前言

最近 Anthropic 推出了 Skills (技能) 功能，说实话，一开始我也有点懵。Claude 的生态里现在东西可真不少：Projects (项目)、MCP (模型上下文协议)、Subagents (子代理)…… 现在又多了一个 Skills。

看着这一堆名词，我的第一反应是：🤯 这都是些什么？我到底该用哪一个？

不过，经过这几天的实际体验和文档研读，我发现它们其实像是一套乐高积木，各自扮演着不同的角色。今天这篇文章，我就用大白话给大家捋一捋这些组件的区别，以及如何在实战中把它们组合起来，打造属于你的超级 AI 工作流。

核心观点

Skills 是给你的 AI "注入技能"，Projects 是给它 "提供知识库"，MCP 是给它 "连接外部世界"，而 Subagents 则是给它 "请个专家外援"。

🧩 理解你的积木块

在开始组装之前，我们得先搞清楚手头都有哪些零件。

📘 Skills：技能书与插件

简单来说，Skills 就像是装着说明书、脚本和资源的文件夹。当 Claude 觉得你的任务需要用到这些技能时，它会自动去加载这些文件夹。

它的工作原理很有意思，采用了渐进式披露：

1. 先加载元数据（约 100 tokens），大概看看这技能是干嘛的。
2. 如果觉得相关，再加载完整指令（<5k tokens）。
3. 只有在真的需要用到具体代码或文件时，才会加载那些大文件。

什么时候用？ 当你需要 Claude 稳定、高效地执行特定任务时。

• 组织规范：比如公司的品牌指南、文档模板。
• 专业技能：比如 Excel 公式大全、特定数据的清洗规则。
• 个人偏好：比如你的笔记整理习惯、代码风格规范。

举个例子：你可以做一个 "代码审查 Skill"，里面写满了你们团队的安全规范。以后每次改代码，Claude 都会自动按这个标准来检查，不用你每次都重新解释一遍。

💬 Prompts：临时指令

这个大家最熟悉了。Prompts 就是你在对话框里输入的自然语言指令。它是即兴的、临时的、对话式的。

什么时候用？

• 一次性需求："帮我把这段话总结一下。"
• 即时调整："语气再专业一点。"
• 临场发挥："根据刚才的数据，分析一下趋势。"

Pro-tip: 如果你发现自己总是把同一段 Prompt 复制粘贴来复制粘贴去，别犹豫，把它做成 Skill 吧！

🏗️ Projects：专属工作间

Projects 是一个拥有独立上下文和知识库的工作空间。你可以上传文档、设定自定义指令，这里有一个 200K 的上下文窗口，快满了还会自动开启 RAG (检索增强生成) 模式。

什么时候用？

• 持久上下文：需要长期参考的背景资料。
• 项目隔离：把不同工作的资料分开存。
• 团队协作：Team 版本可以共享聊天记录和知识。

Skills vs Projects：

• Projects 告诉 Claude："关于这件事，你需要知道什么" (这是背景知识)。
• Skills 告诉 Claude："遇到这类事，你应该怎么做" (这是操作方法)。

🤖 Subagents：专家外包

Subagents 是拥有独立上下文窗口、特定系统提示和工具权限的专用 AI 助手。它主要在 Claude Code 和 Agent SDK 里用。

什么时候用？

• 任务专精：比如专门的代码审查员、测试生成器。
• 工具隔离：只给它只读权限，防止它乱删文件。
• 并行处理：让几个 Subagent 同时干不同的活。

Skills vs Subagents：

• Skills 是通用的技能书，任何 Claude 实例都能读。
• Subagents 是专门的员工，有独立的思维和工具权限。

🔌 MCP：万能数据线

MCP (Model Context Protocol) 是一个开放标准，相当于AI 连接外部世界的通用接口。

什么时候用？ 当你需要 Claude 访问外部数据时：

• Google Drive、Slack、GitHub。
• 数据库、CRM 系统。
• 你本地的文件系统。

MCP vs Skills：

• MCP 负责 "取数据" (Connectivity)。
• Skills 负责 "用数据" (Procedural Knowledge)。
• 比如：MCP 负责连上你的数据库，Skill 负责 "查数据时记得先按日期过滤"。

🚀 组合技：打造你的研究特工

单独用每一个功能都很强，但组合起来才是真正的 "降维打击"。让我们来实战演练一下，构建一个竞品分析 Agent。

第一步：搭台子

创建一个名为 "竞品情报" 的 Project。

• 上传资料：行业报告、竞品文档、用户反馈。
• 设定指令："基于我们的产品策略分析竞品，重点挖掘差异化机会。"

第二步：接线缆

开启 MCP 服务器：

• 连接 Google Drive (获取内部研报)。
• 连接 GitHub (看对手开源代码)。
• 连接 Web Search (获取实时市场信息)。

第三步：装技能

创建一个 competitive-analysis Skill。这不仅是告诉它做什么，更是教它怎么找东西：

• 告诉它 GDrive 的目录结构 (/Strategy/, /Product/...)。
• 教它搜索文件的命名规范 (YYYY-MM-DD_...)。
• 训练它的分析逻辑："先找最近的 _FINAL 文件，然后交叉验证..."。

第四步：请外援

配置两个 Subagents (在 Claude Code 中)：

• market-researcher：专门负责跑数据、查报告，只给 Read 和 Web-search 权限。
• technical-analyst：专门负责扒代码、看架构，给 Read 和 Bash 权限。

第五步：启动！ 🎬

现在，你只需要输入一句话：

"帮我分析一下前三名对手的 AI 功能定位，看看我们有啥机会切入。"

接下来发生的事情就是一场交响乐：

1. 🏗️ Project 加载背景，理解这是为了谁而战。
2. 🔌 MCP 悄悄连上 Drive 和 GitHub，抓取最新情报。
3. 📘 Skills 启动，指导 Claude 如何在混乱的文件中找到关键证据。
4. 🤖 Subagents 上场，一个负责查市场数据，一个负责扒技术实现。
5. 💬 Prompt 在中间微调："重点看看医疗健康领域的客户。"

最终，你会得到一份不仅数据详实，而且格式规范、符合你公司战略的分析报告。🎉

💡 总结与建议

看完了这么多概念，是不是觉得其实没那么复杂？这里给大家几个 "懒人建议"：

1. 从 Prompt 开始：如果你只是偶尔用，直接打字聊天就行。
2. Prompt 重复了？做成 Skill：不要做复读机，把常用流程固化下来。
3. 资料太多？开个 Project：把上下文丢进去，别每次都上传文件。
4. 需要连系统？搞个 MCP：别让 AI 在真空中工作，给它数据线。
5. 流程复杂？用 Subagent：把专业的活儿交给专门的 agent 去干，不要让主 agent 什么都管。

提示

未来的编程和工作方式，可能不再是单纯的 "写代码" 或 "写文档"，而是 "编排 Agent"。学会搭配这些积木，你的效率可能会提升一个数量级。

AI 的世界变化很快，但万变不离其宗：数据、逻辑、执行。理解了这几点，无论未来出什么新名词，你都能一眼看穿本质。祝大家搭建愉快！🚀