有思路把握一下skills和mcp

首先要清楚

skills和mcp是什么

我们从三个领域了解这个

1.功能领域

2.实际需要操作的软件

3.配置领域

1.功能领域

说到这些概念之前

就要铺垫信息

线上环境，也就是电脑里的世界

我们说的一切，就都要在这个环境上

基本上，可以有什么操作呢

就是，对网站来说

对软件类代码来说

对画布类软件来说

他们产生结果，就是智能体可以产生的结果

这里还要提几个前置概念

1.codex，caludecode，workbuddy，豆包

这些智能体开发平台

如果使用apikey接入了llm，就要消耗token，就要充值

然后，就有了整理信息，输出信息的智能

然后我们借助skills，和mcp，以及他俩的结合在一起的插件

也就是springboot依赖里的staryer，一类东西的集合

然后就可以操作网站和软件

输出，成果和产品

这个就是我们需要skills和mcp的原因

2.实际需要操作的软件

接着就是实战派

我们需要操作什么软件

这取决于我们使用电脑的需求

是wps

好似是chrome

还是文件夹

还是figma

3.以及如何安装配置skills

这一层，我们还是需要了解前置概念

所谓的skills其实，也是一个文件夹

我们以codex为例

2个方式

方式1

所谓的安装skills，就是找到skills的文件夹，放在codex软件对应文件夹的位置

熟悉有哪些官方的skills合集网站可以拉取

方式2

直接让codex聊天，自己安装

本文从实战角度出发，用最通俗的方式讲清楚Skills和MCP是什么、怎么配置、怎么用，帮你少走弯路、少花冤枉钱。

前言：为什么要聊这个话题？

如果你正在使用Cursor、Codex、Workbuddy或豆包这类AI编程助手，你一定遇到过这些问题：

想让AI操作本地文件夹，它却说"我做不到"
想让AI自动抓取网页内容，它只能给你一段代码让你自己跑
想让AI生成一份WPS表格，它输出的却是Markdown格式

问题的根源在于：大语言模型（LLM）有"脑子"（理解能力），但没有"手"（操作能力）。它知道该怎么做，却无法亲自执行。

Skills和MCP，就是给AI装上的"手"。

一、核心概念：用两个比喻彻底搞懂

MCP（模型上下文协议）= 万能USB接口

MCP全称是Model Context Protocol，可以把它理解成一个标准化的连接协议。

打个比方：你的电脑有USB接口，插上U盘能读文件，插上鼠标能操控界面，插上摄像头能采集图像。MCP对AI来说就是这样的存在------它让AI可以"外接"各种工具：

Filesystem MCP：让AI读写本地文件夹
Browser MCP（Playwright）：让AI操控Chrome浏览器
Office MCP：让AI操作WPS/Excel
Figma MCP：让AI直接产出设计稿

一句话总结 ：MCP解决的是"AI摸得着但够不到"的问题，它是连接层。

Skills = 岗位说明书/工作流SOP

有了USB接口（MCP），AI还需要知道具体怎么操作。

Skills就是一套提示词模板 + 脚本逻辑的集合。它告诉AI：

第一步做什么
第二步点什么按钮
遇到错误怎么处理
输出格式是什么

一句话总结 ：Skills解决的是"AI知道怎么做但不知道按什么顺序做"的问题，它是逻辑层。

两者的关系

维度	MCP	Skills
角色	手	大脑指挥手的方法
作用	提供操作通道	提供操作策略
类比	USB接口	操作说明书
风险	连接风险（权限控制）	逻辑风险（顺序错误）

两者结合，就相当于Spring Boot里的Starter依赖------把一堆配置打包成开箱即用的插件包。

二、我们需要操作哪些软件？

在实际工作中，并非所有软件都需要接入AI。根据操作风险可以分为三个等级：

🔵 低风险（建议优先接入）

Chrome浏览器：网页抓取、信息汇总、自动化填表
本地文件夹：文件批量重命名、文档整理、日志分析

推荐MCP：playwright（浏览器）、filesystem（文件夹）

🟡 中风险（按需接入）

WPS/Office：自动生成周报、数据透视表、批量排版
Figma：根据需求生成UI初稿、批量导出切图

推荐MCP：office-mcp、figma-mcp

🔴 高风险（谨慎接入，建议人工确认）

命令行终端：执行系统命令、Git操作
数据库：增删改查（尤其是DELETE和UPDATE）

建议在Skill的提示词中强制要求："执行前必须输出命令预览，等待确认后再执行"

三、实战配置：以Cursor（Codex）为例

前置准备

你需要先了解一个事实：所有AI编程平台（Cursor、Codex、豆包）调用LLM都是按Token计费的。MCP操作（尤其是读取大文件）极其消耗上下文Token，所以配置时要有"成本意识"。

方式一：手动安装Skills（推荐新手）

步骤1：找到Skills存放位置

Cursor的Skills通常放在项目根目录下的 .cursor/skills/ 文件夹。如果没有，手动创建即可。

步骤2：拉取官方Skills合集

推荐两个官方渠道：

Cursor官方示例库：https://github.com/cursor-ai/skills
社区Awesome合集：https://github.com/awesome-cursor/skills

步骤3：正确放置Skill文件

Cursor识别的是 SKILL.md 格式文件（包含YAML头部元数据）。正确做法是：

复制代码

.cursor/
└── skills/
    ├── web-scraper/
    │   └── SKILL.md
    ├── file-organizer/
    │   └── SKILL.md
    └── report-generator/
        └── SKILL.md

⚠️ 注意：不要直接把整个Git仓库复制进去，而是把每个Skill的 .md 文件分门别类放好。

方式二：让AI自己安装（效率高但有小坑）

你可以直接在Cursor对话框说：

"请帮我从GitHub拉取官方的skills仓库，并安装到当前项目的 .cursor/skills 目录"

但要注意这个坑：AI可能会因为幻觉而编造不存在的下载链接。

稳妥的替代方案：

你自己手动 git clone 官方仓库到本地
然后在Cursor中说："请扫描 .cursor/skills 文件夹，列出所有可用技能，并告诉我当前启用了哪些"

原则：让AI只做"读取"和"加载"，不要让AI做"下载"和"安装"。

四、最佳实践：推荐配置组合

第一阶段：最小可用配置（成本最低）

只配2个MCP服务器，不要贪多：

json 复制代码

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/workspace"]
    },
    "fetch": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-fetch"]
    }
  }
}

第二阶段：创建一个自定义Skill

在 .cursor/skills/daily-report/SKILL.md 中写入：

yaml 复制代码

---
name: daily-report
description: 读取Downloads文件夹中的PDF，总结后存入Desktop
---

# 日报生成技能

## 执行步骤
1. 使用 filesystem MCP 读取 ~/Downloads 目录下所有 PDF 文件
2. 提取每个PDF的文件名和创建时间
3. 汇总生成一份Markdown表格
4. 将结果保存到 ~/Desktop/daily-summary.md

## 成本控制
- 每次最多读取3个PDF文件
- 每个PDF只读取前2000个字符
- 超过2000字符提示用户分批处理

第三阶段：测试闭环

执行一次完整的测试流程，确认AI能够：

✅ 正确读取Downloads文件夹
✅ 识别PDF文件
✅ 生成汇总报告
✅ 写入Desktop目录

成功之后，再按需添加Chrome或Figma的MCP。

五、省钱提醒：关于Token消耗

最后说一个你可能已经意识到的问题：Token就是钱。

操作类型	Token消耗	省钱建议
读取1个10MB文件	极高（约25000 token）	在Skill中限制读取长度
浏览器抓取单页	中等（约5000 token）	禁止加载图片/CSS
调用Skill指令	低（约500 token）	优先使用本地缓存

在Skill的Prompt里加上这句硬性指令：

"每次操作文件时，只读取前2000个字符，分批处理，并在输出中标注'已截断'。"

总结：一张图看懂整体架构

复制代码

┌─────────────────────────────────────────────────┐
│                   用户指令                       │
└─────────────────┬───────────────────────────────┘
                  ▼
┌─────────────────────────────────────────────────┐
│              Skills（逻辑层）                    │
│   ┌─────────┐  ┌─────────┐  ┌─────────┐       │
│   │网页抓取  │  │文件整理  │  │报告生成  │       │
│   └─────────┘  └─────────┘  └─────────┘       │
└─────────────────┬───────────────────────────────┘
                  ▼
┌─────────────────────────────────────────────────┐
│              MCP（连接层）                      │
│   ┌─────────┐  ┌─────────┐  ┌─────────┐       │
│   │Browser  │  │Filesystem│  │  Office │       │
│   └─────────┘  └─────────┘  └─────────┘       │
└─────────────────┬───────────────────────────────┘
                  ▼
┌─────────────────────────────────────────────────┐
│            外部软件/操作系统                     │
│   Chrome    文件夹    WPS    Figma    Terminal  │
└─────────────────────────────────────────────────┘

写在最后

Skills和MCP的出现，让AI从"只会聊天"进化到了"能动手做事"。理解它们的本质，你就掌握了AI提效的核心钥匙。

记住这三个要点：

MCP是手------负责连接和操作
Skills是大脑指挥手的方法------负责策略和流程
先配MCP，再写Skill，最后测试闭环------这是最稳的上手路径

配置好这两样东西，你的AI助手就不再只是一个"对话框"，而是一个真正能帮你产出成果的数字员工。

如果你觉得这篇文章有帮助，欢迎分享给正在研究AI编程助手的同事。实践出真知，动手配置一次，胜过读十篇文章。