MCP被誉为Agent时代的标准，却在实际应用中因上下文过载而屡屡碰壁。Anthropic推出的Skills并非简单功能扩展，而是为解决这一核心难题，重新定义了工具与模型的交互方式，为构建高可用Agent提供了新思路。
智能速览
MCP的核心问题是静态加载所有工具schema，导致上下文过载。
过载会引发工具调用准确率下降和模型认知崩溃。
Anthropic的Skills采用按需加载机制，解决了MCP的过载问题。
Skills如同一个检索层，MCP则是底层的工具执行层。
未来Agent的关键在于工具的检索与编排，而非工具数量。
精华内容
MCP在实践中暴露出“过载”缺陷，而Anthropic并未直接修补协议，而是推出Skills机制，从架构层面进行了巧妙的纠偏。
MCP的过载困境
MCP的理想很美好，但现实是当工具数量增加时，其静态加载所有工具schema的模式会引发严重问题。一个GitHub MCP server的描述就超过五万token，模型在思考前，工作记忆已被严重挤占。
这导致三个连锁反应：首先是上下文被工具描述占满，模型“越聊越糊”；其次是多步骤工具调用准确率指数级下降，单次90%的准确率在连续调用五次后会骤降至59%；最终，过大的认知负载会让模型在处理简单任务时也直接失常。
Skills的纠偏之道
面对MCP的困境，Anthropic没有选择直接修改协议，而是推出了Skills机制。一个技能就是一个文件夹，系统启动时仅加载每个技能的元数据，而非全部内容。
当模型需要时，才会像检索文档一样，逐层打开并加载必要的技能文件（如SKILL.md）、参考资料和脚本。这种按需加载的方式，彻底改变了上下文的使用模式，将模型从“必须理解所有工具”的重负中解放出来。
检索与工具的分层
Skills与MCP的关系，恰如RAG中检索层与知识库的关系。Skills负责前端的“检索”，通过元数据索引找到最相关的技能；而MCP则作为后端的“工具”层，负责具体的外部交互。
在这种架构下，模型只需选对技能，技能内部会自行编排指令、代码和MCP工具调用。这不仅提升了可靠性，也让整个系统更接近于真实的工作流，模型不再需要成为所有工具的专家。
更健康的方向
从MCP到Skills的转变，揭示了一个更健康的Agent构建方向：核心不再是工具的数量，而是工具之间的关系与编排。如何检索相关技能，何时加载指令，何时调用确定性代码或外部工具，这才是决定Agent表现的关键。
Anthropic通过这种方式，承认了大型工具生态的复杂性，并提供了一种在不压垮模型的前提下有效利用它的方案，让MCP得以在更合理的架构下继续生存。
MCP的崩裂并非技术本身的失败，而是早期架构模式的必然结果。Skills的引入标志着Agent构建从“工具堆砌”转向“智能编排”，这或许是通往更强大、更可靠系统的关键一步。
