MCP Tools vs Agent Skills：我到底需要哪一個？

• 17 January 2026
• MCP,
• Skills,
• Claude Code,
• Antigravity,
• AI Agent

MCP Tools vs Agent Skills：我到底需要哪一個？

前言：一個令人困惑的問題

最近我在整理 Career MCP Server 專案時，看到 Claude Code 發布了 Agent Skills 功能。我心想：

「太好了！可以把 MCP Tools 轉成 Skills，應該更簡單吧？」

結果深入研究後發現 — 這兩者根本不是同一個東西。

這篇文章記錄我的探索過程，希望幫助有類似困惑的開發者。

快速對比表

什麼是 MCP Server？

MCP (Model Context Protocol) 是 Anthropic 推出的標準，讓 AI 可以呼叫外部工具。

我的 Career MCP Server 做的事：

// 真正的程式邏輯
export async function searchMaterialByJdFocus(params: SearchParams) {
  // 1. 向量搜尋
  const vectorResults = await lanceDB.search(embedding);
  
  // 2. BM25 關鍵字搜尋
  const bm25Results = await bm25Index.search(query);
  
  // 3. Reranker 重排序
  const reranked = await voyageAI.rerank(combined);
  
  return reranked;
}

關鍵特點：

• ✅ 執行真正的程式碼
• ✅ 連接資料庫（SQLite + LanceDB）
• ✅ 呼叫外部 API（Voyage AI Reranker）
• ✅ 處理複雜的業務邏輯

什麼是 Agent Skills？

Agent Skills 是 Claude Code 2025 年推出的功能，本質上是 讓 AI 知道怎麼做事的說明書。

一個 Skill 的結構：

---
name: pdf-processing
description: Extract text, fill forms, merge PDFs.
---

# PDF Processing

## Quick start
Extract text:
```python
import pdfplumber
with pdfplumber.open("doc.pdf") as pdf:
    text = pdf.pages[0].extract_text()

For form filling, see FORMS.md.

**關鍵特點**：
- ✅ 零部署，放檔案就能用
- ✅ 可以引用其他文件（Progressive Disclosure）
- ❌ 不能執行程式碼
- ❌ 不能管理資料庫

---

## 核心差異：「做事」vs「教 AI 怎麼做事」

讓我用比喻解釋：

| 角色 | MCP Server | Agent Skills |
|-----|------------|--------------|
| 比喻 | 工廠的機器 | 工廠的 SOP 手冊 |
| 職責 | 真正執行任務 | 告訴 AI 如何操作機器 |

### 實際例子

**MCP Server 做的事**：

AI: 請搜尋與 "distributed systems" 相關的履歷素材
MCP: [執行向量搜尋 + BM25 + Reranker]
MCP: 找到 5 筆結果，最相關的是...

**Skills 做的事**：

AI: 使用者想生成履歷
Skills: [讀取 SKILL.md]
Skills: 告訴 AI：「先用 save_jd_analysis 分析 JD，再用 verify_skill_coverage 檢查...」
AI: [根據指示呼叫 MCP tools]

---

## 我的解決方案：兩者並用

既然理解了差異，最佳方案是 **讓它們各司其職**：

### 專案結構

.claude/skills/resume-generation/
└── SKILL.md ← Skills：指導 AI 如何使用 MCP tools

.agent/prompts/
└── session-init.md ← 詳細的 7 步驟 SOP

mcp-server/
├── src/
│ ├── tools/ ← MCP：真正執行邏輯
│ │ ├── search-material.ts
│ │ ├── verify-skill-coverage.ts
│ │ └── ...
│ └── index.ts
└── data/career.db ← SQLite + Vector DB

### SKILL.md 內容（簡化版）

```markdown
---
name: resume-generation
description: Generate tailored resumes using career MCP tools.
---

# Resume Generation Skill

> 📖 完整工作流程：請參閱 session-init.md 獲取 7 步驟詳細 SOP。

## 可用的 MCP Tools

| Tool | Purpose |
|------|---------|
| `save_jd_analysis` | 分析 JD，提取 focus items |
| `search_material_by_jd_focus` | 搜尋匹配的履歷素材 |
| `verify_skill_coverage` | NLI 驗證技能覆蓋度 |

## 使用時機

當使用者說：
- 「幫我分析這個 JD」→ 使用 save_jd_analysis
- 「檢查我的技能覆蓋」→ 使用 verify_skill_coverage
- 「生成一份履歷」→ 執行完整 7 步驟流程

什麼時候用什麼？

選擇 MCP Server 當你需要：

1. 資料庫操作 - CRUD、搜尋、embedding
2. 外部 API 呼叫 - Reranker、LLM、第三方服務
3. 複雜業務邏輯 - 不能用簡單 bash 完成的事
4. 狀態管理 - 需要持久化資料

選擇 Skills 當你需要：

1. 標準化流程 - 讓 AI 知道「何時、如何」使用工具
2. 團隊知識共享 - 把最佳實踐寫成 Skill
3. 快速部署 - 不想維護 server
4. 教學指導 - 解釋複雜的工作流程

兩者並用（推薦）：

• MCP Server 提供能力
• Skills 提供指導
• Progressive Disclosure 讓 AI 按需深入了解

深入解析：Skills 的內部運作機制

在研究過程中，我對 Skills 的觸發機制產生了好奇：它是用向量搜尋嗎？有本地的小 LLM 嗎？

Skills 觸發流程（根據 Anthropic 官方文件）

1. 啟動時：預載所有 Skill 的 name + description 到 system prompt

2. 使用者發送訊息

3. Claude（主 LLM）自己判斷哪個 Skill 相關

4. Claude 用 Bash tool 讀取 SKILL.md 內容
   → 例如：bash("cat pdf/SKILL.md")

5. 如需要，Claude 再讀取 Skill 附帶的其他檔案

關鍵發現

這表示 Skills 完全依賴 Claude 的語義理解能力，不需要任何本地計算。

Progressive Disclosure（漸進式揭露）

這是 Skills 的核心設計原則：

Level 1: name + description → 永遠在 system prompt（很省 token）
Level 2: SKILL.md 內容 → Claude 判斷相關時才讀
Level 3: 附帶的其他 .md → 需要時才讀

如果 Skills 很多怎麼辦？

對於一般使用者（< 20 個 Skills），不用擔心。

Skills vs Custom Instructions

研究到這裡，我有個頓悟：

Skills 的 description 不就等於 Custom Instructions 嗎？只是放的地方不一樣！

對比分析

關鍵差異：完整內容的處理

Custom Instructions (CLAUDE.md):
┌──────────────────────────────┐
│  全部 500 行都載入 system prompt │  ← 每次對話都消耗
└──────────────────────────────┘

Skills:
┌──────────────────────────────┐
│  description: 2 行 (永遠載入)   │  ← 很省
├──────────────────────────────┤
│  SKILL.md: 100 行 (按需讀取)    │  ← 相關時才載入
└──────────────────────────────┘

手動版 Skills

其實你完全可以在 Custom Instructions 裡這樣寫：

# CLAUDE.md

## 可用的知識文件

當使用者問到以下主題時，請讀取對應檔案：

| 主題 | 檔案位置 |
|-----|---------|
| 履歷生成 | `.agent/prompts/session-init.md` |
| PDF 處理 | `docs/pdf-guide.md` |

這樣做效果跟 Skills 一樣！差別只在於：

Skills 本質上就是一個「標準化 + 自動化」的框架。

重要發現：Antigravity vs Claude Code 的 Skills 路徑

在實際測試過程中，我發現一個關鍵差異：

不同 AI Agent 使用不同的 Skills 路徑

如何讓兩邊都能用？

最簡單的方法是兩邊都放一份：

# Claude Code 路徑
.claude/skills/resume-generation/SKILL.md

# Antigravity 路徑
.agent/skills/resume-generation/SKILL.md

或者用 symlink：

ln -s ../.claude/skills .agent/skills

測試結果

當我問 Antigravity「What Skills are available?」時，它成功找到：

📄 resume-generation
Location: /path/to/.agent/skills/resume-generation/SKILL.md
Description: Generate tailored resumes and cover letters...

這證實 .agent/skills/ 是 Antigravity 的正確路徑。

常見誤解

❌ 誤解 1：Skills 可以取代 MCP

真相：Skills 只能指導 AI 使用現有工具（grep, bash, read file 等），無法執行自定義邏輯。

❌ 誤解 2：MCP 比 Skills 更好

真相：兩者解決不同問題。簡單任務用 Skills 更輕量；複雜任務需要 MCP。

❌ 誤解 3：需要遷移现有 MCP 到 Skills

真相：不需要遷移。可以為現有 MCP tools 加一層 Skills 指導。

結論

我的最終架構：

┌─────────────────────────────────────────┐
│  AI Agent (Claude Code / Antigravity)   │
├─────────────────────────────────────────┤
│  SKILL.md → 告訴 AI 「何時、如何」       │
├─────────────────────────────────────────┤
│  MCP Server → 真正「執行」任務          │
├─────────────────────────────────────────┤
│  LanceDB + SQLite → 資料持久化          │
└─────────────────────────────────────────┘

如果你也在糾結這個問題，希望這篇文章能幫到你。

相關連結

• Claude Code Agent Skills 文件
• Model Context Protocol
• Career MCP Server 專案
• Anthropic Agent Skills 設計理念

• ← Previous
  NLI + Evidence Selection：為什麼 RAG 的真正價值在「選證據」而非「堆 Chunks」？