一张图看懂 Prompt、MCP、Skill 的演进逻辑，以及什么时候该亲手做一个 Skill
上周你花了两个小时，跟 AI 一起调好了一套完整的工作流：先查数据、再比对格式、最后生成报告。结果今天打开新会话——AI 什么都不记得了，你要从头解释一遍。
大模型是无状态的——你每开一个新对话，它不知道你是谁、你的项目叫什么、你上次踩过什么坑。
你踩过的坑、调通的路径，AI 下次全部失忆
每次都要手动描述步骤，AI 即兴发挥容易走偏
同一个任务反复做，每次都在"重新发明轮子"
面对 AI 失忆的困境，社区经历了三代解决方案的演进，每一代解决一个层面的问题：
把规则、格式、注意事项全写进提示词，每次贴进去。AI 理解意图、按格式输出。
标准化工具协议，让 AI 能调 API、连数据库、操作文件系统。
经验 + 工具 + 流程一体化封装，AI 加载即可独立执行完整任务。
给新员工一份话术本
他知道该说什么、怎么说
给新员工配上工卡和电脑
他有权限访问系统、调用工具
给新员工一本操作手册
他知道完整流程，按步骤独立完成
三者不是替代关系，而是互补叠加
Skill 包含 Prompt 编排逻辑 + MCP 工具调用，编排成可复用的行动方案
| 问题 | 没有 Skill 时 | 有 Skill 后 |
|---|---|---|
| 流程复用 | 每次手动描述步骤 | AI 自动加载，按步执行 |
| 踩坑记忆 | 同一个错误反复犯 | 坑写进 Skill，永不再踩 |
| 工具约束 | AI 乱用工具、走弯路 | 只用指定工具，路径最短 |
| 团队协作 | 每人自己摸索 | 项目级 Skill 共享给所有人 |
| 外部集成 | 一筹莫展 | 封装 MCP 调用、认证逻辑 |
事实、偏好、背景信息
告诉 AI "你是谁、我是谁"
流程、步骤、操作方法
告诉 AI "这件事怎么做"
一个自然的追问：既然 Skill 是把流程固定下来让 AI 稳定执行，那它和传统脚本有什么区别？
| 维度 | 脚本 (Script) | Skill |
|---|---|---|
| 流程控制 | 100% 硬编码，每一步都是 if/else | 固定框架，灵活执行 |
| 异常处理 | 必须预见所有异常，遗漏就崩溃 | AI 自主判断，兜底处理 |
| 输入适应性 | 严格格式要求，偏离就报错 | 自然语言输入，模糊意图也能理解 |
| 维护成本 | 需求变化 → 改代码 → 测试 → 部署 | 改 Markdown 描述，AI 立刻适应 |
| 编写门槛 | 需要编程能力 | 会用自然语言就能写 |
把人变成机器的执行者
每一步都规定死，人只是"点按钮的人"
把 AI 变成人的延续
人的经验写下来，AI 带着判断力去执行
一句话总结：脚本 = 写给机器的指令，Skill = 写给"有脑子的同事"的操作手册
第一次探索，第二次验证，第三次必须封装。三次法则：消除重复的经典原则
步骤越多越容易遗漏。Skill = 清单，保证每步到位，不走弯路
API 调用、认证登录、特定工具——有"正确"和"错误"之分，必须写下来
判断标准：如果另一个人从零开始需要重新摸索，就值得封装成 Skill
反例（不需要做 Skill 的场景）：一次性任务 · 结果包含敏感信息 · 已有成熟 Skill 覆盖
好的 Skill 经历持续进化的循环。每次使用中发现新坑、找到更优路径，立刻修进去。
流程首次整理
AI 加载执行
发现新问题
补坑、优化路径
越迭代越精准，最终变成团队共同的财富
Prompt 让 AI 能说话 → MCP 让 AI 能动手 → Skill 让 AI 会做事
感谢聆听