|
背景最近在技术交流群里，经常有人提到："MCP 和 Skill 有啥区别？"、"Rule 是不是跟 Skill 差不多？" 说实话，这几个概念确实容易搞混，我自己刚接触的时候也是一脸懵。后来用多了才慢慢理清楚它们各自的定位。 既然群里问的人多，干脆写篇文章一次性说清楚，省得每次都要重复解释。 1、先用一句话说清楚在深入之前，先记住这三句话： - MCP：给 AI 装上"手"，让它能用各种工具
- Skill：给 AI 一本"工作手册"，告诉它 1、2、3 应该怎么干活
- Rule：给 AI 立"规矩"，规定什么能干、什么不能干
就这么简单。接下来展开讲讲。 2、MCP：让 AI 长出"手"大白话解释MCP 全称 Model Context Protocol，是 Anthropic（就是 Claude 背后那家公司）在 2024 年底开源的一个协议。 它解决的问题很简单：套个壳（统一协议），让 AI 能调用已有的那些工具。 你想啊，市面上有各种各样的工具：数据库、文件系统、GitHub、Slack、日历……每个工具的调用方式都不一样。如果每个 AI 应用都要单独对接，那不得累死？ MCP 就是来解决这个问题的。它定义了一套统一的"接口标准"，只要工具按照这个标准实现，任何支持 MCP 的 AI 应用都能直接调用。 类比理解官方有个特别形象的比喻：MCP 就像 USB-C 接口。 以前各种设备的充电线都不一样，安卓用 Micro USB，苹果用 Lightning，笔记本用各种奇奇怪怪的接口。现在有了 USB-C，一根线走天下。 MCP 做的就是这个事情——让 AI 应用和各种工具之间有个统一的"接口"。 实际例子Cursor 里面内置了好几个 MCP，比如： Playwright MCP：让 AI 能操控浏览器 - 打开网页、点击按钮、填写表单
- 拖动滑块（这个很关键，后面会用到）
- 截图、执行 JavaScript
Chrome DevTools MCP：让 AI 能通过开发者工具操控浏览器 - 注入 Cookie、执行脚本
- 上传文件（Playwright 不支持的操作）
- 监控网络请求
这些 MCP 配置好之后，Cursor 里的 AI 就能直接调用这些能力了。你跟它说"帮我打开百度搜索一下 xxx"，它就真的能打开浏览器去搜。 3、Skill：给 AI 一本"工作手册"大白话解释Skill 也很简单：用自然语言描述一个工作流，告诉 AI 1、2、3 应该怎么干。 它本质上就是一个 Markdown 文件（通常叫 SKILL.md），里面写清楚： 然后 AI 就会按照这个"手册"来执行任务。 跟脚本的区别（重点）群里有人问："把 Skill 简单理解成脚本行不行？" 不行。 这是我在群里的回复：
脚本是死的，逻辑固定在代码里，永远不会变。 Skill 定义的是工作流，AI 会根据自然语言描述来完成对应的任务。关键区别在于：AI 会自己判断和适应。 举个例子：打开浏览器登录某个网站。 如果是脚本，你得写： 但如果网站已经登录过了，脚本没写这个判断逻辑，就会卡死在"找登录按钮"这一步。 Skill 就不一样了。你只需要告诉 AI"登录这个网站"，它发现已经登录了，就会自动跳过登录步骤，直接进行下一步。 脚本是死的，Skill 是活的。 实际例子：AlphaBot 发版 Skill先介绍一下背景。AlphaBot 是我用 AI 写的一个薅羊毛软件，支持 macOS 和 Windows，通过蓝奏云网盘分发给用户。每次发新版本都要做一堆重复的事情：写更新日志、打 tag、等 GitHub Actions 构建、下载产物、上传到蓝奏云、删掉旧版本…… 手动搞一次要十几分钟，而且容易出错。 于是我写了一个 alphabot-release Skill，用自然语言描述整个发版流程。现在只要说一句"发布新版本 1.24.0"，AI 就会自动完成所有步骤。 更厉害的是，Skill 还可以嵌套调用其他 Skill。 alphabot-release 在最后一步会调用另一个 Skill lanzou-upload，专门处理蓝奏云上传。而 lanzou-upload 内部又会调用两个 MCP（Playwright 和 DevTools）来完成浏览器操作。 这种嵌套结构让工作流变得非常灵活：
看到了吗？Skill 就是自然语言版的工作流，而且可以像函数一样互相调用，非常灵活。 以前手动发版要十几分钟，现在一句话搞定。真香！ 4、Rule：给 AI 立"规矩"大白话解释Rule 就更简单了：规定 AI 要怎么干，不能干嘛。 它跟 Skill 有点像，都是用自然语言描述的。但区别在于： - Rule 是一股脑告诉 AI 所有内容，AI 在每次对话开始时就会加载
- Skill 是告诉 AI"有这么个东西"，用的时候再来看
类比理解如果把 AI 比作一个新入职的员工： - Rule 就是公司的《员工手册》，入职第一天就发给你，里面写着"代码要用 TypeScript"、"commit message 要用英文"、"禁止在生产环境直接改数据库"之类的规定
- Skill 就是《操作手册》，平时放在柜子里，需要做某件具体的事情（比如"发版"）时才拿出来看
实际例子我的项目里有这样一条 Rule： ---description: 语言规范alwaysApply: true---# 多语言项目规范- 禁止 GUI 页面使用硬编码文案- 所有文案必须使用统一的语言配置- 语言文件路径：alpha_bot_gui/translations这条规则 alwaysApply: true，意味着每次对话 AI 都会遵守。这样我就不用每次都提醒它"别硬编码"了。 5、三者对比| 维度 | MCP | Skill | Rule | 解决的问题 | 让 AI 能调用工具 | 定义复杂工作流 | 设置行为规范 | 本质 | 统一的接口协议 | 自然语言工作手册 | 自然语言规则集 | 存放位置 | 各种 MCP Server | ~/.cursor/skills/ | .cursor/rules/ | 触发方式 | AI 需要用工具时自动调用 | /@skill-name 或自动识别 | 始终生效或按需加载 | 灵活程度 | 工具能力固定 | AI 灵活执行 | 约束性规则 | 类比 | USB-C 接口 | 操作手册 | 员工手册 |
一句话总结： - MCP 给 AI 装"手"（能力扩展）
- Skill 给 AI 发"工作手册"（流程指导）
- Rule 给 AI 立"规矩"（行为约束）
6、回答群友问题"这些在测试领域一般是怎么用的？"
测试领域其实很适合用 Skill，因为很多工作都是固定流程： - 造数据：按照特定规则生成测试数据
- 排查问题：分析日志、定位 bug
- 设计功能用例：根据需求文档生成测试用例
- 写自动化用例：生成 pytest/playwright 代码
这些都是固定的工作流，很适合用 Skill 来解决。 现在已经有锤子了，就看钉子啦。 "能分享个实际的 Skill 案例吗？"
上面已经介绍了 alphabot-release Skill，这里再说说它调用的 lanzou-upload Skill。 蓝奏云有个麻烦的地方：登录需要滑块验证。普通的浏览器自动化很容易被检测到，验证会失败。 我的解决方案是双 MCP 协作： - Playwright MCP 负责登录：它的鼠标模拟更真实，能通过滑块验证
- 登录成功后，提取 Cookies
- Chrome DevTools MCP 负责后续操作：注入 Cookies，上传文件，删除旧文件
为什么要用两个 MCP？因为 Playwright 上传文件有 bug，而 DevTools 的滑块验证会失败。各取所长，组合起来就完美了。 这就是 Skill 的灵活之处：你用自然语言描述工作流，AI 会自己选择合适的工具来执行。 7、总结写到这里，再回顾一下核心要点： MCP：统一协议，让 AI 能调用各种工具。就像 USB-C，一个接口适配所有设备。 Skill：自然语言工作流，告诉 AI 123 怎么干活。比脚本灵活，AI 会自己判断和适应。 Rule：行为规范，规定什么能干什么不能干。一股脑告诉 AI，每次对话都遵守。 该用哪个？ - 想让 AI 调用外部工具 → 找/写 MCP Server
- 有固定的工作流程想自动化 → 写 Skill
- 想让 AI 遵守某些规范 → 写 Rule
希望这篇文章能帮你理清这几个概念。如果还有问题，欢迎在评论区留言~
最后，这篇文章也是 skill 写出来，你们感觉 AI 味重么？还是说跟我以往风格类似呢
| 
发表于 
