Skill 的"背景"是什么？
在 Cursor 里，Skill 本质上是一份"可复用的工作方法/标准操作流程（SOP）说明书"，写成 SKILL.md，让 AI 在遇到某类任务时按你想要的步骤、口径、模板去做。
- 它解决的问题：AI 很聪明，但每次都可能"用不同做法"。Skill 用来把你认可的流程固定下来（比如：部署必须先预发、必须有回滚、必须有冒烟测试）。
- 它做事的方式：主要是"告诉 AI 怎么想、怎么问、怎么输出"，属于提示词/规范层，不是能力层。
- 它的价值：一致性、可复制、少踩坑、交付格式稳定（尤其适合部署、发版、写报告、做 code review 这种"流程型工作"）。
有了 MCP，为什么还需要 Skill？（以及两者区别）
把它们理解成两样东西：
- MCP（工具/能力）：让 AI "能动手"。例如连接数据库、调用内部平台 API、操作云厂商、跑部署命令、查监控、读日志等。MCP 提供的是工具接口。
- Skill（流程/规范）：让 AI "按正确方式动手"。例如先问清环境、先做预检、分阶段发布、出回滚方案、部署后验证与观察等。Skill 提供的是做事流程。
所以：MCP 解决"能不能做"，Skill 解决"怎么做才稳"。
什么时候用 Skill？什么时候用 MCP？
- 更需要 Skill 的场景
- 你希望 AI 输出固定结构/模板（部署方案、回滚方案、测试清单）
- 你希望 AI 永远遵守团队规则（比如必须 staging→prod）
- 你希望减少"每次都要重新解释"的沟通成本
- 更需要 MCP 的场景
- 需要访问外部系统/数据（K8s、GitLab、Redis、监控平台）
- 需要执行动作（发布、查询、拉取数据、创建工单）
- 需要读写企业内部资源（这类通常只能通过 MCP 工具做）
它们配合起来的最佳形态
Skill 负责指挥与验收，MCP 负责执行与取证。
举例：部署 Skill 会要求"部署后检查错误率、日志、健康检查、并给回滚命令"，而 MCP 可以真的去拉监控数据、查日志、执行 kubectl rollout status。