MCP 和 Skills 差在哪？AI 開發外掛按任務挑，別一次全裝

MCP（Model Context Protocol，模型情境協定）負責把 AI 助手「連」到外部工具和資料來源；Skills（技能）負責告訴 AI 拿到工具之後「該怎麼做」。簡單說：MCP 是工具連接，Skills 是任務方法，兩者都不能取代開發助手本身——先選好用哪個助手，再按任務挑要加哪一種外掛。

MCP 和 Skills 的分界到底是什麼

如果你在想的是「怎麼教 AI 做這件事」，那是 Skill 的範圍；如果你在想的是「AI 要怎麼存取某個東西」，那是 MCP 的範圍。

一個常見的比喻是把 MCP 想成五金行裡讓你走進去、拿到所有工具和材料的通道，Skills 則是店員的專業知識——告訴你該買什麼、怎麼組裝。MCP 處理的是連接（connectivity），Skills 處理的是專業知識與工作流邏輯（expertise）。

兩者不是一對一綁定的關係：一個 Skill 可以同時協調多個 MCP 伺服器，一個 MCP 伺服器也可以被多個 Skills 共用。寫法上也有差異——MCP 的操作指示通常寫得比較通用，講的是「怎麼用這個伺服器和它提供的工具」；Skill 的指示則比較具體，會涵蓋特定流程或是跨多個伺服器的完整工作流程。

舉兩個實際搭配的例子：Notion MCP 讓 AI 能搜尋整個工作區的內容，但「開會前要拉哪些頁面、整理成什麼格式」這件事要靠一個會議準備的 Skill 來定義。另一個例子是財務分析場景：同業比較分析的 Skill 會去呼叫 S&P Capital IQ、Daloopa、Morningstar 等 MCP 伺服器抓資料，再照自己的估值邏輯整理成報告——資料從 MCP 來，方法由 Skill 定。

比較項目	MCP	Skills
解決什麼問題	工具／資料連不上	AI 不知道該怎麼做
適合場景	即時資料存取、外部系統操作、文件操作、API 整合	多步驟工作流程、需要一致性的流程、領域專業知識、機構知識
指示寫法	偏通用（怎麼用這個伺服器）	偏具體（特定流程、跨伺服器工作流程）
可包含內容	工具呼叫介面	腳本、範本、參考資料

四組實際抉擇，示範怎麼按任務挑

先選開發助手，再加外掛

不管是 Claude Code、Cursor、Copilot 還是 Codex，外掛是「加」在助手上面的東西，不是助手本身。順序應該是先確定自己要用哪個開發助手，再根據手上的任務去補 Skill 或 MCP——而不是反過來，看到熱門外掛清單就先裝一輪。想先搞懂 Cursor 本身怎麼上手的話，可以參考Cursor 教學。

Playwright MCP 還是 Chrome DevTools MCP

兩者都能讓 AI 操作瀏覽器，但能力範圍不同。Playwright MCP 側重打開網頁、操作按鈕和表單這類操作型任務；Chrome DevTools MCP 除了能做類似操作，還多了瀏覽器端的除錯與效能檢查能力。單純要跑一套網頁操作流程，Playwright MCP 就夠；如果任務牽涉到要看網頁為什麼跑不動、哪裡效能卡住，才需要 Chrome DevTools MCP。

缺的是方法，還是工具存取

回到最根本的判斷：卡住的原因是「AI 不知道怎麼做」還是「AI 碰不到那個東西」。前者裝 Skill，後者裝 MCP。比如 AI 已經能存取公司的知識庫（MCP 搞定了），但每次整理出來的格式都亂七八糟、缺東缺西，這時候缺的是方法，該補的是 Skill；反過來，如果 AI 連知識庫都進不去，再厲害的方法 Skill 也沒用，得先補 MCP。

Context7 查文件，Serena 定位既有程式碼

這兩個常被拿來一起提，但解決的問題不一樣。Context7 MCP 提供最新的套件與框架文件給 AI，避免 AI 憑記憶瞎猜導致幻覺或寫出過時的程式碼；Serena 則是幫 AI 在既有專案裡按函數、類別和引用關係定位程式碼，解決的是「這段邏輯在哪裡、被誰呼叫」的問題。查外部套件文件用 Context7，理解自己專案內部結構用 Serena，兩者處理的是不同階段的資訊缺口。想了解在大型專案裡 AI 容易卡住的情況，可以參考AI 寫程式碰大型專案就變笨。

外掛不只是個人玩具，生態已經在長

MCP 和 Skills 的組合不只是個人開發者在用。Claude 的應用市集目前已有超過 25 款第三方代理人與服務，涵蓋資安、開發基礎架構、可觀測性、部署等企業端場景，代表這套外掛模式已經走到企業導入的階段，不只是零散的個人工具組合。

另外值得留意的是，Agent Skills 本身是一套開放標準，Skill 是可攜、有版本控制的包，裡面可以包含腳本、範本、參考資料，官方規格支援用 scripts/、references/、assets/ 這類目錄結構組織內容；至於權限範圍的限制，官方做法是透過 allowed-tools 欄位限制預先核准的工具清單，並沒有用路徑來限制 Skill 的運作範圍。再往上一層看，Agent Plugins 1.0 這套跨平台標準由 AWS、Anysphere（Cursor 開發商）、Microsoft、OpenAI、Vercel、Google 共同開發，可以在 VS Code、Copilot CLI、Copilot 應用、Cursor、ChatGPT/Codex、Kiro 等多個平台上運作，做法是把 Skills 和 MCP 伺服器組態打包成一個可安裝的單元——Skill 放在 skills/ 目錄下以 SKILL.md 呈現，MCP 伺服器則在 mcp.json 裡宣告。MCP 也已經成為 Microsoft Copilot 技術堆疊的整合標準之一。換句話說，MCP 和 Skills 不是哪一家平台的專屬玩法，而是正在變成跨工具的共通基礎設施。

開始前的檢查清單

裝外掛前，先做這幾件事比直接翻熱門清單更有用：

1. 先寫出一個具體任務，不要先把所有熱門外掛都裝上去再想要幹嘛。任務寫不清楚，就很難判斷到底缺的是方法還是工具存取。
2. 核對自己用的 AI 助手、執行環境和所需權限。不同助手對 MCP、Skills 的支援方式不同，先確認環境搭得起來，再談要裝哪個外掛。
3. 按專案文件設定好之後，用一個自己能核對結果的小任務測試連線，不要直接拿正式任務下去跑。先用小任務確認接得通、結果對得上，再放大到真正要做的工作。

權限風險：不要隨便給全域存取

MCP 和 Skills 讓 AI 的能力變大，連帶的風險也要留意。已經出現過 AI 自動化攻擊系統透過 MCP 串接滲透測試工具、再用 Skills 保存攻擊流程和偵察成果的案例——這類攻擊手法利用的正是「MCP 負責連接工具、Skills 負責記住怎麼用」這套同樣的邏輯。裝外掛時，不要為了方便就給全域權限，該用到哪個工具、哪個資料來源，就只開那個範圍的存取。如果想更完整地檢視導入 AI Agent 前該注意的權限與流程問題，可以參考AI Agent 導入前要搞懂什麼。