备。

3.1 核心特点

3.2 架构概览

3.3 三大原语

工具调用的请求和响应格式如下：

// 请求
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "weather_current",
    "arguments": { "location": "Beijing", "units": "metric" }
  }
}

// 响应
{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "content": [{
      "type": "text",
      "text": "北京当前温度 22°C，多云"
    }]
  }
}
​

3.4 适合用 MCP 的场景

四、核心区别对比

4.1 Token 成本对比

Skill 的 Token 成本：

每个技能的基础开销约为 97 字符加上 name、description、location 的长度。以 10 个技能为例，平均每个技能 name 15 字符、description 100 字符、location 50 字符：

总成本 = 195 + 10 x (97 + 15 + 100 + 50) = 2815 字符 ≈ 700 tokens
​

MCP 的 Token 成本：

MCP 的连接开销几乎为零（元数据不加载到上下文），调用成本只有工具调用的请求和响应。一次天气查询大约消耗 100-200 tokens。

结论：MCP 对上下文窗口的影响远小于 Skill。当技能数量很多时，这个差异更加明显。

4.2 开发复杂度对比

Skill 开发流程：

1. 创建文件夹
2. 编写 SKILL.md
3. （可选）添加脚本和资源
4. 完成

预计耗时：30 分钟到 2 小时。

MCP 服务器开发流程：

1. 选择 SDK（TypeScript 或 Python）
2. 实现服务器逻辑
3. 定义 tools / resources / prompts
4. 处理认证和错误
5. 部署服务器
6. 配置客户端连接

预计耗时：4 小时到数天，取决于复杂度。

💡 提示：如果你只是想让 AI 按照特定流程完成一项任务，写一个 Skill 就够了，不用上 MCP。MCP 更适合需要连接外部系统、访问动态数据的场景。

五、如何选择

5.1 决策树

5.2 实际案例

5.3 混合使用策略

实际项目中，Skill 和 MCP 往往是组合使用的。以构建一个 DevOps 助手为例：

配置示例：

{
  "skills": {
    "entries": {
      "cicd-workflow": { "enabled": true },
      "log-analysis": { "enabled": true },
      "deployment-guide": { "enabled": true }
    },
    "load": {
      "extraDirs": [
        "./mcp-servers/jenkins",
        "./mcp-servers/k8s"
      ]
    }
  }
}
​

⚠️ 注意：不要在 Skill 中硬编码外部 API 的调用逻辑。如果一个操作需要访问外部服务、处理认证、解析动态响应，那它应该用 MCP 来实现，而不是在 Skill 脚本中手动处理。

六、开发指南速览

6.1 开发一个 Skill

# 初始化
scripts/init_skill.py my-skill --path ~/.openclaw/workspace/skills --resources scripts,references

# 编写 SKILL.md（核心步骤）
# 添加 scripts/ 和 references/

# 打包
scripts/package_skill.py ~/.openclaw/workspace/skills/my-skill
​

6.2 开发一个 MCP 服务器

# 初始化项目
npm init -y
npm install @modelcontextprotocol/sdk
​

import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";

const server = new Server({
  name: "my-mcp-server",
  version: "1.0.0"
});

server.addTool({
  name: "my_tool",
  description: "工具描述",
  inputSchema: {
    type: "object",
    properties: {
      param1: { type: "string" }
    }
  }
});

const transport = new StdioServerTransport();
await server.connect(transport);
​

💡 提示：如果你之前没写过 MCP 服务器，建议先从官方示例入手，跑通一个最简单的 "Hello World" 级别的服务器，理解协议交互流程后再开发自己的业务逻辑。

本节要点

• Skill 是知识载体，把指令嵌入 AI 上下文；MCP 是通信协议，连接 AI 与外部系统
• Skill 开发简单（写 Markdown），但消耗上下文窗口；MCP 开发较复杂，但 token 消耗低
• 选择原则：静态知识用 Skill，动态数据用 MCP；简单场景用 Skill，复杂场景用 MCP
• 实际项目中推荐混合使用：Skill 传递知识和流程，MCP 提供数据和能力
• 记忆口诀：Skill 教 AI "怎么做"，MCP 给 AI "用什么做"