Skills 比MCP好在哪儿？如何用Milvus-Skills 搭建知识库

Agent很好，但要做好工具调用能才能跑得通。

但让Agent做好工具调用，却并不简单。

用MCP吧，模型很难像人一样精准判断出什么场合该用什么工具，要怎么用；而且用MCP时，模型要把所有工具定义加载到上下文窗口。仅仅一个GitHub（26k）的MCP，就能占模型四分之一的上下文。

为了解决这个问题，Anthropic 推出了 Skills，相比MCP，Skills的上下文更精简、标准化程度更高、可控性更强。

那么到底怎么用好skills？今天我们将示范如何在claude-code中，创建一个milvus skills，进行知识库搭建。

01 什么是 Skills

Skills其实是2025年12月，Anthropic给Claude Code开放的一个类似AI工具接口标准的东西。

目前，Claude Code，Codex、GitHub、VS Code、Cursor、Codebuddy各种主流AI编程工具都对这个标准做了兼容。

它可以相关工具的专业知识、做事方法、工具脚本、参考资料打包成一个文件夹，大模型阅读后，就知道完成某项任务需要哪些工具，如何去完成。

其标准目录结构如下：

bash 复制代码

skill-name/
├── SKILL.md          # 必需：Skill 指令和元数据
├── scripts/          # 可选：辅助脚本
├── templates/        # 可选：文档模板
└── resources/        # 可选：参考文件

1.SKILL.md（核心文件）

Agent 的执行说明书，包含元数据（name/description/触发词）、执行流程、默认配置。你需要在这里写清楚：

触发条件：比如用户输入包含用 Python 处理 CSV"时激活该技能；
任务流程：技能执行的步骤，例如先解析用户需求→调用 scripts 中的预处理脚本→生成代码→用 assets 中的模板格式化输出；
执行指引：代码规范、输出格式、异常处理规则等细节。

2.scripts（执行脚本）

预写好的脚本（Python/Shell/Node.js）， Agent 直接调用，不用每次生成代码。如 create_collection.py、check_env.py。

3.templates（文档模板）

可复用的模板文件，Agent 基于模板生成个性化内容。如报告模板、配置模板。

4.resources（参考资料）

Agent 执行时参考的知识文档，如 API 文档、技术规范、最佳实践指南。

整体结构的运行，我们可以想象成在模拟给新同事交接工作：是工作手册，scripts/是常用工具，templates/是标准模板，resources/是参考文档，Agent 拿到材料就能开工。

02 实战：自定义Milvus Skills

1. 实战目标：

创建一个 Milvus Skills，通过自然语言描述自动创建 RAG 系统或 Milvus Collection，无需理解 schema、index 等技术概念。

2. 设计思路

3.环境配置要求

4.环境初始化

4.1 安装 claude-code

bash 复制代码

npm install -g @anthropic-ai/claude-code

4.2 安装 CC-Switch

说明：CC-Switch 是一个模型切换工具，让你在本地跑 AI 模型时能方便切换不同的 API。

地址：https://github.com/farion1231/cc-switch

4.2.1 选择 claude 并添加 API-KEY

4.2.1 启用查看状态

4.3 部署启动 Milvus-Standalone

bash 复制代码

# 下载docker-compose.yml
wget https://github.com/milvus-io/milvus/releases/download/v2.6.8/milvus-standalone-docker-compose.yml -O docker-compose.yml
# 启动Milvus（检查端口映射：19530:19530）
docker-compose up -d
# 验证服务启动
docker ps | grep milvus
# 应该看到3个容器：milvus-standalone, milvus-etcd, milvus-minio

4.4 配置 OpenAI-Key 环境变量

bash 复制代码

# 在~/.bashrc或~/.zshrc中添加OPENAI_API_KEY=your_openai_api_key_here
# 在~/.bashrc或~/.zshrc中添加
OPENAI_API_KEY=your_openai_api_key_here

5.创建 Milvus-Skills

5.1 创建目录

bash 复制代码

cd ~/.claude/skills/
mkdir -p milvus-skills/example milvus-skills/scripts

5.2 初始化 SKLII.md

说明：是 Agent 的执行说明书

bash 复制代码

name: milvus-collection-builder
description: 用自然语言创建Milvus集合，支持RAG和文本搜索场景

5.3 编写核心代码

这些脚本展示了如何把 Milvus 技能变成真正能用的文档搜索和智能问答系统。

6.启用 Milvus-Skills 并测试

6.1 自然语言描述需求

bash 复制代码

我要创建RAG系统

6.2 检测到刚才我们部署的 Milvus 实例

6.3 RAG 创建成功

6.4 插入示例数据

6.5 查询结果

03 写在最后

这个 Milvus-Skill 是个起点，展示了用 Skills 简化 RAG 构建的思路。

实际 RAG 系统还有更多场景可以封装：文档预处理、分块策略优化、混合检索配置、重排序调优、结果评估等，每个环节都能做成独立 Skill 串联使用。

但 Skills 的价值在于降低入门门槛：新手可以 10 分钟跑起来原型，不用被配置参数劝退；老手可以把团队的最佳实践封装成 Skills，避免重复造轮子。

如果你有常用的技术栈配置流程、重复性开发任务，都可以试着做成 Skills。不是万能，但确实能省不少时间。

**完整代码：**https://github.com/yinmin2020/open-milvus-skills

**推荐 skills 市场：**https://skillsmp.com/

一个彩蛋：milvus、zilliz cloud官方版skills即将发布，对它有什么期待，希望它能够解决你的什么问题，欢迎评论区留言

作者介绍

Zilliz黄金写手：尹珉