Skill vs MCP：OpenClaw 扩展能力的两条路径

给 AI "外挂"的正确方式：技能型还是协议型？

前言：AI 扩展的两种哲学

想象你在玩一个 RPG 游戏，想给角色增加新能力。你有两种选择：

方案 A：学习新技能
角色掌握"火球术"——这是角色内在的能力，随时可用，无需额外配置，但需要占用技能槽位。

方案 B：装备魔法道具
角色获得一根"火焰法杖"——这是外部工具，需要装备才能用，但可以随时切换，不占用技能槽。

在 OpenClaw 的世界里：

• Skill（技能） = 方案 A：AI 的内在能力，直接加载到上下文
• MCP（模型上下文协议） = 方案 B：AI 的外部工具，通过协议连接

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。本文将深入解析这两种机制，帮你做出正确的技术选择。

第一部分：什么是 Skill？

1.1 Skill 的本质

Skill（技能）是 OpenClaw 的原生扩展机制，采用 AgentSkills 兼容格式。每个技能是一个包含 SKILL.md 指令文件和可选资源的文件夹。

核心特点：

• 📦 自包含：所有指令、脚本、资源打包在一个文件夹
• 🧠 上下文嵌入：技能指令直接加载到 AI 系统提示
• 🔧 工具导向：主要用于指导 AI 如何使用特定工具
• 🎯 静态知识：领域知识、工作流程、最佳实践

1.2 Skill 的目录结构

my-skill/
├── SKILL.md          # 必需：元数据 + 指令
├── scripts/          # 可选：可执行脚本
├── references/       # 可选：参考文档
└── assets/           # 可选：输出资源
​

SKILL.md 示例：

---
name: pdf-processor
description: PDF 文档处理，支持提取文本、旋转页面、合并文件。当用户需要处理 PDF 文档时使用此技能。
---

# PDF 处理技能

## 提取文本

使用 pdfplumber 提取文本：

\`\`\`python
import pdfplumber
with pdfplumber.open("file.pdf") as pdf:
    text = pdf.pages[0].extract_text()
\`\`\`

## 旋转页面

参见 [ROTATE.md](references/ROTATE.md) 了解旋转方法。
​

1.3 Skill 的加载机制

OpenClaw 采用三层渐进式加载：

关键特性：

• 触发驱动：只有相关技能才会加载 body 和资源
• 按需读取：references 文件只在需要时加载
• 脚本执行：scripts 可直接执行，无需读取到上下文

1.4 Skill 的最佳使用场景

✅ 适合用 Skill 的场景：

• 📝 领域知识封装：金融模型、法律规则、医疗指南
• 🔄 工作流程指导：多步骤操作、复杂业务逻辑
• 🛠️ 工具使用教程：CLI 命令、API 调用方法
• 📚 企业专有知识：内部规范、业务流程、代码库结构
• 🎨 输出模板：文档格式、报告样式、演示模板

❌ 不适合用 Skill 的场景：

• 🌐 动态数据源：实时 API、数据库查询
• 🔐 需要认证的服务：第三方 API（需密钥管理）
• 📊 大量数据访问：文件系统、大数据集
• 🔄 频繁更新的内容：每日数据、实时状态

第二部分：什么是 MCP？

2.1 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。

核心特点：

• 🔌 协议标准化：基于 JSON-RPC 2.0 的通用协议
• 🌐 网络通信：支持 STDIO（本地）和 HTTP（远程）
• 🔄 客户端-服务器架构：AI 应用作为客户端，连接多个 MCP 服务器
• 🎛️ 三大原语：Tools（工具）、Resources（资源）、Prompts（提示模板）

2.2 MCP 的架构

┌─────────────────────────────────────────┐
│         MCP Host (OpenClaw)             │
│  ┌──────────┐  ┌──────────┐  ┌──────────┐│
│  │Client 1  │  │Client 2  │  │Client 3  ││
│  └────┬─────┘  └────┬─────┘  └────┬─────┘│
└───────┼────────────┼────────────┼────────┘
        │            │            │
    ┌───▼────┐  ┌───▼────┐  ┌───▼────┐
    │Server A│  │Server B│  │Server C│
    │(本地)  │  │(远程)  │  │(远程)  │
    └────────┘  └────────┘  └────────┘
​

MCP 服务器示例：

• 🗄️ 文件系统服务器：本地文件读写
• 🌐 GitHub 服务器：仓库、PR、Issue 管理
• 📊 数据库服务器：SQL 查询、数据分析
• 📅 Google Calendar：日程管理、事件查询

2.3 MCP 的三大原语

工具调用示例：

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

// 响应
{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "content": [
      {
        "type": "text",
        "text": "Current weather in San Francisco: 68°F, partly cloudy"
      }
    ]
  }
}
​

2.4 MCP 的最佳使用场景

✅ 适合用 MCP 的场景：

• 🌐 外部服务集成：GitHub、Slack、Google Workspace
• 🗄️ 数据访问：数据库、文件系统、云存储
• 🔄 动态数据源：实时 API、流式数据
• 🔐 需要认证的服务：OAuth、API Key 管理
• 📊 大规模数据：大数据集、企业知识库
• 🌍 远程服务：云端 API、SaaS 平台

❌ 不适合用 MCP 的场景：

• 📝 静态知识传递：教程、规范、最佳实践
• 🎯 工作流程指导：多步骤操作、决策逻辑
• 💡 简单的工具使用：单个 CLI 命令、本地脚本

第三部分：核心区别对比

3.1 维度对比表

3.2 上下文窗口影响

Skill 的 Token 成本：

基础开销（≥1 技能时）：195 字符
每个技能：97 字符 + len(name) + len(description) + len(location)
​

示例： 10 个技能，平均 name=15 字符，description=100 字符，location=50 字符

总成本 ≈ 195 + 10 × (97 + 15 + 100 + 50) = 195 + 2620 = 2815 字符 ≈ 700 tokens
​

MCP 的 Token 成本：

• 连接开销：几乎为 0（元数据不加载到上下文）
• 调用成本：仅工具调用和响应结果
• 示例：查询天气 API 请求 + 响应 ≈ 100-200 tokens

结论： MCP 对上下文窗口的影响远小于 Skill。

3.3 开发复杂度对比

Skill 开发：

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

时间： 30 分钟 - 2 小时

MCP 服务器开发：

1. 选择 SDK（TypeScript/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
​

时间： 4 小时 - 数天（取决于复杂度）

第四部分：如何选择？

4.1 决策树

需要扩展 AI 能力？
    │
    ├─ 需要传递静态知识/工作流程？
    │   └─→ 使用 Skill
    │
    ├─ 需要访问动态数据源？
    │   └─→ 使用 MCP
    │
    ├─ 需要调用外部 API？
    │   ├─ API 简单且调用频率低？
    │   │   └─→ 可用 Skill（包含脚本）
    │   └─ API 复杂或需要认证？
    │       └─→ 使用 MCP
    │
    └─ 需要实时数据或大规模数据访问？
        └─→ 使用 MCP
​

4.2 实际案例对比

案例 1：PDF 处理

需求： AI 需要提取 PDF 文本、旋转页面、合并文件

选择： ✅ Skill

原因：

• 操作是确定性的（不需要实时数据）
• 可用脚本封装（pdfplumber）
• 知识是静态的（PDF 处理方法不会变）

实现：

---
name: pdf-processor
description: PDF 文档处理。提取文本、旋转页面、合并文件。
---

# PDF 处理

## 提取文本

\`\`\`bash
python scripts/extract_text.py input.pdf
\`\`\`

## 旋转页面

\`\`\`bash
python scripts/rotate.py input.pdf output.pdf 90
\`\`\`
​

案例 2：GitHub PR 管理

需求： AI 需要查询 PR、添加评论、合并代码

选择： ✅ MCP

原因：

• 需要访问远程 API（GitHub）
• 数据是动态的（PR 状态实时变化）
• 需要认证（GitHub Token）
• 数据量大（仓库历史、评论列表）

实现：

// MCP 服务器
server.addTool({
  name: "list_pull_requests",
  description: "List pull requests for a repository",
  inputSchema: {
    type: "object",
    properties: {
      owner: { type: "string" },
      repo: { type: "string" },
      state: { type: "string", enum: ["open", "closed", "all"] }
    }
  }
})

// OpenClaw 配置
{
  "skills": {
    "load": {
      "extraDirs": ["./mcp-servers/github"]
    }
  }
}
​

案例 3：企业知识库查询

需求： AI 需要搜索企业文档（Confluence/Notion）

选择： ✅ MCP

原因：

• 数据源在外部系统（Confluence API）
• 数据频繁更新（每日新增文档）
• 需要认证（OAuth）
• 数据量大（数千篇文档）

案例 4：代码规范指南

需求： AI 需要按照企业规范编写代码

选择： ✅ Skill

原因：

• 规范是静态知识（不会频繁变化）
• 需要详细指导（命名约定、架构模式）
• 包含示例代码（可放在 references/）

实现：

code-standards-skill/
├── SKILL.md
└── references/
    ├── naming.md
    ├── architecture.md
    └── examples.md
​

4.3 混合使用策略

最佳实践： Skill + MCP 组合使用

场景： 构建一个 DevOps 助手

配置示例：

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

第五部分：实际开发指南

5.1 开发一个 Skill

步骤 1：初始化

cd ~/.openclaw/workspace/skills
scripts/init_skill.py my-skill --path . --resources scripts,references
​

步骤 2：编写 SKILL.md

---
name: my-skill
description: 简洁描述技能功能和使用场景
---

# 技能名称

## 核心功能

1. 功能一
2. 功能二

## 使用方法

具体步骤...
​

步骤 3：添加资源

# 添加脚本
echo "print("Hello")" > scripts/hello.py

# 添加参考文档
echo "# API 文档" > references/api.md
​

步骤 4：打包

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

5.2 开发一个 MCP 服务器

步骤 1：初始化项目

npm init -y
npm install @modelcontextprotocol/sdk
​

步骤 2：实现服务器

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"
});

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

// 启动服务器
const transport = new StdioServerTransport();
await server.connect(transport);
​

步骤 3：配置 OpenClaw

{
  skills: {
    load: {
      extraDirs: ["./path/to/mcp-server"]
    }
  }
}
​

第六部分：进阶技巧

6.1 Skill 优化技巧

渐进式披露：

# 主文档（SKILL.md）

## 快速开始

基础操作...

## 高级功能

- **功能 A**：参见 [ADVANCED_A.md](references/ADVANCED_A.md)
- **功能 B**：参见 [ADVANCED_B.md](references/ADVANCED_B.md)
​

条件加载：

---
metadata:
  {
    "openclaw": {
      "requires": { "bins": ["python3"], "env": ["API_KEY"] }
    }
  }
---
​

6.2 MCP 优化技巧

资源缓存：

// 缓存频繁访问的资源
const cache = new Map();

server.addResource({
  uri: "cache://data",
  name: "Cached Data",
  async handler() {
    if (!cache.has("data")) {
      cache.set("data", await fetchExpensiveData());
    }
    return cache.get("data");
  }
});
​

流式响应：

server.addTool({
  name: "stream_data",
  async handler(args) {
    const stream = await fetchDataStream();
    return {
      content: [{
        type: "text",
        text: stream
      }]
    };
  }
});
​

6.3 安全最佳实践

Skill 安全：

• ✅ 使用 metadata.openclaw.requires 验证依赖
• ✅ 避免在 SKILL.md 中硬编码密钥
• ✅ 使用 skills.entries.*.apiKey 注入密钥
• ❌ 不要在 Skill 中执行不受信任的代码

MCP 安全：

• ✅ 使用 OAuth 2.0 进行认证
• ✅ 限制服务器权限（最小权限原则）
• ✅ 验证输入参数（防止注入攻击）
• ✅ 使用 HTTPS 传输（远程服务器）
• ❌ 不要在日志中泄露敏感信息

结语

Skill 和 MCP 是 OpenClaw 扩展 AI 能力的两条路径，它们并非相互排斥，而是互补关系。

记忆口诀：

• Skill = 知识：教 AI "怎么做"
• MCP = 工具：给 AI "用什么做"

选择原则：

1. 静态知识用 Skill：教程、规范、工作流程
2. 动态数据用 MCP：API、数据库、实时系统
3. 简单场景用 Skill：快速开发、低复杂度
4. 复杂场景用 MCP：认证、大数据、远程服务
5. 混合使用最佳：Skill 传递知识，MCP 提供能力

下一步行动：

• 🔧 尝试写一个 Skill：从简单的文档处理开始
• 🌐 探索 MCP 服务器：从官方示例服务器入手
• 🚀 构建混合方案：Skill + MCP 组合使用
• 📚 深入阅读：OpenClaw 技能开发指南、MCP 官方文档

祝你构建出强大的 AI 扩展生态系统！ 🦞