当社区还在争论 MCP 是否已死时，Anthropic 的一位 Staff Engineer 给出了不同的判断：MCP 没有过时，它只是需要和 Skills 搭配使用。2026 年的 AI Agent 不会只停留在编码场景，而是会横跨多个 SaaS 应用完成知识工作者的日常任务。
MCP 解决了什么
Model Context Protocol（MCP）提供了一个标准化的方式，让 AI Agent 发现并调用外部工具。它本质上是 Agent 的”感官和手脚”——告诉模型”你能做什么”和”怎么做”。
但光有工具发现能力不够。Agent 还需要知道什么时候用什么工具，以及按什么顺序组合使用。这就是 Skills 要解决的问题。
MCP + Skills 的组合逻辑
在 Anthropic 工程师的架构描述中，两者的分工很清晰：
- MCP：工具发现、协议标准化、跨平台兼容。Agent 通过 MCP 知道有哪些可用工具、输入输出格式是什么。
- Skills：能力封装、场景编排、权限控制。每个 Skill 封装了一组 MCP 工具的调用逻辑，对应一个具体的工作场景。
这种分层设计解决了 Agent 开发中的一个核心难题：工具数量增长后，模型的选择空间爆炸式扩大，导致调用质量下降。Skills 作为中间层，把”原始工具”组织成”可直接调用的能力”，降低了模型的决策负担。
从编码 Agent 到知识工作 Agent
文章给出了一个明确的判断：2025 年的故事是 Coding Agent，2026 年的故事是跨 SaaS 应用的知识工作 Agent。
这个转变有几个含义：
| 维度 | 2025（编码 Agent） | 2026（知识工作 Agent） |
|---|---|---|
| 主要工具 | 文件读写、代码执行、Git | CRM、邮件、日历、文档、数据库 |
| 任务特征 | 单系统内闭环 | 跨多系统协同 |
| 成功标准 | 代码能否编译通过 | 业务流程是否完整执行 |
| 核心挑战 | 代码质量和上下文管理 | 工具选择、权限、错误恢复 |
MCP 的标准化让 Agent 能接入各种 SaaS 服务，而 Skills 层则负责把这些服务编排成具体的业务流。
企业 Agent 落地的关键
对于正在评估 Agent 方案的企业团队，有几个值得关注的点：
- 不要只选 MCP 或只选 Skills。单一工具发现层不够智能，单一能力封装又缺乏扩展性。两者结合才是生产级 Agent 的架构。
- 从具体业务场景出发定义 Skills，而不是从工具出发。先明确 Agent 要完成什么工作，再封装对应的 Skill，最后用 MCP 接入底层工具。
- 权限和审计是跨 SaaS Agent 的必修课。当 Agent 能操作 CRM、发邮件、改日历时，权限边界和操作日志比模型能力更重要。
快速体验
如果你想在 Claude 中体验 MCP 的能力：
# 安装 Claude Code（如果还没装）
npm install -g @anthropic-ai/claude-code
# 在项目中添加 MCP 配置
# 编辑 .claude/mcp.json
{
"mcpServers": {
"filesystem": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/allowed"]
}
}
}
# 启动后即可在 Claude Code 中使用配置的工具
claude对于 Skills 的具体配置，可以参考 Anthropic 官方文档中关于 Claude Skills 的说明。
后续观察
MCP + Skills 架构是否成为行业标准，还取决于几个变量：OpenAI 的 function calling 生态是否会转向类似设计、Google 的 BYO MCP 如何与 Skills 概念对接、以及企业级 Agent 框架（如 LangGraph、CrewAI）是否会原生支持这种分层。
值得持续关注的是：随着更多 SaaS 厂商发布官方 MCP Server，Agent 能调用的工具库会快速扩张，Skills 层的设计质量将成为区分”能跑”和”好用”的关键。
主要来源：
- Anthropic Engineering: Building agents that reach production with MCP
- Anthropic Staff Engineer 关于 MCP 与 Skills 的技术分享