DC娱乐网

MCP怎么没人谈了?AI圈开始集体研究Skills,Agent正在悄悄换赛道

如果你关注 AI Agent 的时间比较长,最近可能会发现一个很有意思的变化。几个月前,MCP 还是 AI 开发圈里最热门的话题之一,大家讨论的都是怎么搭建 MCP Server、Claude Code 怎么接 MCP、Cursor 怎么配置 MCP,以及有哪些好用的 GitHub、浏览器、数据库 MCP。那段时间给人的感觉是,只要搞懂 MCP,基本就抓住了下一代 AI Agent 的入口。

但最近再看这些讨论,会发现风向已经悄悄发生了变化。MCP 并没有消失,也没有被什么新技术直接淘汰,可是围绕 MCP 的讨论热度明显没有之前那么高了,反而是一个过去没有这么强存在感的词开始不断出现:Skills。



尤其是在 Claude Code、Codex、OpenCode 以及各种 Agent 工具的生态里,越来越多人开始研究 SKILL.md,研究怎么编写 Skill,怎么给 Agent 安装 Skill,甚至开始讨论 Skill 的生态和安全问题。

如果只看表面,很容易得出一个结论:MCP是不是已经过时了?

但我觉得事情恰恰相反。MCP并没有过时,它只是完成了自己最重要的一阶段使命,而 AI Agent 正在进入下一个阶段。以前大家最关心的是怎么让 AI 获得工具,现在开始关心的是,有了这么多工具之后,AI究竟能不能真正把事情做好。

这两件事看起来只是一步之差,实际上却是 Agent 从“会调用工具”走向“具备专业能力”的关键变化。

MCP解决的是工具问题,但工具多了以后,新的问题出现了

MCP为什么会火,其实并不难理解。

以前的大模型虽然能够写代码、分析资料、回答问题,但它大部分时间都被限制在一个聊天窗口里面。你让它分析 GitHub 项目,它可以告诉你应该怎么分析;你让它查询数据库,它可以给你写 SQL;你让它修改代码,它可以把修改后的代码贴给你,但它并不能天然地进入你的电脑、访问文件、操作数据库或者修改 GitHub 仓库。



Agent 的出现改变了这一点。

Agent 不再只是回答问题,而是开始真正执行任务。它需要读取文件、运行命令、搜索互联网、访问数据库、操作 GitHub,这就产生了一个很现实的问题:这么多工具到底应该怎么统一提供给 AI?

MCP的价值,就是在这个时候体现出来的。

它让不同的外部工具和数据源,可以用相对统一的方式暴露给 Agent。对于 Agent 来说,原本一个个完全不同的 API,被包装成了可以调用的工具。GitHub 是一个工具,数据库是一个工具,浏览器是一个工具,本地文件系统也可以成为工具。

所以早期 Agent 的一个核心问题,其实就是“我能做什么”。

MCP很好地解决了这个问题。

可问题是,当 Agent 从只有几个工具,发展到可以调用几十甚至上百个工具之后,新的麻烦就出现了。



因为一个人手里工具多,并不意味着他就一定是一个优秀的工人。给一个新程序员一台电脑,再给他 Git、数据库、终端、IDE、浏览器和各种开发工具,他并不会因此立刻变成高级工程师。真正决定他工作质量的,是他有没有经验,知不知道应该先做什么、后做什么,遇到不同情况应该采用什么方法。

AI Agent也是一样。

给Agent一万个工具,也不等于它拥有了一万个技能

这其实是最近 Skills 开始受到重视的根本原因。

假设现在有一个 Agent,它已经接入了 GitHub MCP。理论上,它可以搜索代码、查看 Issue、读取 Pull Request,甚至修改文件。然后你告诉它:“帮我解决这个项目里的一个 Bug。”

问题来了。

一个真正有经验的开发者通常不会直接打开某个文件就开始改。他可能会先阅读项目结构,看看依赖关系,再找到与这个功能有关的模块,然后查看最近的提交记录,尝试复现问题,确认到底是代码逻辑、配置还是环境导致的,修改以后还需要运行测试,做静态检查,最后检查 Git Diff。

整个过程实际上是一套经验。

而 GitHub MCP 并不会告诉 Agent 这些事情。它只能告诉 Agent:“你可以使用 GitHub 的这些功能。”

至于什么时候使用、怎么组合、先使用哪个工具、哪些步骤不能省略,这些并不属于 MCP 要解决的问题。

这时候 Skills 的价值就出来了。

如果说 MCP 更像是给 Agent 配了一间工具齐全的工作室,那么 Skill 更像是给它安排了一位经验丰富的老师,把某一类工作的标准流程、注意事项、参考资料和操作方法全部教给它。



所以一个真正有用的 Skill,绝对不应该只是简单的一段 Prompt。

它完全可以包含操作规范、参考文档、示例、脚本、模板以及各种辅助资源。Agent 接到任务以后,先判断当前任务是否需要这个 Skill,然后根据需要进一步读取里面的内容,最后调用工具完成任务。

这样一来,Agent得到的就不再只是一个“工具”,而是一种相对完整的专业能力。

这也是为什么Skills和Prompt看起来很像,但实际上不是一回事

很多人第一次看到 Skill,可能都会产生一种似曾相识的感觉。

以前我们给 AI 写 Prompt,不也是在告诉它应该怎么做吗?比如告诉模型“你是一名专业程序员,修改代码之前需要阅读项目结构,完成以后运行测试”,这和 Skill 又有什么区别?

区别其实在于规模和组织方式。

Prompt 更多时候是一段临时指令,而 Skill 更接近一个可以复用的能力模块。

比如你经常让 AI 帮你处理 PDF,那么你完全可以把这一套工作经验整理成一个 PDF Skill。里面可以规定不同类型 PDF 应该如何处理,什么时候需要 OCR,如何提取表格,如何检查识别结果,甚至可以放一些脚本和参考文档进去。



以后再遇到类似任务,就没有必要重新写一遍 Prompt。

Agent发现任务符合这个 Skill 的使用范围以后,就可以把它加载进来。

从这个角度来看,Skill 更像是在给 Agent 建立一个“职业技能库”。

今天安装一个 PDF Skill,它会处理 PDF;明天安装一个 SEO Skill,它会按照你的方法做 SEO 分析;再安装一个代码审查 Skill,它就多了一套代码 Review 的工作流程。

这时候 AI Agent 的能力就不再完全取决于模型本身,而开始取决于它能够加载多少高质量的专业能力。

真正让我觉得Skills值得关注的,是它正在改变Agent的开发方式

过去做 Agent,很多人的第一反应是先找工具。

我要做一个股票分析 Agent,就找行情 API、新闻 API、搜索 API;我要做一个程序员 Agent,就找 GitHub、终端、文件系统;我要做一个办公 Agent,就找 Excel、Word、邮件、云盘。

这种思路没有错,但它很容易把 Agent 开发变成“不断堆工具”。

工具越来越多以后,Agent反而可能越来越混乱。

因为模型需要面对大量工具描述,需要自己判断什么时候调用哪个工具,还要承担工具之间组合错误的风险。

Skills提供了另外一种思路。

与其把所有事情都交给模型临场发挥,不如把成熟的工作流程提前整理出来。

比如一个软件开发 Skill,可以规定代码修改前应该检查哪些文件,修改以后必须运行哪些测试;一个内容创作 Skill,可以规定选题分析、资料整理、标题设计、文章结构和最终检查应该分别怎么做;一个数据分析 Skill,可以规定数据清洗、异常值处理、统计分析以及图表生成的基本流程。

这实际上是在把人的经验逐渐“产品化”。

以前一个资深程序员离开团队以后,他脑子里的很多经验也跟着走了。以后这些经验可以被整理成 Skill,成为团队所有 Agent 都可以调用的能力。

从这个意义上讲,Skills真正有价值的地方并不是那个 SKILL.md 文件本身,而是它背后代表的一种思路:

把人的工作经验,变成Agent可以重复调用的能力。

那么MCP是不是就没用了?

恰恰不是。

我反而认为,随着 Skills 的发展,MCP 的位置会越来越稳定,只不过它可能不会再像刚出现的时候那么“显眼”。

一个比较容易理解的关系是,Skill告诉 Agent 应该怎么完成一项任务,而 MCP 或其他工具接口负责提供完成这项任务所需要的工具。

比如一个代码审查 Skill 可以告诉 Agent,首先检查项目规范,然后查看最近修改的代码,再分析潜在问题,最后执行测试。

但 Agent 到哪里去读取代码?怎么访问 GitHub?怎么运行测试?这些事情还是需要工具。

所以它们并不是简单的替代关系。

如果一定要做一个类比,MCP更像是工具箱,而 Skill 更像是工作经验和操作流程。一个木工有一整套工具,并不代表他知道怎么做一张好桌子;但如果他既有工具,又有成熟的制作流程,那么最终结果自然完全不同。

Agent也是一样。

过去大家在解决“有没有工具”的问题,现在开始解决“有没有经验”的问题。

这可能意味着AI Agent正在从“工具时代”进入“技能时代”

如果这个趋势继续发展下去,我认为未来几年 Agent 生态可能会出现一个很有意思的变化。

以前大家比较关注哪个模型最强,后来开始关注哪个 Agent 可以接入更多工具,而接下来大家可能越来越关注另外一个问题:这个 Agent 到底拥有多少真正有价值的专业能力。

这其实和智能手机的发展有点类似。

手机刚出现的时候,大家关注的是处理器、屏幕和硬件功能。后来智能手机真正形成生态以后,用户真正关心的是应用。



未来 Agent 可能也会出现类似的变化。

模型更像底层能力,Agent更像操作系统,而 Skills 则有可能成为上层应用。一个 Agent 本身可能并没有特别明显的行业属性,但装上不同的 Skill 以后,就可以变成程序员助手、内容助手、数据分析师、研究助手甚至企业内部员工。

如果真的发展到这个阶段,那么未来我们选择 Agent 的方式可能都会发生变化。

现在很多人会问:“这个 Agent 用的是什么模型?”

以后可能还会问:“它支持哪些 Skills?”

因为模型越来越通用以后,真正拉开差距的可能不再只是模型参数和跑分,而是它能不能快速获得某一个领域的专业能力。

当然,Skills越火,新的问题也会出现

任何一种技术生态开始繁荣以后,都会出现新的问题,Skills也不会例外。

尤其值得注意的是安全。

一个 Skill 不一定只有文字说明,它可能包含脚本、代码、配置和参考文件。你从网上安装一个来源不明的 Skill,本质上和从网上下载一个来路不明的软件有些类似。

它到底要求了哪些权限?里面有没有恶意脚本?它是否会读取本地敏感文件?它有没有诱导 Agent 执行一些不应该执行的命令?这些问题未来都需要解决。

所以我觉得 Skills 生态真正成熟以后,一定不会只是简单地出现一个“Skill商店”。

围绕 Skill 的来源认证、权限管理、安全扫描、版本管理、依赖关系以及企业内部审核,都可能形成新的基础设施。

甚至未来我们可能会看到类似今天软件供应链安全一样的 Skill 供应链安全。

这其实也是 AI Agent 走向真正生产环境必须经历的一关。

MCP没有消失,只是它开始变得“不那么需要被讨论”

所以,如果最近你发现 AI 圈突然没有以前那么热衷于讨论 MCP,而是开始讨论 Skills,其实不用急着判断哪个技术过时了。

技术的发展本来就是这样的。

一项技术刚出现的时候,因为大家都需要理解它,所以它会成为讨论中心;等它逐渐成熟以后,它就会慢慢退到基础设施的位置,用户依然在使用它,但不会再天天讨论它。

MCP很可能正在经历这个过程。

它解决的是 Agent 如何连接外部世界的问题,这件事情依然非常重要,只不过随着相关生态逐渐成熟,它不再需要一直站在舞台中央。

而 Skills 解决的是另外一个更加接近用户的问题:一个拥有大量工具的 Agent,到底怎样才能真正像一个有经验的人一样完成工作。

从这个角度看,Skills的出现并不是MCP的终结,而是Agent生态进一步成熟的表现。

过去我们希望 AI “什么都会一点”,所以不断给它增加工具;现在我们开始意识到,真正有价值的 AI 并不是知道一万个工具,而是面对一个具体问题时,知道应该调用什么工具、按照什么顺序做,以及怎样判断最终结果是否正确。

这可能才是 Agent 真正走向实用的关键。

所以与其说“MCP突然消失了”,我更愿意把现在的变化理解成一句话:

MCP让Agent拥有了双手,而Skills开始让它拥有了经验。

而当一个 Agent 既拥有工具,又拥有经验,真正值得期待的下一阶段才可能到来。

到那个时候,我们讨论的可能就不再是“AI能不能帮我做这件事”,而是一个更现实的问题:

“我应该给这个AI安装什么技能,才能让它真正替我把这件事做好?”