[ai/07] AI 工具生態：Skills 和 MCP 到底在幹嘛

cover

先講結論

AI 工具生態分三層：

Layer 1：Chat UI（ChatGPT 網頁）→ 你手動問，它手動答
Layer 2：Skills + MCP           → AI 有了技能和對外接口
Layer 3：Bot / Agent            → AI 自己跑，你不用盯

大部分人卡在 Layer 1。這篇教你怎麼跨到 Layer 2——用 Skills 教 AI 做事、用 MCP 讓 AI 接上外部系統。Layer 3 的 Bot 建置比較複雜，我另外寫了一篇 [[ai/07-2-building-ai-bot|[ai/07-2] 自建 AI Bot 實戰]]。

三個知識點：Skills 是什麼、MCP 是什麼、什麼情境該用哪個。

「會用 ChatGPT」跟「有 AI 工具鏈」差多遠？

你每天打開 ChatGPT 問問題，覺得自己很 AI，對吧？

這就像你會用計算機按加減乘除，然後跟人說「我有一套自動記帳系統」。~~嗯，差不多就是這麼離譜。~~

真正的 AI 工具鏈是：AI 自己讀 Notion、自己回 Discord、自己跑排程。你睡覺的時候它在幫你整理 email 摘要。你是老闆，不是操作員。

那怎麼從操作員變老闆？先從教 AI 做事開始。

Skills：給 AI 一份「新人入職指南」

這東西到底是什麼

想像你請了一個超聰明但什麼都不知道的新人。你會怎麼做？寫一份文件給他，告訴他任務是什麼、步驟怎麼走、有什麼眉角。

Skill 就是這份文件的打包：系統 prompt + 工具定義 + 使用情境。

一個 Skill 的檔案結構長這樣：

my-skill/
├── SKILL.md          # 核心：技能定義 + 使用說明
├── scripts/          # 選配：可執行腳本
├── references/       # 選配：參考文件
└── assets/           # 選配：模板、素材

重點是那個 SKILL.md，它有兩段：

---
# Frontmatter — AI 用這段判斷「什麼時候啟動這個技能」
name: code-review
description: "Review code changes for quality and security.
  Use when asked to review a PR or code snippet."
---
 
# Code Review Skill
 
## 流程
1. 讀取 diff 或指定檔案
2. 檢查安全性、效能、可讀性
3. 給出具體建議，附上修改範例

為什麼不把所有東西都塞進 prompt？

因為 context window 是有限的公共資源。這裡有個設計原則叫 Progressive Disclosure（漸進式揭露）：

Metadata（name + description）——永遠在 context 裡，約 100 words
SKILL.md body——技能被觸發才載入，建議 < 5k words
Bundled resources——AI 需要時才去讀

你不會每天出門都把整個衣櫃背在身上吧？~~雖然我老婆出門行李箱的容量暗示她是這樣想的。~~

什麼時候該寫 Skill

重複性任務：每次 code review 都檢查同一套清單
固定流程：commit message 格式、文件產出模板
領域知識：公司的 coding standard、特定 API 的用法

門檻很低：你只需要會寫 Markdown、會寫清楚的指令、然後你自己得先會那件事。~~你不能教 AI 做你自己都不會的事，雖然我試過。~~

MCP：AI 的萬能接頭

USB 的比喻

還記得 USB 出現之前嗎？印表機是並列埠、滑鼠是 PS/2、手機充電頭每家都不一樣。USB 統一了這些接頭。

MCP（Model Context Protocol）做的是同一件事——統一 AI 存取外部工具的方式。

沒有 MCP 的時候，你要讓 AI 讀 Notion，得自己寫 API wrapper、定義 function calling schema、處理認證和分頁。每接一個新服務就重來一次。有了 MCP：

AI Agent <-> MCP Client <-> MCP Server (Notion) <-> Notion API
                         <-> MCP Server (Gmail)  <-> Gmail API
                         <-> MCP Server (GitHub) <-> GitHub API

每個 MCP Server 都講同一個協定（JSON-RPC），AI 只要會「講 MCP」就全部通吃。

實際怎麼用

以 mcporter 這個 CLI 為例：

# 安裝
npm install -g mcporter
 
# 設定 Notion（會跳出瀏覽器做 OAuth 認證）
mcporter auth notion
 
# 看有哪些工具可以用
mcporter list notion --schema
 
# 搜尋 Notion 裡的頁面
mcporter call notion.search query="weekly standup"
 
# 查詢特定資料庫
mcporter call notion.query_database database_id="abc123" \
  --args '{"filter":{"property":"Status","select":{"equals":"In Progress"}}}'

設定完之後，任何支援 MCP 的 AI agent 都能透過這些 Server 存取 Notion。

踩坑提醒：Notion API 回傳的 JSON 超級冗長。我有一次讓 AI 直接處理原始回傳，8 次 mcporter 呼叫就灌了 2.4MB 進 session，直接 context_length_exceeded 爆掉。解法是讓 AI 只提取 title + id，馬上寫入檔案，不要在記憶體裡累積。

需要的知識

老實說比 Skills 多不少：

API 基礎：REST、HTTP method、status code
OAuth 流程：大多數 MCP Server 都用 OAuth 認證
JSON Schema：工具的輸入輸出定義
JSON-RPC 概念知道就好，不用自己實作

那我到底該用哪個？

你想做什麼	用什麼	複雜度
自動 Code Review	Skill	★★
固定格式的文件產出	Skill	★★
讓 AI 讀寫 Notion	MCP	★★
讓 AI 收發 Gmail	MCP	★★
多系統串接（Notion→GitHub→Slack）	MCP + Skill	★★★
24/7 自動化助理	Bot（見下一篇）	★★★★

建議路線：先從 Skills 開始。門檻最低，一個 SKILL.md 就能跑。等你需要串接外部系統了再搞 MCP。等你需要 24/7 運行了再建 Bot。

學習時間粗估：

路線	前置知識	投入時間
Skills	Prompt Engineering + Markdown	1-2 天
MCP	+ API 基礎 + OAuth	3-5 天
Bot	+ Token 管理 + Session 設計 + DevOps	1-2 週

Terry Yao's Blog

分類

目錄