说实话，我一开始也搞不清楚这两个东西到底该怎么用，什么时候用哪个。但是用着用着就明白了，其实很简单。
先说我写的 knowledge-absorber
我为什么要写这个 Skill？因为我学习新东西的时候，每次都要重复做同样的事情。
比如说，我看到一篇技术文章，我想学习里面的内容。那我要干什么？我要让 AI 帮我抓取这个文章，然后清理掉那些广告、导航栏、页脚这些乱七八糟的东西，然后我还要让 AI 验证一下文章里的内容是不是准确的（因为很多文章都是过时的或者错误的），最后生成一个我能看的笔记。
这一套流程，我每次学习新东西都要做一遍。我不想每次都跟 AI 说："你帮我抓这个链接，然后清理一下，然后验证一下，然后生成笔记。"太麻烦了，而且每次说的话还不一定一样，AI 理解的也不一定一样。
所以我就把这个流程写成了 Skill。现在我学习任何东西，直接一条命令：
python scripts/run_full_pipeline.py "https://example.com/article"
或者
学习"https://example.com/article"
就完事了。它会自动帮我做完所有事情：抓取内容、清理垃圾、验证准确性、生成笔记。如果是国学相关的内容，它还会自动用水墨风格渲染，看起来很有感觉。
这就是 Skill 的使用场景：你有个固定的流程，需要重复做很多次，那就把它写成 Skill。
重点来了：用 MCP 探索，然后转成 Skill
我装了 Playwright MCP，这是个浏览器自动化工具。我用它的方式，就是我理解 Skill 和 MCP 关系的核心。
第一次做某个浏览器操作（用 MCP 探索）
假设我要做一个任务：每天登录某个网站抓取数据。
第一次做的时候，我不知道具体要怎么操作，所以我让 AI 用 Playwright MCP 去探索：
我跟 AI 说：“帮我用 Playwright 打开这个网站，登录，然后抓取数据。”
AI 就开始用 Playwright MCP 操作：
- 打开浏览器
- 导航到网站
- 找到登录框
- 输入账号密码
- 点击登录按钮
- 等待页面加载
- 找到数据所在的元素
- 提取数据
- 保存到文件
这个过程中，AI 在用 MCP 工具，每一步都在消耗 token。而且 Playwright MCP 特别耗 token，因为它会把整个页面的可访问性树（accessibility tree）都传回来，每次操作都要传一堆数据。
根据实际数据，Playwright MCP 单次任务会消耗约 114K tokens，而且每次浏览器操作都会返回几千个 tokens 的结构化数据。
记录流程，写成 Skill
AI 操作完之后，我知道了整个流程是怎么做的。这时候我就把这个流程记录下来，写成 Skill。
Skill 的内容大概是这样：
---
name: daily-data-scraper
description: 每天登录网站抓取数据
---
# 用法
运行这个 Skill 自动完成数据抓取
# 流程
1. 打开浏览器，导航到 https://example.com
2. 找到 id="username" 的输入框，输入账号
3. 找到 id="password" 的输入框，输入密码
4. 点击 class="login-btn" 的按钮
5. 等待 3 秒让页面加载
6. 找到 class="data-table" 的元素
7. 提取所有 tr 标签的内容
8. 保存到 data.csv
以后每天执行（用 Skill）
以后每天我要抓数据的时候，我就直接跑这个 Skill。AI 看到这个 Skill，知道要做什么，直接按照流程执行就完事了。
不用每次都让 AI 重新用 Playwright MCP 去探索一遍，不用每次都传那些可访问性树的数据，不用每次都消耗那么多 token。
Token 消耗对比
这里是关键，我找到了实际的数据对比：
每次都用 MCP：
- Playwright MCP 单次任务：约 114K tokens（来源）
- 如果你每天都要做这个操作，一个月就是：114K × 30 = 3,420K tokens
- 按照 Claude API 的价格（Opus 4.6 是 $5/百万 input tokens），一个月光这个操作就要花：3.42M × $5 = $17.1
写成 Skill 后：
- Skill 加载：不到 500 tokens（来源）
- 一个月：500 × 30 = 15K tokens
- 费用：0.015M × $5 = $0.075
节省：
- Token 节省：3,420K - 15K = 3,405K tokens（节省 99.6%）
- 费用节省：$17.1 - $0.075 = $17.025（节省 99.6%）
这还只是一个操作。如果你有多个重复性操作，节省的就更多了。
而且这个数据还是保守估计。根据另一个数据，MCP 相比 CLI/Skill 方式多消耗约 90,000 tokens，而且CLI 架构比 MCP 节省 94% 的 token 开销。
为什么 MCP 这么耗 token？
每个 MCP 工具定义就要消耗 500-2,000 tokens。如果你装了 5 个 MCP 服务器，每个有 10 个工具，光是加载这些工具定义就要消耗 25,000-100,000 tokens。
更夸张的是，5 个 MCP 服务器可以消耗 55,000 tokens（占用 28% 的 200K 上下文窗口），而你还没开始干活。
而 Skill 呢？只在需要的时候加载，而且只加载相关的 Skill。一个 Skill 完全加载也就不到 500 tokens。
我目前还使用过 UI-UX-PRO-MAX
这是别人写好的 Skill，我用过，做 UI/UX 相关的工作。我不知道它具体怎么实现的，我也不关心。我只知道它能帮我做 UI/UX 的活，我用就完了。
这也是我在第一章说的：你不需要知道原理，你知道它是干什么的就行了。
总结一下
什么时候用 MCP：
你第一次做某个操作，不知道具体流程，需要探索。这时候用 MCP，让 AI 用工具去探索。
什么时候用 Skill：
你已经知道流程了，需要重复执行。这时候把流程写成 Skill，以后直接用 Skill。
最佳实践：
用 MCP 探索 → 记录流程 → 写成 Skill → 重复使用
为什么要这么做：
- 节省 token（节省 94%-99.6%）
- 节省费用（如果你用 API 的话）
- 执行更快（不用每次都加载 MCP 工具定义）
- 更稳定（流程固定了，不会因为 AI 理解不同而产生不同结果）
就是这么简单，没有任何复杂的东西。
我的 knowledge-absorber 就是这个思路：我每次学习新东西都要做那一套流程，我就把它写成 Skill，现在我学习任何东西，直接扔个链接就完事了。
最后再说一遍：别纠结原理，别纠结定义，你知道它是干什么的，你会用就行了。行动永远比纠结重要。