Claude Code Skills 与 MCP 深度研究：YouTube 8 个精选视频分析

发表于 2026-03-09 分类于 AI 经验

基于 YouTube 8 个精选视频的深度研究，使用 NotebookLM 自动分析生成。本文将带你理解 Claude Code Skills 的核心概念、与 MCP 的区别、技能构建六步法，以及实战工作流应用。

前言

最近在研究 Claude Code 的能力扩展，发现 Skills 和 MCP 是两个经常被混淆的概念。为了彻底搞清楚它们的关系和最佳实践，我用自己搭建的 YouTube Research Pipeline 自动搜索并分析了 YouTube 上 8 个高评价视频，最终形成了这篇研究笔记。

Claude Code Skills 与 MCP 知识图谱

研究方法：自动化研究流程

这次研究使用的工具链：

工具	用途
yt-dlp	搜索 YouTube，获取 50 个候选视频
自动评分系统	根据相关性、参与度、时效性选出 8 个最佳视频
NotebookLM	添加视频源，自动生成分析报告和知识图谱
Obsidian Canvas	将知识图谱转换为可视化画布

整个过程完全自动化：输入主题 → 搜索 → 筛选 → 分析 → 输出。

Skills vs MCP：核心区别

一句话总结

MCP 连接 Claude 到数据，Skills 教 Claude 如何处理数据

详细对比

特性	MCP (Model Context Protocol)	Skills
本质	连接器/桥梁	专家系统/SOP
用途	访问 GitHub、数据库、Notion 等外部系统	定义工作流、格式、最佳实践
Token 消耗	可能较高（拉取大量数据）	低（30-50 tokens 初始）
可移植性	需要服务器部署	纯 Markdown 文件，Git 管理

黄金组合

两者不是竞争关系，而是互补：

MCP Server → 访问数据库
    ↓
Skill → 教 Claude 团队的查询优化模式
    ↓
输出 → 符合规范的结果

MCP 提供原始数据连接，Skill 提供 intelligent guardrails 处理数据。

Skills 的 5 大核心要点

1. Skills = AI 的 SOP

Skills 是可复用的专业知识包，确保每次执行的一致性。适合：

重复性任务（格式化、分析、写作风格）
需要遵循特定规范的工作
团队协作中的标准化输出

2. 渐进式加载机制

这是 Skills 最精妙的设计：

阶段	加载内容	Token 消耗
初始索引	仅 name + description	30-50 tokens
按需展开	用户请求匹配时加载完整内容	按需
好处	防止 context rot，节省成本	-

3. 确定性脚本能力

Skills 可以嵌入 Python/Bash 脚本，避免 LLM 的数学幻觉：

1 2	# 示例：用脚本计算数据，而不是让 LLM 猜测 python3 scripts/calculate_metrics.py data.csv

数据分析任务用脚本计算，更可靠、更精确。

4. 高度可组合

Skills + MCP + Sub-agents 可以协同工作：

┌─────────────┐
│  MCP 获取   │ → 访问 Notion/GitHub/数据库
└─────────────┘
      ↓
┌─────────────┐
│ Skill 处理  │ → 应用团队规范和最佳实践
└─────────────┘
      ↓
┌─────────────┐
│ Sub-agent   │ → 并行执行多个独立任务
└─────────────┘

5. 可移植可共享

纯 Markdown 文件，Git 版本控制
组织级标准化
可打包分享或出售

技能构建六步法

根据 Anthropic 官方视频和实践经验，构建一个高质量 Skill 需要六个步骤：

1
2
3

1. 命名与触发词 → 2. 明确输出目标 → 3. 编写 SOP 流程
        ↑                                      ↓
6. 测试迭代优化 ← 5. 设定防御规则 ← 4. 关联参考文件

详细说明

步骤	内容	要点
1. 命名与触发词	定义 skill 名称和 description	description 决定触发概率，要具体
2. 明确输出目标	定义期望的输出格式	提供示例输出，让 AI 有参照
3. 编写 SOP 流程	逐步操作说明	用祈使句，解释 why 而不只是 what
4. 关联参考文件	引用详细文档	大文件放 references/ 目录
5. 设定防御规则	边界和错误处理	用强框架：never/always
6. 测试迭代优化	运行、观察、改进	永远不要期望第一次就完美

最佳实践

✅ 应该做

保持精简：skill.md 控制在 500 行以内，详情放 reference 文件
用脚本做数学：不依赖 LLM 计算数值指标
硬编码静态信息：List IDs、URLs 等直接写入，减少网络搜索
让 AI 自己写：使用 skill creator 对话式创建
迭代优化：观察 → 反馈 → 重写

❌ 应该避免

Context rot：一次性提供过多上下文，导致信息混乱
期望完美：第一次运行就需要迭代调整
频繁网络搜索：应本地化文档到 references/

高级架构组件

除了 Skills 和 MCP，Claude Code 还有几个重要组件：

组件	功能
MCP	连接外部数据源（Notion, GitHub, 数据库等）
Sub-agents	独立上下文窗口、专项任务执行、多代理协作
Hooks	自动化触发脚本（如保存后自动格式化）
Git 集成	版本控制与代码快照恢复（`/rewind` 命令）

实战工作流示例

研究场景

结合 NotebookLM 进行长视频/文档分析：

搜索 YouTube 视频作为数据源
NotebookLM 自动提取关键信息
生成 podcast、报告、思维导图

创意场景

品牌化信息图表生成
Twitter 内容转 Newsletter
多格式内容自动转换

管理场景

早上晨间计划
项目脉搏检查 (Pulse Check)
自动化状态报告

经验总结

Skills 是 SOP，MCP 是桥梁 - 不要混淆两者的定位
渐进式加载节省成本 - 30-50 tokens 的初始索引很关键
脚本 > LLM 计算 - 涉及数值计算时用确定性脚本
迭代是必须的 - 没有第一次就完美的 Skill
自动化研究流程 - YouTube + NotebookLM 的组合非常强大

结语

这次研究让我对 Claude Code 的能力扩展有了清晰的认识。Skills 和 MCP 各有分工，组合使用才能发挥最大价值。如果你也在使用 Claude Code，建议从简单的 Skill 开始，逐步迭代优化。

完整的研究资料（知识图谱 Canvas 文件、原始 JSON）已保存在我的 Obsidian 知识库中，欢迎交流讨论。

参考资料

精选 YouTube 视频

Don’t Build Agents, Build Skills Instead - AI Engineer (Anthropic 嘉宾) - 837K views
How I use Claude Code - Meta Staff Engineer - 241K views
Every Claude Code Concept Explained - Simon Scrapes - 174K views
Claude Skills Built Me an AI Agent Army - Greg Isenberg - 175K views
Claude Code just Built me an AI Agent Team - Grace Leung - 164K views
Claude Agent Skills Explained - Anthropic (官方) - 144K views
Claude Code + NotebookLM = CHEAT CODE - Chase AI - 96K views
Master 95% of Claude Code Skills in 28 Minutes - Nate Herk - 81K views

前言