本文详细解释了MCPModel Context Protocol和Skill在大模型中的应用。MCP是一套让AI Agent调用外部系统能力的协议标准通过MCP Server封装外部系统如Kubernetes的能力供Agent使用。Skill则是指导Agent如何完成任务的“工作方法”定义了任务流程和工具调用。文章通过实例对比了MCP和Skill的优缺点MCP标准化程度高、更适合企业环境但架构复杂Skill简单灵活、适合复杂任务流程但缺少统一标准。作者建议根据实际需求选择合适的方案并考虑效率、安全和成本。研究AIOps已有1年多目前手里有不少可落地的方案了而且目前我们已经有了自研的AIOps平台。昨天的文章有个粉丝朋友留言说“不明白为啥不通过skill使用原生的kubectl而多加一层mcp”我相信这个问题也是大多数朋友的疑问我今天通过一个具体的小例子帮大家彻底搞清楚这俩货到底是咋工作的然后我们再总结一下两者的优劣。不妨就拿一个简单的需求查看 nginx-xxx pod情况为例来看看。如果是我们人工操作就一条命令kubectl describe pod nginx-xxx01 | MCP让 Agent 能够调用外部系统能力首先理解 MCP。MCP 全称是 Model Context Protocol它本质上是一套协议标准。它定义了一种方式让 AI Agent 可以发现、理解并调用外部工具。比如 Kubernetes 集群本身对于 Agent 来说是一个外部系统。Agent 不知道Kubernetes 集群在哪里如何认证如何调用 Kubernetes API如何查询 Pod 信息。这时候可以通过 MCP Server 把 Kubernetes 的能力封装成 Agent 可以理解的工具。例如一个 Kubernetes MCP Server 可以提供pod_get()pod_logs()pod_restart()pod_create()这样的工具。假设用户告诉 Agent“帮我查看 production 命名空间里面 nginx-xxx 这个 Pod 的运行情况。”整个过程如下用户请求 ↓Agent ↓判断需要查询Pod ↓调用 pod_get 工具 ↓MCP Server ↓连接 Kubernetes API Server ↓获取Pod信息 ↓返回结果 ↓Agent生成回答具体来说Agent 根据自己的提示词Prompt、工具描述以及当前任务进行判断“用户想查看 Pod 状态我应该调用 pod_get。”于是执行pod_get( namespaceproduction, pod_namenginx-xxx)然后 MCP Server 接收到请求。注意真正连接 Kubernetes 的不是 Agent而是 MCP Server。MCP Server 内部已经配置好了 Kubernetes 的连接信息例如Kubernetes API 地址身份认证信息权限配置。然后 MCP Server 调用 Kubernetes APIMCP Server ↓Kubernetes API Server ↓查询Pod状态 ↓返回数据最终 Agent 得到结果并转换成用户能理解的语言。整个过程中Agent 不需要知道 Kubernetes 的具体连接细节它只需要知道“这里有一个 pod_get 工具可以帮我查询 Pod。”02 | Skill让 Agent 知道如何完成任务Skill 的思路和 MCP 不一样。Skill 更像是一套给 Agent 使用的“工作方法”。它不是提供一个新的连接协议而是告诉 Agent面对某类任务应该采用什么流程、调用什么工具。例如一个 Kubernetes 运维 Skill 可以这样描述当用户要求检查Pod状态 1. **使用kubectl获取Pod基本状态** 2. **使用kubectl describe查看详细信息** 3. **如果发现异常再查看日志**当用户提出“查看 nginx-xxx Pod 情况。”Agent 读取 Skill 后会知道“这个任务应该使用 kubectl 进行检查。”于是执行kubectl describe pod nginx-xxx -n productionkubectl 根据当前环境中的 kubeconfig 找到对应 Kubernetes 集群。然后Agent ↓Skill指导 ↓kubectl命令 ↓Kubernetes API Server ↓返回结果最终 Agent 根据命令输出结果生成自然语言回答。03 | MCP 和 Skill 的优缺点先说说 MCP 的优点1标准化程度高MCP 提供统一协议。不同 Agent 都可以使用同一个 MCP Server。例如一个 Kubernetes MCP Server可以同时服务不同的 AI Agent。不需要每个平台重新开发一套连接方式。2更适合企业环境企业通常有大量系统Kubernetes数据库云平台监控系统工单系统。通过 MCP可以把这些系统能力统一暴露给 Agent。大概是这样的形式Agent ↓MCP ↓企业各种系统3权限控制更加集中MCP Server 可以作为安全控制层。例如允许 Agent查看 Pod查看日志。但禁止删除生产环境修改核心配置。当然MCP 也有缺点。最大的问题是架构复杂度更高。相比直接执行Agent → kubectl → KubernetesMCP 多了一层Agent ↓MCP Server ↓Tools ↓Kubernetes需要额外部署和维护 MCP Server。再来看看 Skill 的优势1简单灵活Skill 不需要额外部署服务只需要告诉 Agent“遇到这种问题应该怎么处理。”Agent 就可以调用已有工具。例如kubectldockerpython脚本shell命令。2更适合复杂任务流程很多任务并不是简单调用一个接口。例如排查 Kubernetes 故障第一步查看 Pod。第二步分析 Events。第三步查看日志。第四步判断原因。这种流程更适合通过 Skill 描述。但是 Skill 也存在问题1缺少统一标准不同团队编写 Skill 的方式可能完全不同。共享和复用成本较高。2安全控制需要额外设计如果 Agent 可以直接执行kubectl delete namespace production这样就会造成严重影响。因此需要额外限制权限。04 | 我的观点MCP本质上是 Agent 的能力接口它让 Agent 可以连接外部世界而Skill 是 Agent 的工作方法让 Agent 知道如何解决问题。有时候两者结合起来用反而是最优解当然我们还是要根据自己的实际需求来定到底用 MCP 还是 Skill只不过我们在使用它们的同时也要考虑到效率、安全和成本等方面。最后2026 年一晃已经过半AI 大模型的热潮不仅没有降温反而持续升温金融行业用大模型做风控、医疗依靠 AI 解析影像电商、制造、教育各行各业都在把 AI 融入日常业务。曾经热闹的 “百模大战”早就告别单纯比拼模型参数正式进入落地应用时代。现在企业疯狂紧缺一类人才懂业务、懂 AI、能做出可上线项目的大模型开发工程师岗位缺口大薪资待遇十分可观。风口再好不如手握高薪 offer 实在。行情火热普通人、程序员该怎样从零入门大模型抓住这波机会今天整理好【2026 最新版】AI 大模型全套免费学习资源覆盖零基础入门、项目实战、理论知识、大厂面试从基础一路进阶。所有资料分类归档没有多余杂料无套路免费分享给想要入局 AI 赛道的程序员与零基础小白扫码免费领取全部内容1、大模型系统化完整学习路线2、大模型经典书籍文档3、AI 大模型最新行业研究报告4、企业级实战项目 完整配套源码5、大厂大模型面试真题汇总6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
