如果你最近关注AI编程助手特别是Claude、Cursor这类工具可能会被几个高频词搞晕Skill、Plugin、MCP还有无处不在的Agent。它们看起来都像是给AI“装插件”但官方文档各说各话社区讨论混为一谈实际用起来更是不知道哪个该在什么时候用。更让人困惑的是当你尝试在Codex、Cursor或类似IDE中扩展AI能力时会发现有些功能叫“Skill”有些配置却要连“MCP Server”。网上搜教程有人用Skill写脚本有人用Plugin连接数据库还有人通过MCP让AI直接操作Jira——它们到底有什么区别作为一个开发者我应该学习哪一个这篇文章不会给你堆砌概念定义。我将通过一个真实的“周报生成”场景带你一次性理清Skill、Plugin和MCP的核心区别、适用边界和选择策略。你会看到一个核心判断Skill、Plugin、MCP代表了AI能力扩展的三个不同层级分别解决“任务描述”、“工具集成”和“系统互联”的问题。混淆它们是很多AI应用项目难以维护的根源。一个具体场景我们将用同一份“生成研发周报”的需求分别用Skill、Plugin和MCP来实现。你会直观地看到代码怎么写、配置怎么配、效果有什么不同。一份选择指南读完本文你将能根据你的项目阶段原型验证 vs. 生产部署、团队规模和个人角色提示词工程师 vs. 后端开发者快速决定该投入哪种技术。如果你希望不只是“能用”AI助手而是想“用好”它构建可维护、可扩展的AI增强工作流那么区分这三者是你必须跨过的第一道坎。1. 为什么你必须分清 Skill、Plugin 和 MCP在深入技术细节前我们先达成一个共识Skill、Plugin和MCP不是同一种东西的三种叫法。把它们混为一谈就像把函数、库和API网关都叫做“代码”一样会导致架构上的混乱。一个常见的误区是认为它们都是“让AI多干点活”的插件。于是开发者可能会用Skill去调用一个需要认证的外部API或者试图用MCP来实现一个简单的文本格式化功能。结果往往是配置复杂、运行不稳定且难以调试。它们的本质区别在于抽象层次和解决的核心问题Skill技能关注“做什么”。它是一个任务描述或指令集通常用自然语言或简单的结构化格式如YAML编写告诉AI“如何完成一项特定任务”。它的核心是提示词工程。例如“总结代码变更”这个Skill本质是一段精心设计的提示词指导AI如何分析Git提交记录。Plugin插件关注“用什么做”。它是一个集成在特定应用如IDE、聊天机器人内的功能模块为AI提供额外的工具或能力。Plugin的实现依赖于宿主应用的插件系统。例如Cursor IDE中的“GitHub Plugin”为Cursor内置的AI提供了浏览仓库、读取Issue的具体功能。MCPModel Context Protocol模型上下文协议关注“怎么连接”。它是一个开放协议用于在AI模型或AI应用与外部工具、数据源之间建立标准化的通信桥梁。它不关心任务本身也不绑定任何特定应用只解决“安全、可控地访问资源”的问题。例如一个“Jira MCP Server”可以让任何支持MCP协议的AI客户端如Claude Desktop查询Jira工单。简单来说Skill是给AI的“任务清单”。Plugin是给某个应用的“功能扩展包”。MCP是AI与外界通信的“通用接线标准”。接下来我们用一个贯穿全文的周报场景把这三个概念具象化。2. 场景定义我们要解决什么问题假设你是一名研发工程师每周都需要写周报。周报需要包含代码贡献列出本周你提交的Git Commit并简要说明。任务进展从项目管理工具如Jira中拉取你本周状态更新的任务。总结与计划基于以上信息生成一段工作总结和下周计划。传统做法你需要分别打开Git命令终端、Jira网页手动复制粘贴信息然后组织语言。耗时且枯燥。AI辅助目标告诉AI助手“帮我生成本周研发周报”它就能自动获取上述信息并生成一份结构清晰的草稿。我们将尝试用三种不同的技术路径来实现这个目标并观察它们的差异。3. Skill用自然语言定义任务Skill是最贴近普通用户的一层。它通常不需要你写代码而是通过编写“提示词”或简单的配置文件来教导AI完成一个复杂任务。3.1 Skill 的核心原理你可以把Skill理解为一份标准操作程序SOP或一个宏命令。它把多步操作和思考逻辑封装成一个简单的指令。当用户触发这个指令时AI会按照Skill中定义的步骤一步步执行。许多AI编程助手如Cursor的技能、Claude的Custom Instructions都支持类似Skill的功能。其底层仍然是利用大语言模型的推理和规划能力。3.2 用Skill实现周报生成我们尝试为“周报生成”创建一个Skill。由于没有统一的Skill标准我们以一种常见的YAML格式为例描述这个Skill的构成。# weekly_report_skill.yaml name: generate_weekly_report description: 为研发工程师生成本周工作周报。 steps: - step: 1 action: prompt_user content: “请告诉我你的Git仓库本地路径以及本周的起始日期例如2024-05-20。” - step: 2 action: execute_command command: “git -C {{git_path}} log --since{{start_date}} --oneline --author$(git config user.email)” store_output_as: git_commits - step: 3 action: prompt_user content: “请提供你的Jira邮箱和API Token输入将被隐藏以及Jira服务器地址。” - step: 4 action: call_api # 注意这里假设AI能直接执行HTTP请求但实际Skill引擎可能不支持或需要额外声明 api: “GET” url: “{{jira_server}}/rest/api/2/search” headers: Authorization: “Basic {{base64(jira_email:api_token)}}” params: jql: “assignee currentUser() AND status changed DURING(startOfWeek(), endOfWeek())” store_output_as: jira_issues - step: 5 action: generate prompt: 基于以下信息生成一份结构清晰、语言专业的研发周报 Git提交记录 {{git_commits}} Jira任务更新 {{jira_issues}} 周报需包含本周工作概要、详细工作内容分点叙述、遇到的问题、下周计划。 store_output_as: final_report - step: 6 action: output content: “{{final_report}}”这个Skill做了什么它定义了一个包含6个步骤的流程询问用户信息 - 执行Git命令 - 再次询问用户信息 - 调用Jira API - 综合信息生成文本 - 输出结果。Skill方案的局限性立刻暴露出来安全性第3、4步涉及敏感的API Token让用户在对话中明文输入是极不安全的。Skill本身缺乏安全的凭证管理机制。能力边界第4步的call_api动作严重依赖AI应用本身是否支持以及如何支持。很多Skill系统只允许执行本地命令或简单的HTTP GET请求复杂的认证和API调用无法实现。可维护性如果Jira的JQL语法变了或者需要增加从Confluence获取文档的功能你需要修改这个YAML文件并且可能触及更多你不熟悉的“动作”类型。Skill的适用场景纯文本处理任务格式化、翻译、总结、扩写。基于已知信息的推理任务代码审查基于已提供的代码、设计文档生成。简单的、无需外部认证的本地操作运行一个本地的linter、执行项目内的构建脚本。结论Skill适合封装确定的、以文本生成为核心的流程。一旦涉及需要安全认证、复杂交互的外部系统Skill就显得力不从心。这时我们需要更强大的“工具”——这就是Plugin登场的时候。4. Plugin为特定应用扩展专属工具Plugin是绑定在特定应用程序上的。比如Cursor IDE有它的插件市场Claude Desktop也可以安装插件。这些插件为宿主应用内的AI模型提供了新的“函数调用”能力。4.1 Plugin 的核心原理一个Plugin通常包含两部分清单文件Manifest声明这个插件提供哪些“工具”Tools包括工具的名称、描述、参数输入模式。实现代码当AI决定调用某个工具时宿主应用会执行相应的代码逻辑并将结果返回给AI。Plugin的能力取决于宿主应用开放了多大的权限。一个IDE插件可能能直接访问工作区文件、终端、版本控制系统而一个聊天机器人插件可能只能进行网络请求。4.2 用Plugin实现周报生成以假设的“周报助手Plugin”为例假设我们在一个名为“DevAssist”的AI IDE中开发这个插件。第一步定义插件清单// devassist-weekly-report-plugin/manifest.json { name: weekly-report-helper, version: 1.0.0, description: 帮助研发工程师生成周报集成Git和Jira。, tools: [ { name: get_git_commits, description: 获取指定路径和时间内用户的Git提交记录。, input_schema: { type: object, properties: { repo_path: { type: string, description: Git仓库的本地路径。 }, since_date: { type: string, description: 起始日期格式为YYYY-MM-DD。 } }, required: [repo_path, since_date] } }, { name: get_jira_issues, description: 获取当前用户本周更新的Jira任务。, input_schema: { type: object, properties: { jira_server: { type: string, description: Jira服务器地址例如 https://your-company.atlassian.net } }, required: [jira_server] } } ] }第二步实现工具的后端逻辑# devassist-weekly-report-plugin/main.py import subprocess import json import requests from some_plugin_sdk import ToolContext # 假设宿主应用DevAssist会注入一个包含用户配置和认证信息的上下文 def get_git_commits(repo_path: str, since_date: str, context: ToolContext): 工具1执行Git命令 try: # 使用宿主应用提供的安全环境执行命令 result subprocess.run( [git, -C, repo_path, log, f--since{since_date}, --oneline, f--author{context.git_user_email}], capture_outputTrue, textTrue, checkTrue ) return result.stdout except subprocess.CalledProcessError as e: return fError fetching git commits: {e.stderr} def get_jira_issues(jira_server: str, context: ToolContext): 工具2调用Jira API # 关键认证信息如API Token由宿主应用的上下文安全管理不暴露在代码或对话中 auth (context.jira_email, context.jira_api_token) headers {Accept: application/json} jql assignee currentUser() AND status changed DURING(startOfWeek(), endOfWeek()) try: response requests.get( f{jira_server}/rest/api/2/search, authauth, headersheaders, params{jql: jql, maxResults: 50} ) response.raise_for_status() return json.dumps(response.json(), indent2) except requests.RequestException as e: return fError fetching Jira issues: {e}第三步用户如何使用用户在DevAssist IDE中安装此插件后就可以直接对AI说“用周报插件帮我生成这周的周报。” AI会识别出可用的get_git_commits和get_jira_issues工具并向用户询问必要的参数如repo_path然后自动调用这些工具获取数据最后合成周报。Plugin方案的优势安全性敏感的Jira凭证由宿主应用DevAssist统一管理插件代码通过安全的上下文ToolContext获取不会泄露给AI模型或用户对话。能力强大插件可以使用宿主应用允许的任何编程语言库如requests,subprocess实现复杂的逻辑。体验集成插件与IDE深度集成操作体验更流畅。Plugin方案的局限性平台锁定这个插件只能在DevAssist IDE里用。如果你换到另一个AI工具比如Claude Desktop这个插件就失效了你需要为那个平台重新开发一个。开发成本你需要学习特定平台的插件开发框架、打包和发布流程。功能受制插件的能力完全受宿主应用沙箱的限制。如果宿主应用不允许网络访问或文件操作你的插件就无法实现相应功能。结论Plugin提供了安全、强大、深度集成的能力扩展但代价是被绑定在特定生态内。当你需要为某个你长期使用的核心AI工具如你的主力IDE添加复杂、安全的关键功能时开发Plugin是理想选择。但如果你希望你的“周报生成”能力能在任何AI助手间通用呢这就需要MCP。5. MCP打破平台锁定的通用协议MCPModel Context Protocol是Anthropic提出的一种开放协议旨在标准化AI模型与外部资源和工具之间的通信。你可以把它想象成AI世界的USB-C接口或者HTTP协议。5.1 MCP 的核心原理MCP定义了一套简单的、传输层无关的可通过stdio、HTTP、SSE等传输的请求-响应协议。其核心角色有两个MCP Server服务器它封装了对特定资源如文件系统、数据库、Jira、Git的访问能力并提供一系列“工具Tools”或“资源Resources”。我们的“周报生成”所需的能力就可以由一个MCP Server来提供。MCP Client客户端支持MCP协议的AI应用如Claude Desktop、Cursor、第三方AI客户端。它负责连接一个或多个MCP Server将Server提供的工具“暴露”给内部的AI模型使用。关键在于只要AI应用实现了MCP Client它就能连接任何遵循MCP协议的Server。同样只要你按照MCP协议实现一个Server所有支持MCP的AI应用就都能使用它的能力。5.2 用MCP实现周报生成现在我们不开发某个特定IDE的插件而是创建一个独立的“周报MCP Server”。第一步创建MCP Server项目结构weekly-report-mcp-server/ ├── package.json ├── src/ │ └── index.ts # 使用TypeScript示例 └── .env.example第二步实现MCP Server核心代码// src/index.ts import { Server } from modelcontextprotocol/sdk/server/index.js; import { StdioServerTransport } from modelcontextprotocol/sdk/server/stdio.js; import { CallToolRequestSchema, ListToolsRequestSchema, Tool, } from modelcontextprotocol/sdk/types.js; import * as child_process from child_process; import * as util from util; import * as dotenv from dotenv; import fetch from node-fetch; dotenv.config(); const exec util.promisify(child_process.exec); // 1. 创建Server实例 const server new Server( { name: weekly-report-mcp-server, version: 1.0.0, }, { capabilities: { tools: {}, // 声明本Server提供工具 }, } ); // 2. 定义工具列表 const tools: Tool[] [ { name: get_weekly_git_commits, description: 获取当前用户在本周内的Git提交记录。, inputSchema: { type: object, properties: { repoPath: { type: string, description: Git仓库路径默认为当前目录。 } } } }, { name: get_weekly_jira_issues, description: 获取当前用户在本周内状态发生变更的Jira任务。, inputSchema: { type: object, properties: {} // 无需输入使用环境变量中的配置 } }, ]; // 3. 实现工具处理逻辑 server.setRequestHandler(ListToolsRequestSchema, async () ({ tools, })); server.setRequestHandler(CallToolRequestSchema, async (request) { const { name, arguments: args } request.params; if (name get_weekly_git_commits) { const repoPath (args as any).repoPath || .; const sinceDate getStartOfWeek(); // 一个计算本周一日期字符串的函数 const userEmail process.env.GIT_USER_EMAIL; // 从环境变量读取 try { const { stdout } await exec( git -C ${repoPath} log --since${sinceDate} --oneline --author${userEmail}, { encoding: utf-8 } ); return { content: [{ type: text, text: stdout }], }; } catch (error: any) { return { content: [{ type: text, text: Error: ${error.stderr || error.message} }], isError: true, }; } } if (name get_weekly_jira_issues) { const { JIRA_SERVER, JIRA_EMAIL, JIRA_API_TOKEN } process.env; if (!JIRA_SERVER || !JIRA_EMAIL || !JIRA_API_TOKEN) { return { content: [{ type: text, text: Jira环境变量未配置。 }], isError: true, }; } const auth Buffer.from(${JIRA_EMAIL}:${JIRA_API_TOKEN}).toString(base64); const jql assignee currentUser() AND status changed DURING(startOfWeek(), endOfWeek()); try { const response await fetch( ${JIRA_SERVER}/rest/api/2/search?jql${encodeURIComponent(jql)}maxResults50, { headers: { Authorization: Basic ${auth}, Accept: application/json, }, } ); if (!response.ok) { throw new Error(Jira API error: ${response.statusText}); } const data await response.json(); const simplifiedIssues data.issues.map((issue: any) ({ key: issue.key, summary: issue.fields.summary, status: issue.fields.status.name, })); return { content: [{ type: text, text: JSON.stringify(simplifiedIssues, null, 2) }], }; } catch (error: any) { return { content: [{ type: text, text: Error fetching Jira issues: ${error.message} }], isError: true, }; } } throw new Error(Unknown tool: ${name}); }); // 4. 启动Server使用stdio传输这是最常见的方式 async function main() { const transport new StdioServerTransport(); await server.connect(transport); console.error(Weekly Report MCP Server running on stdio); } main().catch((error) { console.error(Server error:, error); process.exit(1); });第三步配置与运行在项目根目录创建.env文件安全地配置凭证# .env GIT_USER_EMAILyour.emailcompany.com JIRA_SERVERhttps://your-company.atlassian.net JIRA_EMAILyour.emailcompany.com JIRA_API_TOKENyour_api_token_here在支持MCP的AI客户端如Claude Desktop配置文件中添加这个Server// Claude Desktop 配置示例 (location varies by OS) { mcpServers: { weekly-report: { command: node, args: [/absolute/path/to/weekly-report-mcp-server/src/index.js], env: { GIT_USER_EMAIL: your.emailcompany.com, JIRA_SERVER: https://your-company.atlassian.net, JIRA_EMAIL: your.emailcompany.com, JIRA_API_TOKEN: your_api_token_here } } } }第四步使用体验重启Claude Desktop后AI助手就具备了get_weekly_git_commits和get_weekly_jira_issues两个工具。你可以直接说“请用周报工具获取我本周的Git提交和Jira任务然后生成周报。” AI会自动调用这些工具获取数据并生成报告。MCP方案的优势一次开发多处使用这个Server可以被任何支持MCP的客户端使用打破了平台锁定。关注点分离Server专注于提供安全、可靠的数据访问能力不涉及任何UI或交互逻辑。客户端专注于提供优秀的AI交互体验。安全性敏感凭证配置在客户端或Server的环境变量中与AI对话流完全隔离。标准化协议是开放的社区正在涌现大量现成的Server如文件系统、数据库、搜索引擎等可以像搭积木一样组合使用。MCP方案的局限性复杂度需要理解MCP协议并具备Server端开发能力。运维成本你需要运行和维护这个Server进程。生态初期虽然发展迅速但工具和客户端的成熟度与稳定性仍在演进中。结论MCP是构建可移植、可组合、企业级AI能力的基石。当你需要让AI安全、统一地访问公司内部资源如GitLab、Jira、内部Wiki、数据库并且希望这个能力能在团队内不同的AI工具间共享时MCP是最佳选择。6. 对比总结一张表看清本质区别特性维度Skill (技能)Plugin (插件)MCP (模型上下文协议)本质任务描述/ 宏指令应用功能扩展通信协议/ 能力接口标准核心提示词与步骤编排宿主应用的API与SDK开放的请求-响应协议开发内容自然语言指令、YAML/JSON配置宿主应用特定语言代码JS/Python等独立的Server程序任何语言安全性低。凭证常需用户输入易泄露。中高。依赖宿主应用的安全沙箱和凭证管理。高。凭证隔离在Server端协议传输可控。能力范围受限于AI模型的理解和Skill引擎支持的动作。受限于宿主应用开放的权限和能力。理论上无限取决于Server能实现什么。可移植性差。严重依赖特定AI平台对Skill格式的支持。差。仅适用于开发时的特定应用。极好。任何支持MCP Client的AI应用均可使用。适用阶段个人快速自动化简单、固定的文本任务。为主力、高频使用的某个AI应用深度定制功能。团队级/企业级部署需要跨平台、安全、稳定地连接内部系统。周报场景实现定义步骤但无法安全调用Jira API。在特定IDE内完美实现体验好但被绑定。创建通用Server可在Claude、Cursor等多种工具中使用。类比录制一个键盘鼠标宏。为Photoshop安装一个滤镜插件。为电脑安装一个标准USB接口的读卡器。7. 如何选择给你的实践指南面对具体项目你该如何选择记住这个决策流你的任务是否仅涉及文本处理和简单逻辑且无需连接外部系统是- 优先尝试Skill。用最少的成本验证想法。例如代码风格检查、Commit信息优化、日报模板填充。否- 进入下一步。这个功能是否专为你每天使用的某个核心AI工具如Cursor定制且你愿意接受被它绑定是- 开发Plugin。享受深度集成和最佳用户体验。例如为Cursor开发深度集成公司代码库搜索的插件。否- 进入下一步。你是否需要让AI安全、稳定地访问内部系统数据库、Git、项目管理工具并且希望这个能力在团队的不同AI工具间共享是- 投入MCP Server开发。这是面向未来的投资。例如连接内部Jira、Confluence、监控系统的MCP Server供全团队使用。否- 重新评估需求。进阶建议组合使用MCP Server提供基础能力如查数据Plugin或Skill利用这些能力组合成更上层的应用如周报生成器。从Skill原型开始即使最终目标是MCP也可以先用Skill描述出完整流程验证AI的理解和输出是否符合预期再着手开发更复杂的Server。关注生态在开发Plugin或MCP Server前先去社区看看是否有现成的解决方案。例如已经存在很多开源的Git MCP Server、文件系统MCP Server。8. 常见问题与排查思路问题现象可能原因排查方式解决方案Skill执行失败AI不理解或操作错误1. 步骤描述模糊。2. Skill引擎不支持某个动作如call_api。3. 输入/输出格式不匹配。1. 将Skill拆解分步测试。2. 查阅所用平台的Skill动作支持列表。3. 检查变量替换是否正确。1. 简化Skill使用更明确的指令。2. 换用平台支持的动作或降级为纯提示词Skill。3. 确保提供给AI的上下文信息格式正确。Plugin安装后AI无法识别或调用工具1. 清单文件manifest格式错误。2. 工具定义不符合宿主应用规范。3. 插件未正确加载或激活。1. 检查manifest.json的JSON语法和必填字段。2. 对照官方插件开发文档。3. 查看宿主应用的开发者控制台或日志。1. 使用JSON Schema验证工具。2. 参考官方示例插件。3. 重启宿主应用重新安装插件。MCP Server已启动但客户端连接失败1. 客户端配置路径或命令错误。2. Server启动失败或立即退出。3. 环境变量未正确传递。4. 端口或传输方式冲突。1. 检查客户端配置文件的路径和参数。2. 单独运行Server命令查看报错信息。3. 在Server启动脚本中打印环境变量。4. 检查是否已有进程占用了相同端口。1. 使用绝对路径确保命令在终端可执行。2. 根据Server报错修复代码或依赖。3. 确保客户端配置中的env字段正确。4. 更换传输方式如从stdio换到HTTP测试。AI可以调用MCP工具但返回权限错误或空数据1. Server端代码的API调用逻辑错误。2. 凭证API Token等无效或过期。3. 请求参数如日期范围、用户标识不正确。1. 在Server代码中添加详细日志。2. 使用curl或Postman直接测试Server使用的API。3. 检查Server中用于计算参数如本周日期的逻辑。1. 修复API调用代码处理异常。2. 更新环境变量中的凭证。3. 硬编码参数进行测试逐步定位问题。不同技术方案混用导致混乱概念不清在应该用MCP的地方写了Skill或在应该写Plugin的地方硬套MCP。回顾本文第6部分的对比表格明确当前需求的核心痛点。根据决策流第7部分重新选择技术路径必要时推倒重来保持架构清晰。9. 最佳实践与工程建议从问题出发而非技术不要因为MCP热门就去用。先明确你要解决什么问题自动化周报再评估哪种技术路径最简洁、最可持续。安全第一Skill绝对避免在Skill中硬编码或让用户输入密码、Token。对于需要认证的操作应引导用户使用具备该能力的Plugin或配置好的MCP环境。Plugin利用宿主应用提供的安全凭证存储机制。遵循最小权限原则只请求必要的权限。MCP将凭证存储在环境变量或安全的配置管理服务中。Server应运行在受信任的环境中并做好访问日志。设计可测试的接口无论是Plugin的工具还是MCP Server的工具其输入输出都应该是明确、可序列化的。这允许你编写单元测试模拟AI的调用。为MCP Server提供一个简单的测试客户端脚本用于验证工具是否正常工作而不必依赖AI应用。错误处理与用户体验AI对错误信息的理解能力有限。工具返回的错误信息应尽可能清晰、结构化帮助AI向用户传达有用的解决方案。例如返回“Error: Git repository not found at ‘/wrong/path’. Please check the repoPath parameter.”比单纯的“Command failed with code 128”要好得多。文档与版本化为你创建的Skill、Plugin或MCP Server编写清晰的README说明功能、配置方法和使用示例。对Plugin和MCP Server进行版本控制便于迭代和回滚。Skill、Plugin、MCP代表了AI能力扩展的不同抽象层次和适用场景。Skill是快速的任务脚本Plugin是深度的应用增强MCP是未来的基础设施协议。理解它们的区别能帮助你在AI原生应用开发中做出更明智的技术选型避免在错误的方向上浪费精力。对于大多数开发者我建议的入门路径是先用Skill自动化你手头最枯燥的文本工作感受AI的潜力然后为你最依赖的IDE开发一个解决实际痛点的Plugin体验深度集成最后当你有需要跨平台共享、安全访问内部资源的需求时再深入研究MCP。技术的最终目的是解决问题。希望这份通过“周报生成”场景拆解出的指南能帮你清晰地找到最适合你当前问题的那个“工具”从而更高效地构建你的AI增强工作流。 AI编程助手能力扩展：Skill、Plugin与MCP的核心区别与选型指南
如果你最近关注AI编程助手特别是Claude、Cursor这类工具可能会被几个高频词搞晕Skill、Plugin、MCP还有无处不在的Agent。它们看起来都像是给AI“装插件”但官方文档各说各话社区讨论混为一谈实际用起来更是不知道哪个该在什么时候用。更让人困惑的是当你尝试在Codex、Cursor或类似IDE中扩展AI能力时会发现有些功能叫“Skill”有些配置却要连“MCP Server”。网上搜教程有人用Skill写脚本有人用Plugin连接数据库还有人通过MCP让AI直接操作Jira——它们到底有什么区别作为一个开发者我应该学习哪一个这篇文章不会给你堆砌概念定义。我将通过一个真实的“周报生成”场景带你一次性理清Skill、Plugin和MCP的核心区别、适用边界和选择策略。你会看到一个核心判断Skill、Plugin、MCP代表了AI能力扩展的三个不同层级分别解决“任务描述”、“工具集成”和“系统互联”的问题。混淆它们是很多AI应用项目难以维护的根源。一个具体场景我们将用同一份“生成研发周报”的需求分别用Skill、Plugin和MCP来实现。你会直观地看到代码怎么写、配置怎么配、效果有什么不同。一份选择指南读完本文你将能根据你的项目阶段原型验证 vs. 生产部署、团队规模和个人角色提示词工程师 vs. 后端开发者快速决定该投入哪种技术。如果你希望不只是“能用”AI助手而是想“用好”它构建可维护、可扩展的AI增强工作流那么区分这三者是你必须跨过的第一道坎。1. 为什么你必须分清 Skill、Plugin 和 MCP在深入技术细节前我们先达成一个共识Skill、Plugin和MCP不是同一种东西的三种叫法。把它们混为一谈就像把函数、库和API网关都叫做“代码”一样会导致架构上的混乱。一个常见的误区是认为它们都是“让AI多干点活”的插件。于是开发者可能会用Skill去调用一个需要认证的外部API或者试图用MCP来实现一个简单的文本格式化功能。结果往往是配置复杂、运行不稳定且难以调试。它们的本质区别在于抽象层次和解决的核心问题Skill技能关注“做什么”。它是一个任务描述或指令集通常用自然语言或简单的结构化格式如YAML编写告诉AI“如何完成一项特定任务”。它的核心是提示词工程。例如“总结代码变更”这个Skill本质是一段精心设计的提示词指导AI如何分析Git提交记录。Plugin插件关注“用什么做”。它是一个集成在特定应用如IDE、聊天机器人内的功能模块为AI提供额外的工具或能力。Plugin的实现依赖于宿主应用的插件系统。例如Cursor IDE中的“GitHub Plugin”为Cursor内置的AI提供了浏览仓库、读取Issue的具体功能。MCPModel Context Protocol模型上下文协议关注“怎么连接”。它是一个开放协议用于在AI模型或AI应用与外部工具、数据源之间建立标准化的通信桥梁。它不关心任务本身也不绑定任何特定应用只解决“安全、可控地访问资源”的问题。例如一个“Jira MCP Server”可以让任何支持MCP协议的AI客户端如Claude Desktop查询Jira工单。简单来说Skill是给AI的“任务清单”。Plugin是给某个应用的“功能扩展包”。MCP是AI与外界通信的“通用接线标准”。接下来我们用一个贯穿全文的周报场景把这三个概念具象化。2. 场景定义我们要解决什么问题假设你是一名研发工程师每周都需要写周报。周报需要包含代码贡献列出本周你提交的Git Commit并简要说明。任务进展从项目管理工具如Jira中拉取你本周状态更新的任务。总结与计划基于以上信息生成一段工作总结和下周计划。传统做法你需要分别打开Git命令终端、Jira网页手动复制粘贴信息然后组织语言。耗时且枯燥。AI辅助目标告诉AI助手“帮我生成本周研发周报”它就能自动获取上述信息并生成一份结构清晰的草稿。我们将尝试用三种不同的技术路径来实现这个目标并观察它们的差异。3. Skill用自然语言定义任务Skill是最贴近普通用户的一层。它通常不需要你写代码而是通过编写“提示词”或简单的配置文件来教导AI完成一个复杂任务。3.1 Skill 的核心原理你可以把Skill理解为一份标准操作程序SOP或一个宏命令。它把多步操作和思考逻辑封装成一个简单的指令。当用户触发这个指令时AI会按照Skill中定义的步骤一步步执行。许多AI编程助手如Cursor的技能、Claude的Custom Instructions都支持类似Skill的功能。其底层仍然是利用大语言模型的推理和规划能力。3.2 用Skill实现周报生成我们尝试为“周报生成”创建一个Skill。由于没有统一的Skill标准我们以一种常见的YAML格式为例描述这个Skill的构成。# weekly_report_skill.yaml name: generate_weekly_report description: 为研发工程师生成本周工作周报。 steps: - step: 1 action: prompt_user content: “请告诉我你的Git仓库本地路径以及本周的起始日期例如2024-05-20。” - step: 2 action: execute_command command: “git -C {{git_path}} log --since{{start_date}} --oneline --author$(git config user.email)” store_output_as: git_commits - step: 3 action: prompt_user content: “请提供你的Jira邮箱和API Token输入将被隐藏以及Jira服务器地址。” - step: 4 action: call_api # 注意这里假设AI能直接执行HTTP请求但实际Skill引擎可能不支持或需要额外声明 api: “GET” url: “{{jira_server}}/rest/api/2/search” headers: Authorization: “Basic {{base64(jira_email:api_token)}}” params: jql: “assignee currentUser() AND status changed DURING(startOfWeek(), endOfWeek())” store_output_as: jira_issues - step: 5 action: generate prompt: 基于以下信息生成一份结构清晰、语言专业的研发周报 Git提交记录 {{git_commits}} Jira任务更新 {{jira_issues}} 周报需包含本周工作概要、详细工作内容分点叙述、遇到的问题、下周计划。 store_output_as: final_report - step: 6 action: output content: “{{final_report}}”这个Skill做了什么它定义了一个包含6个步骤的流程询问用户信息 - 执行Git命令 - 再次询问用户信息 - 调用Jira API - 综合信息生成文本 - 输出结果。Skill方案的局限性立刻暴露出来安全性第3、4步涉及敏感的API Token让用户在对话中明文输入是极不安全的。Skill本身缺乏安全的凭证管理机制。能力边界第4步的call_api动作严重依赖AI应用本身是否支持以及如何支持。很多Skill系统只允许执行本地命令或简单的HTTP GET请求复杂的认证和API调用无法实现。可维护性如果Jira的JQL语法变了或者需要增加从Confluence获取文档的功能你需要修改这个YAML文件并且可能触及更多你不熟悉的“动作”类型。Skill的适用场景纯文本处理任务格式化、翻译、总结、扩写。基于已知信息的推理任务代码审查基于已提供的代码、设计文档生成。简单的、无需外部认证的本地操作运行一个本地的linter、执行项目内的构建脚本。结论Skill适合封装确定的、以文本生成为核心的流程。一旦涉及需要安全认证、复杂交互的外部系统Skill就显得力不从心。这时我们需要更强大的“工具”——这就是Plugin登场的时候。4. Plugin为特定应用扩展专属工具Plugin是绑定在特定应用程序上的。比如Cursor IDE有它的插件市场Claude Desktop也可以安装插件。这些插件为宿主应用内的AI模型提供了新的“函数调用”能力。4.1 Plugin 的核心原理一个Plugin通常包含两部分清单文件Manifest声明这个插件提供哪些“工具”Tools包括工具的名称、描述、参数输入模式。实现代码当AI决定调用某个工具时宿主应用会执行相应的代码逻辑并将结果返回给AI。Plugin的能力取决于宿主应用开放了多大的权限。一个IDE插件可能能直接访问工作区文件、终端、版本控制系统而一个聊天机器人插件可能只能进行网络请求。4.2 用Plugin实现周报生成以假设的“周报助手Plugin”为例假设我们在一个名为“DevAssist”的AI IDE中开发这个插件。第一步定义插件清单// devassist-weekly-report-plugin/manifest.json { name: weekly-report-helper, version: 1.0.0, description: 帮助研发工程师生成周报集成Git和Jira。, tools: [ { name: get_git_commits, description: 获取指定路径和时间内用户的Git提交记录。, input_schema: { type: object, properties: { repo_path: { type: string, description: Git仓库的本地路径。 }, since_date: { type: string, description: 起始日期格式为YYYY-MM-DD。 } }, required: [repo_path, since_date] } }, { name: get_jira_issues, description: 获取当前用户本周更新的Jira任务。, input_schema: { type: object, properties: { jira_server: { type: string, description: Jira服务器地址例如 https://your-company.atlassian.net } }, required: [jira_server] } } ] }第二步实现工具的后端逻辑# devassist-weekly-report-plugin/main.py import subprocess import json import requests from some_plugin_sdk import ToolContext # 假设宿主应用DevAssist会注入一个包含用户配置和认证信息的上下文 def get_git_commits(repo_path: str, since_date: str, context: ToolContext): 工具1执行Git命令 try: # 使用宿主应用提供的安全环境执行命令 result subprocess.run( [git, -C, repo_path, log, f--since{since_date}, --oneline, f--author{context.git_user_email}], capture_outputTrue, textTrue, checkTrue ) return result.stdout except subprocess.CalledProcessError as e: return fError fetching git commits: {e.stderr} def get_jira_issues(jira_server: str, context: ToolContext): 工具2调用Jira API # 关键认证信息如API Token由宿主应用的上下文安全管理不暴露在代码或对话中 auth (context.jira_email, context.jira_api_token) headers {Accept: application/json} jql assignee currentUser() AND status changed DURING(startOfWeek(), endOfWeek()) try: response requests.get( f{jira_server}/rest/api/2/search, authauth, headersheaders, params{jql: jql, maxResults: 50} ) response.raise_for_status() return json.dumps(response.json(), indent2) except requests.RequestException as e: return fError fetching Jira issues: {e}第三步用户如何使用用户在DevAssist IDE中安装此插件后就可以直接对AI说“用周报插件帮我生成这周的周报。” AI会识别出可用的get_git_commits和get_jira_issues工具并向用户询问必要的参数如repo_path然后自动调用这些工具获取数据最后合成周报。Plugin方案的优势安全性敏感的Jira凭证由宿主应用DevAssist统一管理插件代码通过安全的上下文ToolContext获取不会泄露给AI模型或用户对话。能力强大插件可以使用宿主应用允许的任何编程语言库如requests,subprocess实现复杂的逻辑。体验集成插件与IDE深度集成操作体验更流畅。Plugin方案的局限性平台锁定这个插件只能在DevAssist IDE里用。如果你换到另一个AI工具比如Claude Desktop这个插件就失效了你需要为那个平台重新开发一个。开发成本你需要学习特定平台的插件开发框架、打包和发布流程。功能受制插件的能力完全受宿主应用沙箱的限制。如果宿主应用不允许网络访问或文件操作你的插件就无法实现相应功能。结论Plugin提供了安全、强大、深度集成的能力扩展但代价是被绑定在特定生态内。当你需要为某个你长期使用的核心AI工具如你的主力IDE添加复杂、安全的关键功能时开发Plugin是理想选择。但如果你希望你的“周报生成”能力能在任何AI助手间通用呢这就需要MCP。5. MCP打破平台锁定的通用协议MCPModel Context Protocol是Anthropic提出的一种开放协议旨在标准化AI模型与外部资源和工具之间的通信。你可以把它想象成AI世界的USB-C接口或者HTTP协议。5.1 MCP 的核心原理MCP定义了一套简单的、传输层无关的可通过stdio、HTTP、SSE等传输的请求-响应协议。其核心角色有两个MCP Server服务器它封装了对特定资源如文件系统、数据库、Jira、Git的访问能力并提供一系列“工具Tools”或“资源Resources”。我们的“周报生成”所需的能力就可以由一个MCP Server来提供。MCP Client客户端支持MCP协议的AI应用如Claude Desktop、Cursor、第三方AI客户端。它负责连接一个或多个MCP Server将Server提供的工具“暴露”给内部的AI模型使用。关键在于只要AI应用实现了MCP Client它就能连接任何遵循MCP协议的Server。同样只要你按照MCP协议实现一个Server所有支持MCP的AI应用就都能使用它的能力。5.2 用MCP实现周报生成现在我们不开发某个特定IDE的插件而是创建一个独立的“周报MCP Server”。第一步创建MCP Server项目结构weekly-report-mcp-server/ ├── package.json ├── src/ │ └── index.ts # 使用TypeScript示例 └── .env.example第二步实现MCP Server核心代码// src/index.ts import { Server } from modelcontextprotocol/sdk/server/index.js; import { StdioServerTransport } from modelcontextprotocol/sdk/server/stdio.js; import { CallToolRequestSchema, ListToolsRequestSchema, Tool, } from modelcontextprotocol/sdk/types.js; import * as child_process from child_process; import * as util from util; import * as dotenv from dotenv; import fetch from node-fetch; dotenv.config(); const exec util.promisify(child_process.exec); // 1. 创建Server实例 const server new Server( { name: weekly-report-mcp-server, version: 1.0.0, }, { capabilities: { tools: {}, // 声明本Server提供工具 }, } ); // 2. 定义工具列表 const tools: Tool[] [ { name: get_weekly_git_commits, description: 获取当前用户在本周内的Git提交记录。, inputSchema: { type: object, properties: { repoPath: { type: string, description: Git仓库路径默认为当前目录。 } } } }, { name: get_weekly_jira_issues, description: 获取当前用户在本周内状态发生变更的Jira任务。, inputSchema: { type: object, properties: {} // 无需输入使用环境变量中的配置 } }, ]; // 3. 实现工具处理逻辑 server.setRequestHandler(ListToolsRequestSchema, async () ({ tools, })); server.setRequestHandler(CallToolRequestSchema, async (request) { const { name, arguments: args } request.params; if (name get_weekly_git_commits) { const repoPath (args as any).repoPath || .; const sinceDate getStartOfWeek(); // 一个计算本周一日期字符串的函数 const userEmail process.env.GIT_USER_EMAIL; // 从环境变量读取 try { const { stdout } await exec( git -C ${repoPath} log --since${sinceDate} --oneline --author${userEmail}, { encoding: utf-8 } ); return { content: [{ type: text, text: stdout }], }; } catch (error: any) { return { content: [{ type: text, text: Error: ${error.stderr || error.message} }], isError: true, }; } } if (name get_weekly_jira_issues) { const { JIRA_SERVER, JIRA_EMAIL, JIRA_API_TOKEN } process.env; if (!JIRA_SERVER || !JIRA_EMAIL || !JIRA_API_TOKEN) { return { content: [{ type: text, text: Jira环境变量未配置。 }], isError: true, }; } const auth Buffer.from(${JIRA_EMAIL}:${JIRA_API_TOKEN}).toString(base64); const jql assignee currentUser() AND status changed DURING(startOfWeek(), endOfWeek()); try { const response await fetch( ${JIRA_SERVER}/rest/api/2/search?jql${encodeURIComponent(jql)}maxResults50, { headers: { Authorization: Basic ${auth}, Accept: application/json, }, } ); if (!response.ok) { throw new Error(Jira API error: ${response.statusText}); } const data await response.json(); const simplifiedIssues data.issues.map((issue: any) ({ key: issue.key, summary: issue.fields.summary, status: issue.fields.status.name, })); return { content: [{ type: text, text: JSON.stringify(simplifiedIssues, null, 2) }], }; } catch (error: any) { return { content: [{ type: text, text: Error fetching Jira issues: ${error.message} }], isError: true, }; } } throw new Error(Unknown tool: ${name}); }); // 4. 启动Server使用stdio传输这是最常见的方式 async function main() { const transport new StdioServerTransport(); await server.connect(transport); console.error(Weekly Report MCP Server running on stdio); } main().catch((error) { console.error(Server error:, error); process.exit(1); });第三步配置与运行在项目根目录创建.env文件安全地配置凭证# .env GIT_USER_EMAILyour.emailcompany.com JIRA_SERVERhttps://your-company.atlassian.net JIRA_EMAILyour.emailcompany.com JIRA_API_TOKENyour_api_token_here在支持MCP的AI客户端如Claude Desktop配置文件中添加这个Server// Claude Desktop 配置示例 (location varies by OS) { mcpServers: { weekly-report: { command: node, args: [/absolute/path/to/weekly-report-mcp-server/src/index.js], env: { GIT_USER_EMAIL: your.emailcompany.com, JIRA_SERVER: https://your-company.atlassian.net, JIRA_EMAIL: your.emailcompany.com, JIRA_API_TOKEN: your_api_token_here } } } }第四步使用体验重启Claude Desktop后AI助手就具备了get_weekly_git_commits和get_weekly_jira_issues两个工具。你可以直接说“请用周报工具获取我本周的Git提交和Jira任务然后生成周报。” AI会自动调用这些工具获取数据并生成报告。MCP方案的优势一次开发多处使用这个Server可以被任何支持MCP的客户端使用打破了平台锁定。关注点分离Server专注于提供安全、可靠的数据访问能力不涉及任何UI或交互逻辑。客户端专注于提供优秀的AI交互体验。安全性敏感凭证配置在客户端或Server的环境变量中与AI对话流完全隔离。标准化协议是开放的社区正在涌现大量现成的Server如文件系统、数据库、搜索引擎等可以像搭积木一样组合使用。MCP方案的局限性复杂度需要理解MCP协议并具备Server端开发能力。运维成本你需要运行和维护这个Server进程。生态初期虽然发展迅速但工具和客户端的成熟度与稳定性仍在演进中。结论MCP是构建可移植、可组合、企业级AI能力的基石。当你需要让AI安全、统一地访问公司内部资源如GitLab、Jira、内部Wiki、数据库并且希望这个能力能在团队内不同的AI工具间共享时MCP是最佳选择。6. 对比总结一张表看清本质区别特性维度Skill (技能)Plugin (插件)MCP (模型上下文协议)本质任务描述/ 宏指令应用功能扩展通信协议/ 能力接口标准核心提示词与步骤编排宿主应用的API与SDK开放的请求-响应协议开发内容自然语言指令、YAML/JSON配置宿主应用特定语言代码JS/Python等独立的Server程序任何语言安全性低。凭证常需用户输入易泄露。中高。依赖宿主应用的安全沙箱和凭证管理。高。凭证隔离在Server端协议传输可控。能力范围受限于AI模型的理解和Skill引擎支持的动作。受限于宿主应用开放的权限和能力。理论上无限取决于Server能实现什么。可移植性差。严重依赖特定AI平台对Skill格式的支持。差。仅适用于开发时的特定应用。极好。任何支持MCP Client的AI应用均可使用。适用阶段个人快速自动化简单、固定的文本任务。为主力、高频使用的某个AI应用深度定制功能。团队级/企业级部署需要跨平台、安全、稳定地连接内部系统。周报场景实现定义步骤但无法安全调用Jira API。在特定IDE内完美实现体验好但被绑定。创建通用Server可在Claude、Cursor等多种工具中使用。类比录制一个键盘鼠标宏。为Photoshop安装一个滤镜插件。为电脑安装一个标准USB接口的读卡器。7. 如何选择给你的实践指南面对具体项目你该如何选择记住这个决策流你的任务是否仅涉及文本处理和简单逻辑且无需连接外部系统是- 优先尝试Skill。用最少的成本验证想法。例如代码风格检查、Commit信息优化、日报模板填充。否- 进入下一步。这个功能是否专为你每天使用的某个核心AI工具如Cursor定制且你愿意接受被它绑定是- 开发Plugin。享受深度集成和最佳用户体验。例如为Cursor开发深度集成公司代码库搜索的插件。否- 进入下一步。你是否需要让AI安全、稳定地访问内部系统数据库、Git、项目管理工具并且希望这个能力在团队的不同AI工具间共享是- 投入MCP Server开发。这是面向未来的投资。例如连接内部Jira、Confluence、监控系统的MCP Server供全团队使用。否- 重新评估需求。进阶建议组合使用MCP Server提供基础能力如查数据Plugin或Skill利用这些能力组合成更上层的应用如周报生成器。从Skill原型开始即使最终目标是MCP也可以先用Skill描述出完整流程验证AI的理解和输出是否符合预期再着手开发更复杂的Server。关注生态在开发Plugin或MCP Server前先去社区看看是否有现成的解决方案。例如已经存在很多开源的Git MCP Server、文件系统MCP Server。8. 常见问题与排查思路问题现象可能原因排查方式解决方案Skill执行失败AI不理解或操作错误1. 步骤描述模糊。2. Skill引擎不支持某个动作如call_api。3. 输入/输出格式不匹配。1. 将Skill拆解分步测试。2. 查阅所用平台的Skill动作支持列表。3. 检查变量替换是否正确。1. 简化Skill使用更明确的指令。2. 换用平台支持的动作或降级为纯提示词Skill。3. 确保提供给AI的上下文信息格式正确。Plugin安装后AI无法识别或调用工具1. 清单文件manifest格式错误。2. 工具定义不符合宿主应用规范。3. 插件未正确加载或激活。1. 检查manifest.json的JSON语法和必填字段。2. 对照官方插件开发文档。3. 查看宿主应用的开发者控制台或日志。1. 使用JSON Schema验证工具。2. 参考官方示例插件。3. 重启宿主应用重新安装插件。MCP Server已启动但客户端连接失败1. 客户端配置路径或命令错误。2. Server启动失败或立即退出。3. 环境变量未正确传递。4. 端口或传输方式冲突。1. 检查客户端配置文件的路径和参数。2. 单独运行Server命令查看报错信息。3. 在Server启动脚本中打印环境变量。4. 检查是否已有进程占用了相同端口。1. 使用绝对路径确保命令在终端可执行。2. 根据Server报错修复代码或依赖。3. 确保客户端配置中的env字段正确。4. 更换传输方式如从stdio换到HTTP测试。AI可以调用MCP工具但返回权限错误或空数据1. Server端代码的API调用逻辑错误。2. 凭证API Token等无效或过期。3. 请求参数如日期范围、用户标识不正确。1. 在Server代码中添加详细日志。2. 使用curl或Postman直接测试Server使用的API。3. 检查Server中用于计算参数如本周日期的逻辑。1. 修复API调用代码处理异常。2. 更新环境变量中的凭证。3. 硬编码参数进行测试逐步定位问题。不同技术方案混用导致混乱概念不清在应该用MCP的地方写了Skill或在应该写Plugin的地方硬套MCP。回顾本文第6部分的对比表格明确当前需求的核心痛点。根据决策流第7部分重新选择技术路径必要时推倒重来保持架构清晰。9. 最佳实践与工程建议从问题出发而非技术不要因为MCP热门就去用。先明确你要解决什么问题自动化周报再评估哪种技术路径最简洁、最可持续。安全第一Skill绝对避免在Skill中硬编码或让用户输入密码、Token。对于需要认证的操作应引导用户使用具备该能力的Plugin或配置好的MCP环境。Plugin利用宿主应用提供的安全凭证存储机制。遵循最小权限原则只请求必要的权限。MCP将凭证存储在环境变量或安全的配置管理服务中。Server应运行在受信任的环境中并做好访问日志。设计可测试的接口无论是Plugin的工具还是MCP Server的工具其输入输出都应该是明确、可序列化的。这允许你编写单元测试模拟AI的调用。为MCP Server提供一个简单的测试客户端脚本用于验证工具是否正常工作而不必依赖AI应用。错误处理与用户体验AI对错误信息的理解能力有限。工具返回的错误信息应尽可能清晰、结构化帮助AI向用户传达有用的解决方案。例如返回“Error: Git repository not found at ‘/wrong/path’. Please check the repoPath parameter.”比单纯的“Command failed with code 128”要好得多。文档与版本化为你创建的Skill、Plugin或MCP Server编写清晰的README说明功能、配置方法和使用示例。对Plugin和MCP Server进行版本控制便于迭代和回滚。Skill、Plugin、MCP代表了AI能力扩展的不同抽象层次和适用场景。Skill是快速的任务脚本Plugin是深度的应用增强MCP是未来的基础设施协议。理解它们的区别能帮助你在AI原生应用开发中做出更明智的技术选型避免在错误的方向上浪费精力。对于大多数开发者我建议的入门路径是先用Skill自动化你手头最枯燥的文本工作感受AI的潜力然后为你最依赖的IDE开发一个解决实际痛点的Plugin体验深度集成最后当你有需要跨平台共享、安全访问内部资源的需求时再深入研究MCP。技术的最终目的是解决问题。希望这份通过“周报生成”场景拆解出的指南能帮你清晰地找到最适合你当前问题的那个“工具”从而更高效地构建你的AI增强工作流。