AI 编程中的三大核心概念：Skills、Rules、MCP 到底有什么区别？

昨天我在配置 Cursor 的时候，突然意识到一个问题：我一直在用 Rules 和 Skills，也听说过 MCP，但真要我说清楚它们仨到底有什么区别、什么时候用哪个，我还真有点懵。

这让我想起上周帮一个朋友搭建 AI 编程环境时，他问我："为什么有些东西要写在 Rules 里，有些要写成 Skills？还有那个 MCP 又是什么？"我当时只能含糊地说"看情况"，但心里其实也没底。

所以今天咱们就来彻底搞清楚这三个概念。相信我，理解清楚之后，你在配置 AI 编程工具时会更有章法。

所以，到底什么是 Skills、Rules 和 MCP？

我最开始的理解是：它们都是让 AI 更"听话"的工具——这个理解对，但太笼统了。直到我把它们放在一起对比，才发现它们其实解决的是不同层面的问题。

Rules：AI 的"行为准则"

你可以把 Rules 想象成公司的员工手册。它定义了 AI 在写代码时应该遵循的基本原则和规范。

Rules 的本质：持久性的指令集，作用于系统提示词层面，告诉 AI "应该怎么做"。

比如，你可以写一个 Rule 说：

• "所有函数必须用驼峰命名法"
• "禁止删除用户添加的调试代码"
• "TypeScript 代码必须使用严格模式"

这些规则一旦设置，AI 在所有对话中都会遵循。它不会主动"做"什么，而是被动地"约束"AI 的行为。

存储位置：.cursor/rules/ 目录，文件格式是 .mdc（Markdown with frontmatter）

应用方式：

• 总是应用（Always Apply）：所有对话都生效
• 自动附加（Auto Attached）：AI 根据上下文判断
• 按文件模式（File-Specific）：处理特定文件时生效
• 手动触发（Manual）：用 @ 符号手动调用

Skills：AI 的"专业技能包"

Skills 更像是给 AI 安装的"专业插件"。它不是约束行为，而是扩展能力。

Skills 的本质：可移植的知识包，为 AI 提供特定领域的专业能力，遵循开放标准（agentskills.io）。

比如，你可以创建一个"API 测试专家"的 Skill，里面包含：

• 如何分析 API 端点
• 如何生成测试用例
• 如何执行测试并验证结果

当 AI 遇到 API 测试相关的任务时，它会自动"想起"这个 Skill，然后按照 Skill 里定义的工作流程来执行。

存储位置：.cursor/skills/<skill-name>/SKILL.md

关键特点：

• 🌐 跨平台：遵循开放标准，可以在不同 AI 工具间共享
• 🎯 专业能力：封装特定领域的专业知识和工作流
• 🤔 智能触发：AI 可以判断何时需要某个技能

MCP：AI 的"外部世界接口"

MCP（Model Context Protocol）是 Anthropic 发布的开放标准，它解决的是"AI 如何与外部系统交互"的问题。

MCP 的本质：标准化的协议，让 AI 能够安全地访问外部数据源、调用外部工具和函数。

你可以把 MCP 想象成 AI 的"USB-C 接口"。就像你的手机通过 USB-C 可以连接各种外设一样，AI 通过 MCP 可以连接：

• 数据库（查询数据）
• 文件系统（读写文件）
• API 服务（调用外部接口）
• 开发工具（IDE 插件、代码分析工具）

架构组成：

• MCP Server：提供工具、资源和提示信息的服务器
• MCP Client：在主机内，与服务器保持连接的协议客户端
• MCP Host：发起请求的 LLM 应用程序（如 Cursor、Claude Desktop）

通信方式：基于 JSON-RPC 2.0 协议，通过 stdio 或 HTTP 进行通信

为了更直观，我把它们的差异整理了一下

维度	Rules	Skills	MCP
本质	行为约束和规范	专业能力扩展	外部系统接口
作用层面	系统提示词层面	知识和工作流层面	协议和工具层面
主要功能	告诉 AI "应该怎么做"	告诉 AI "能做什么"	让 AI "连接外部世界"
触发方式	自动/手动/按文件	AI 智能判断或手动	通过工具调用
存储位置	.cursor/rules/*.mdc	.cursor/skills/*/SKILL.md	MCP Server（独立进程）
可移植性	项目特定	跨平台标准	跨平台标准
典型场景	代码风格、命名规范	API 测试、数据库设计	数据库查询、文件操作
类比	员工手册	专业技能培训	USB-C 接口

看完这个表你就明白了：它们三个其实是在不同层面解决问题。

• Rules 解决的是"一致性"问题：确保 AI 的行为符合你的项目规范
• Skills 解决的是"专业性"问题：让 AI 具备特定领域的知识和能力
• MCP 解决的是"连接性"问题：让 AI 能够访问和使用外部系统和工具

那它们为什么会出现？

这个问题很有意思。让我从实际场景来还原一下它们诞生的逻辑。

Rules 的诞生：解决"每次都要说一遍"的问题

你有没有遇到过这种情况：每次和 AI 对话，你都要重复说"用 TypeScript 严格模式"、"函数要有注释"、"不要删除我的调试代码"？

Rules 就是为了解决这个问题。它让你把这些规范写一次，然后 AI 在所有对话中都会遵循。

问题场景：

你：帮我写个函数
AI：[生成代码，但用了 any 类型]
你：不对，要用严格模式，不能用 any
AI：[重新生成]
你：还要加注释
AI：[再次生成]
...

有了 Rules 之后：

你：帮我写个函数
AI：[自动遵循 Rules，生成符合规范的代码]

Skills 的诞生：解决"重复解释专业知识"的问题

假设你要让 AI 帮你做 API 测试。每次你都要解释：

• 如何分析 API 端点
• 如何设计测试用例
• 如何验证响应结果

Skills 让你把这些专业知识封装成一个"技能包"，AI 遇到相关任务时自动使用。

问题场景：

你：帮我测试这个 API
AI：我需要了解你的测试需求...
你：[解释 API 测试的流程和方法]
AI：[开始测试]

有了 Skills 之后：

你：帮我测试这个 API
AI：[自动应用 API 测试 Skill，按照专业流程执行]

MCP 的诞生：解决"AI 无法访问外部系统"的问题

AI 模型本身是"封闭"的，它只能基于训练数据生成文本。但实际开发中，我们经常需要：

• 查询数据库
• 读取文件
• 调用 API
• 操作开发工具

MCP 提供了一个标准化的协议，让 AI 能够安全、统一地访问这些外部系统。

问题场景：

你：帮我查询数据库中的用户数据
AI：我无法直接访问数据库，你需要先...
你：[手动查询，然后把结果告诉 AI]
AI：[基于你提供的数据进行分析]

有了 MCP 之后：

你：帮我查询数据库中的用户数据
AI：[通过 MCP 直接查询数据库，获取数据并分析]

具体怎么用？我总结了一套实践框架

Rules 的使用：从项目规范开始

第一步：识别重复的约束

问问自己：我在和 AI 对话时，哪些要求我经常重复说？这些就是 Rules 的候选。

第二步：按主题分类

不要把所有规则写在一个文件里，按主题分类：

• code-style.mdc：代码风格
• security.mdc：安全规范
• testing.mdc：测试要求

第三步：配置应用模式

---
description: TypeScript 代码风格和规范
globs: ["**/*.ts", "**/*.tsx"]
alwaysApply: false
---
# TypeScript 代码风格规范

- 始终使用 TypeScript 严格模式
- 函数命名使用驼峰命名法
- 每个函数必须有 JSDoc 注释
- 禁止删除用户添加的调试代码

避坑指南：

• ❌ 不要写太模糊的规则："写好的代码"（AI 不知道什么是"好"）
• ✅ 写具体可执行的规则："函数命名使用动词开头"
• ❌ 不要在一个文件里写太多规则（难以维护）
• ✅ 每个文件专注一个主题

Skills 的使用：封装专业工作流

第一步：识别可复用的专业能力

问问自己：哪些专业领域的知识和工作流，我需要在多个项目中复用？

第二步：定义工作流程

Skills 不是简单的知识库，而是包含完整工作流程的"操作手册"：

---
name: api-testing-agent
description: API 测试专家，能够生成测试用例和执行 API 测试
---

你是一个 API 测试专家...

## 工作流程
1. 分析 API 端点
2. 生成测试用例
3. 执行测试并验证结果

第三步：确保跨项目可复用

Skills 遵循 agentskills.io 标准，这意味着你可以在不同项目、不同 AI 工具间共享。

避坑指南：

• ❌ 不要把项目特定的规则写成 Skills（应该用 Rules）
• ✅ Skills 应该封装通用的专业能力
• ❌ 不要写太简单的 Skills（应该用 Commands）
• ✅ Skills 应该包含完整的工作流程和专业知识

MCP 的使用：连接外部系统

第一步：确定需要连接的外部系统

问问自己：AI 需要访问哪些外部系统？数据库？文件系统？API？

第二步：创建 MCP Server

以 Python 为例，使用 FastMCP 框架：

from mcp.server.fastmcp import FastMCP

# 创建 MCP 服务器实例
mcp = FastMCP("MyServer")

# 定义工具函数
@mcp.tool()
def query_database(query: str) -> str:
    """执行数据库查询"""
    # 实际的数据库查询逻辑
    return result

# 运行服务器
if __name__ == "__main__":
    mcp.run()

第三步：配置客户端连接

在 Cursor 或其他 MCP 客户端的配置文件中添加：

{
  "mcpServers": {
    "my-database-server": {
      "command": "python",
      "args": ["/path/to/mcp_server.py"]
    }
  }
}

避坑指南：

• ❌ 不要把所有功能都放在一个 MCP Server 里（难以维护）
• ✅ 按功能模块拆分不同的 MCP Server
• ❌ 不要忽略安全性（MCP Server 可以访问敏感数据）
• ✅ 实现适当的权限控制和审计日志

它们如何协同工作？

在实际使用中，这三个概念往往是协同工作的：

用户请求："帮我重构这个函数，让它更易读"

1. Rules 生效：
   - 保持代码功能不变（安全规则）
   - 遵循项目命名规范（代码风格规则）
   - 添加必要的注释（文档规则）

2. AI 判断需要：
   - Skill: refactoring-skill（重构专业技能）
   - MCP Tool: code-analysis（如果需要分析代码复杂度）

3. 执行流程：
   - 应用重构技能（Skill）
   - 遵循项目规则（Rules）
   - 调用代码分析工具（MCP）
   - 生成重构后的代码

层次关系：

• Rules 是最底层，定义基本行为准则
• Skills 是中间层，提供专业能力
• MCP 是扩展层，连接外部系统

它们不是竞争关系，而是互补关系。

选择指南：什么时候用哪个？

需求类型	推荐方案	原因
代码风格规范	Rules	需要持久性约束
命名规范	Rules	项目特定的规范
API 测试工作流	Skills	专业领域知识，可复用
数据库设计	Skills	专业能力，跨项目可用
查询数据库	MCP	需要访问外部系统
读取文件	MCP	需要文件系统访问
调用外部 API	MCP	需要网络访问
项目特定约束	Rules	项目特定的规则

快速判断方法：

• 需要约束行为？→ Rules
• 需要扩展能力？→ Skills
• 需要连接外部？→ MCP

聊完现在，再看看未来

这三个概念其实代表了 AI 编程工具的三个发展方向：

Rules 的演进：更加智能和上下文感知

• 未来可能会根据代码上下文自动调整规则
• 支持更精细的控制粒度

Skills 的演进：形成更丰富的生态系统

• 可能会出现 Skills 市场，像 npm 包一样共享和分发
• 更好的跨平台兼容性

MCP 的演进：更强大的集成能力

• 支持更多类型的工具和资源
• 更好的安全性和权限控制
• 更高效的通信协议

思维模型升华：从技术到认知框架

从这三个概念中，我们可以提炼出一个可迁移的认知框架：

任何 AI 系统的设计都可以从三个维度思考：

1. 约束层：如何确保 AI 的行为符合预期？（Rules）
2. 能力层：如何扩展 AI 的专业能力？（Skills）
3. 连接层：如何让 AI 与外部世界交互？（MCP）

这个框架不仅适用于 Cursor，也适用于其他 AI 编程工具，甚至可以用来思考如何设计自己的 AI 应用。

好了，关于这三个概念我目前的理解大概就是这些

说实话，我现在主要还是用 Rules 来规范代码风格，用 Skills 来处理一些专业领域的工作流（比如技术文章写作），MCP 用得还不多——主要是连接数据库和文件系统。

你们呢？如果用过的朋友，有没有更大胆的用法可以分享一下？比如用 MCP 连接了什么有趣的外部系统，或者创建了什么特别有用的 Skills？

我自己搭建第一个 MCP Server 时，是从这个示例项目开始的：https://github.com/modelcontextprotocol/servers。如果你刚好需要可以参考一下。

你最近在 AI 编程中遇到最有趣的挑战是什么？

---

延伸阅读

• Cursor Rules 官方文档
• Cursor Skills 官方文档
• MCP 官方文档
• Agent Skills 标准
• MCP 规范文档