ai coding工具共性（四）skill

对比MCP

Skill 是 2025 年底出现的又一个创新——在 Rule（约束行为）和 Tool（执行操作）之间，补上了可复用任务 SOP（Standard Operating Procedure）这一层。

• Command：用户主动输入/xxx触发
• Skill：LLM 识别到场景后自动触发

两者本质相同，都是 prompt 注入，区别只在触发方式。

1、Tool 的天花板：function-call 参数量限制

MCP 协议统一了 tool 的接入方式，但 LLM 的 function calling 有参数数量限制——你不能把几百个 tool 的 schema 一次性塞进 context，否则：

• context 被 tool 定义占满，每个大模型承载能力不一致
• LLM 在大量 tool 里做选择，准确率下降

这是 MCP Server 堆 tool 数量的硬限制。

Skill 的设计绕开了这个问题：

• 只把 Skill 的名称 + 一句描述注入 system prompt，不是完整 schema
• 需要时才把完整 prompt 加载进来
• 100 个 Skill 的描述总长度，远小于 10 个 MCP Tool 的完整 schema

本质上是懒加载——平时只存目录，用到时才取内容。

2、自然语言描述 vs Function Schema

MCP Tool 需要用结构化 schema 描述能力，对于简单操作（查DB、调接口）很合适。但对于复杂的、有上下文判断的任务，schema 反而难以精确描述：

# MCP Tool schema（结构化，适合原子操作）

{

"name": "search_logs",

"parameters": { "query": "string", "time_range": "string" }

}

# Skill 描述（自然语言，适合复杂流程）

"当用户排查线上问题时触发：

先看最近错误日志，结合代码上下文分析根因，

如果涉及数据库则同时查慢查询，最终给出修复建议"

自然语言描述对 LLM 更友好，复杂任务的意图传递比 schema 更准确

3、