NewsletterBlogGlossary

MCP、CLI、Skills：Claude Code 扩展的三条路，80% 的人选错了

MCP 服务器、CLI 脚本、Skills 是 Claude Code 的三种扩展机制。搞清楚什么时候该用哪个，能帮你省掉 80% 的过度工程。

DEV
分享XLinkedIn

MCP、CLI、Skills：Claude Code 扩展的三条路，80% 的人选错了

MCP（Model Context Protocol，模型上下文协议）是 2025 年 AI 工具圈最火的关键词。但实际情况是：大多数开发者写了 200 行 MCP 服务器去做一件事——而这件事用一个 10 行的 Markdown 文件就能搞定。这很像当年微服务刚火的时候，有人给一个待办事项 App 拆了 12 个服务。Claude Code 有三种扩展机制，它们不是竞争关系，而是层级关系。搞清楚这个层级，是避免过度工程的关键。

发生了什么

Anthropic 在 2024 年 11 月开源了 MCP 协议，到 2026 年初已经被 OpenAI、Google DeepMind 采纳，集成到 VS Code、JetBrains、Cursor 等 20 多个开发工具中。MCP 确实解决了一个真实问题：让 AI 工具通过统一协议访问外部数据和服务。

但与此同时，Claude Code 自身的扩展体系其实有三层：

  • Skills：.claude/commands/ 目录下的 Markdown 文件，用 /命令名 调用，零依赖、零运行时进程。本质是 prompt 注入——Claude Code 加载这个 Markdown 作为系统提示词。
  • CLI / Bash：Claude Code 内置了 Bash 工具，能直接执行任何 shell 命令。curl、jq、git、docker，系统 PATH 上的一切都可用。
  • MCP 服务器：通过 JSON-RPC 协议（stdio 或 HTTP）与 Claude Code 通信的长驻进程，支持有状态交互和跨工具互操作。

这三层的设置成本天差地别：Skill 只需 30 秒（创建一个 .md 文件），CLI 脚本大约 5 分钟（写个脚本加执行权限），而一个正经的 MCP 服务器需要 2-8 小时（脚手架、实现、配置、调试传输层）。

为什么重要

AI 工具生态正在重演"微服务泛滥"的历史。团队花几个小时搭 MCP 服务器，只为包装一个 curl 就能搞定的 API 调用；部署一个持久进程，只为提供一个该放在 Markdown 文件里的 Prompt 模板。

关键判断标准只有一个：你的需求落在哪一层？

需求类型 推荐方案 设置时间
复用 Prompt / 工作流模板 Skill 30 秒
调用外部 API、执行系统命令 CLI / Bash 5 分钟
跨工具互操作、有状态服务 MCP 服务器 2-8 小时

现实中大约 80% 的扩展需求落在前两类。你不需要为了让 Claude Code 跑一个 git log --oneline 去写 MCP 服务器——它本来就能做。你也不需要为了让它按固定格式写代码审查报告去搞 JSON-RPC 通信——一个 Skill 文件就够了。

和国内开发者的使用场景对比：如果你用 Cursor 或 Windsurf 这类工具，MCP 的跨工具兼容性确实有价值，因为一个 MCP 服务器能同时服务多个 AI 编辑器。但如果你的团队主力工具就是 Claude Code，Skills 的投入产出比远高于 MCP。

技术细节

三种机制的架构差异值得仔细看：

Skills 的运行机制最简单。文件放在 .claude/commands/foo.md（项目级）或 ~/.claude/commands/foo.md（全局），开发者输入 /foo 时，Claude Code 把文件内容注入为系统提示词。没有进程启动，没有网络调用。一个典型的 Skill 长这样：

# 代码审查
审查当前 diff，按以下标准打分：
- 安全性（是否有注入风险）
- 可维护性（命名、结构）
- 测试覆盖
输出格式：每个问题一行，标注严重级别。

10 行 Markdown，团队里每个人 /code-review 就能用。

CLI / Bash 的优势在于 Claude Code 天然拥有整个 Unix 工具链。它可以直接执行 curl -s https://api.example.com/data | jq '.items[]'，不需要你写任何封装。如果某个操作需要反复执行，把它包成 shell 脚本放在项目的 bin/ 目录，Claude Code 随时可调。

MCP 服务器是重量级方案。最小可用的 MCP 服务器需要三个组件：JSON-RPC 传输层、工具 Schema 定义（JSON Schema 格式）、处理逻辑。Node.js 或 Python 实现通常需要 50-200 行样板代码，还没算业务逻辑。但它的优势也很明确：有状态（数据库连接、会话缓存可以跨对话保持）、有类型（输入参数经过 JSON Schema 校验）、跨工具（同一个服务器能同时给 Claude Code、Cursor、VS Code Copilot 用）。

核心架构区别：Skills 和 CLI 是无状态、短暂的，MCP 是有状态、持久的。这正是 MCP 对大多数场景来说过重的原因。

你现在该做什么

  1. 审计你现有的 MCP 服务器。如果它只是包装一个 API 调用，换成 Skill + curl 指令。如果它只是提供一个 Prompt 模板，直接改成 .claude/commands/ 下的 Markdown 文件。
  2. 从 Skill 开始，而不是从 MCP 开始。下一次你想扩展 Claude Code 的能力时，先问自己：一个 Markdown 文件能解决吗？
  3. 只在三种场景用 MCP：需要跨多个 AI 工具共享同一个扩展、需要跨对话的持久状态、需要带类型校验的复杂工具 Schema。
  4. 警惕 Skill 膨胀。不要把所有可复用的 Prompt 都塞进 .claude/commands/——保持命名清晰，定期清理不用的 Skill。
  5. 关注 MCP 协议规范的演进。协议仍在快速迭代，远程 MCP 服务器和认证机制还在完善中。

相关阅读：今日简报 有更多 Claude Code 动态。另见：MCP 协议 术语解释。

觉得有用？订阅 AI 简报，每天 5 分钟掌握 AI 动态。