Claude Skills 与 MCP 对比：为何 Skills 更省 Token 且易用

但核心就是那个 SKILL.md，其他都是可选的。重要提醒：SKILL.md 需要包含 YAML frontmatter：

---
name: my-skill-name
description: 描述这个 Skill 做什么、什么时候用
---
# 技能名称
[具体指令内容]

大佬原话："Skills feel a lot closer to the spirit of LLMs - throw in some text and let the model figure it out."翻译：Skills 更符合 LLM 的精神——扔点文字进去，让模型自己搞定。理解：MCP 是给程序员设计的，Skills 是给人设计的。

理由 2：CLI 工具可以替代 MCP

这个观点一开始不太认同，但仔细想想确实有道理。大佬说："Almost everything I might achieve with an MCP can be handled by a CLI tool instead."翻译：几乎所有 MCP 能做的事，CLI 工具也能做。为什么？因为 LLM 知道怎么调用 cli-tool --help。模型自己能看懂帮助文档，不需要你在 prompt 里花几百个 token 描述怎么用。

**Skills 更进一步：连 CLI 都不需要了。**你只要写个 Markdown 文件描述任务怎么做，Claude 自己就能搞定。测试了一下：

1. 用 MCP 调用 GitHub API：需要配服务器、写工具定义、花几千 token
2. 用 Skill 教 Claude 用 gh 命令：一个 Markdown 文件，200 token 效果差不多，但 Skill 省了 90% 的配置时间。

理由 3：Token 效率差距巨大

这个是感触最深的。大佬提到一个恐怖的数据：**GitHub 的官方 MCP 定义，光注册就要吃掉几万个 token。**之前写过文章说 MCP 吃掉 7% 脑容量，现在看来还是保守了。你想想，200K 的上下文窗口，光一个 GitHub MCP 就吃掉几万。再加几个常用服务器，prompt 还能剩多少空间？

**Skills 呢？**只在需要的时候加载。Claude 不会一开始就把所有 Skills 塞进上下文。它会看你的任务，判断需要哪个 Skill，然后才加载。 实测（仅供参考，不同配置结果可能不同）：

1. 配置 5 个 MCP 服务器：prompt 占用约 15K token
2. 安装 10 个 Skills：prompt 占用约 2K token（只加载用到的） 省了 85%！

理由 4：分享起来太简单

MCP 服务器怎么分享？

1. 写代码
2. 发布到 npm/pip
3. 写 README
4. 让用户配置.mcp.json
5. 调试连接问题

Skills 怎么分享？

1. 写个 SKILL.md（或整个文件夹）
2. 发出去没了

补充说明：分享的几种方式

1. 简单分享：直接发文件夹给朋友，放到 .claude/skills/目录下
2. Claude.ai：打包成 ZIP 上传到 Skills 设置页面
3. Claude Code：通过 Plugin marketplace 分享 比如之前讲过的：/plugin marketplace add anthropics/skills/plugin install document-skills@anthropic-agent-skills

很多 Skills 就是单个文件，复杂点的也就一个文件夹。看了 awesome-claude-skills 仓库，4000 多 Star。里面的 Skills 大部分就是一个 SKILL.md 或 README.md。复杂的也就是一个小文件夹，包含几个脚本。这门槛也太低了。

实测对比

说了这么多理论，实际测了一周。

测试场景 1：让 Claude 帮我分析代码仓库

MCP 方案

1. 配置 GitHub MCP 服务器
2. 配置 filesystem MCP 服务器
3. 调试连接问题（花了 20 分钟）
4. Token 消耗：约 8000

Skill 方案

1. 写一个 code-analysis.md，描述分析步骤
2. Claude 用内置的 Bash 工具执行 git 命令
3. Token 消耗：约 1500

结果：Skill 方案快 3 倍，省 80% token。

测试场景 2：自动化测试流程

MCP 方案

1. 需要写一个自定义 MCP 服务器
2. 定义工具接口
3. 处理各种边界情况
4. 开发时间：2 小时

Skill 方案

1. 写一个 test-automation.md
2. 描述测试步骤和命令
3. Claude 自己调用 pytest
4. 开发时间：15 分钟

结果：Skill 方案开发效率提升 8 倍。

不完全同意之处

说了 Skills 这么多好处，但觉得大佬的观点有点极端了。MCP 的优势 Skills 替代不了：

1. 跨平台原生支持：MCP 是个标准协议，OpenAI、Google 都原生支持。Skills 虽然 Apache 2.0 开源了（有 open-skills 项目可以让其他 LLM 运行），但原生体验还是 Claude 最好。
2. 复杂集成：需要实时数据、数据库连接、API 认证的场景，MCP 更合适。
3. 开发者生态：MCP 有明确的开发者激励——你写一个服务器，所有 LLM 都能用。Skills 是用户端工具，激励结构不一样。

结论：两者是互补的，不是替代的。

1. 简单任务：用 Skills，省时省 token
2. 复杂集成：用 MCP，标准化可复用
3. 最佳实践：Skills + CLI 工具 + 少量核心 MCP

建议

测试了一周，确实对 Skills 刮目相看了。以前 MCP 装了不少，现在想想确实可以精简。这也是理念更新最大的地方。**Skills 按需加载，token 消耗比 MCP 低太多了。**以前知道 Skills 好用，但没意识到这个差距这么大。

昨天付费课上也跟同学们说了：别一上来就想着配 MCP，先问自己一个问题——这个任务用一个 SKILL.md 能不能搞定？能搞定就别折腾协议，省下来的 token 能多聊好几轮。

给你们的建议

1. 先用 Skills：简单任务别上 MCP，一个 SKILL.md 能解决的事别折腾协议。
2. 精简 MCP：别装太多服务器，3-5 个核心的就够了。每多一个就多吃几千 token。
3. CLI 优先：很多事情 gh/git/npm 命令就能做，Claude 自己会调用--help。
4. 看看 awesome-claude-skills：github.com/travisvn/awesome-claude-skills，4000 多 Star，里面有很多现成的。

现在的配置：

1. MCP：thinking、task、github、context7、bravesearch、exa 等
2. Skills：dev-browser、公众号写作、数据分析、前端界面、api 规范、claude/codex/gemini 组套等
3. 关键变化：浏览器控制从 MCP 换成了 dev-browser Skill
4. Token 占用：从之前的 20K 降到 5K

效率提升了，脑容量也省出来了。

总结

测完这一周，突然想明白一件事。很多人学 AI 工具，上来就想把所有 MCP 装全了、把配置调到最复杂。就像刚买单反的人，恨不得把所有镜头、滤镜、三脚架都配齐。但你猜怎么着？真正出大片的人，往往就一机一镜。

Skills 和 MCP 的关系，其实就是这个道理。不是工具越多越牛，是你越清楚自己要什么，工具才越有用。见过太多人做事儿是这样的。买了一堆电动工具，最后发现一把螺丝刀就能解决问题。工具不是越贵越好，是越顺手越好。

**你的时间才是最贵的资源。**那些你花 2 小时配置、最后用了 3 次的 MCP 服务器，值吗？一个 15 分钟写完的 SKILL.md，天天都在用，哪个划算？

现在的态度：**能简单就别复杂，能省就别浪费。**不是因为抠门，是因为终于明白——省下来的不只是 token，是你的精力、你的注意力、你的创造力。这些东西，比任何工具都珍贵。所以别焦虑自己 MCP 装得不够多、Skills 学得不够快。找到适合你的节奏，一个一个来。

慢慢来，比较快。

参考资料

• Simon Willison 原文：simonwillison.net/2025/Oct/16/claude-skills/
• Anthropic 官方 Skills 发布公告：anthropic.com/news/skills
• awesome-claude-skills 仓库：github.com/travisvn/awesome-claude-skills