agent skills好像是把原本mcp的方法改成cli方法放在skill里

然后把mcp的python代码写在scripts/里

你的理解部分正确，但需要澄清一个关键点：

Agent Skills 并不是“把 MCP 方法改成 CLI 方法”，而是提供了一种更轻量、更结构化的方式来封装任务逻辑——其中可以包含 CLI 调用、脚本执行、提示词模板等。MCP 和 Agent Skills 是互补的，而非替代关系。

✅ 正确的理解应该是：

表格

🔍 为什么你会觉得“Skills 是把 MCP 改成 CLI”？

因为在实际落地中，很多原本通过 MCP 暴露的简单工具（比如fetch、git、pdf-parse），现在被开发者直接写成 Shell/Python 脚本，放进 Skill 的scripts/目录，并通过subprocess调用——绕过了 MCP Server 的部署复杂性。

举个例子：

• MCP 方式：
  启动一个mcp-server-git服务 → Agent 通过 MCP 协议调用git clone。
• Skill + CLI 方式：
  在 Skill 中直接写：python

  编辑

  subprocess.run(["git", "clone", url], cwd=work_dir)

  → 无需 MCP Server，更轻量。

✅这确实是当前流行的做法，尤其适合：

• 内部工具
• 确定性高、安全性可控的场景
• 快速原型开发

🧠 官方视角（Anthropic / Agentic AI Foundation）

“MCP connects Claude to data, Skills teach Claude what to do with that data.”
—— Anthropic 工程团队

也就是说：

• MCP 负责“拿数据”（连接世界）
• Skills 负责“处理数据”（专业做事）

你完全可以：

• 用MCP 获取数据库记录
• 用Skill 中的 Python 脚本分析数据并生成报告

两者协同工作。

✅ 结论

表格

💡 建议用法

• 简单、确定性任务（如文件处理、Git 操作、HTTP 请求）→ 用Skill + CLI/脚本（轻量高效）
• 复杂、需治理的系统集成（如企业 ERP、多租户 API、审计日志）→ 用MCP（安全、标准化、可监控）

技术选型不是非此即彼，而是“该用 MCP 时用 MCP，该用 Skill 时用 Skill”。

如果你正在迁移一个具体 MCP 工具到 Skill，欢迎提供工具名称或功能，我可以帮你写出对应的 CLI/Skill 实现方案。