还在混淆这些概念？一篇文章彻底搞懂 AI 辅助编程的六大核心模块。
很多人用 AI 写代码时都有这样的困惑：Prompt 我知道，但 MCP 是啥？Skill 和 Rule 有什么区别？
别慌，今天用最通俗的方式，把这六个概念彻底讲清楚！
一、一顿饭秒懂五大概念
把 AI 想象成你家的智能炒菜机器人，你要教它做一桌好菜：
一句话理解： 你点菜（Prompt）→ 按菜谱做（Skills）→ 开冰箱取料（MCP）→ 查食材说明（Knowledge）→ 遵守厨房规矩（Rules）→ 上菜（成品）
概念速查表
| Prompt | 今晚吃红烧肉 | 帮我做个列表页 | 你说的那句话 |
| Skills | 焯水→煸炒→焖煮 | hooks→组件→检查 | 执行指南 |
| MCP | 冰箱、调料柜、厨具架 | 数据库/代码库 | 连接外部资源的通道 |
| Knowledge | 五花肉切2cm | ProTable API | 参考资料 |
| Rules | 少油少盐 | 先hooks后组件 | 必须遵守的规范 |
补充概念：Workflow（工作流） = 固定流水线，如"洗→切→炒→装盘"，适合规则明确的重复任务，常见于 Coze、Dify 等平台。
二、概念详解
1. Prompt（用户提示词）
定义：你输入给 AI 的那句话，是一切的起点。
写好 Prompt 的技巧：
| ❌ 模糊 | “做一个列表页” |
| ✅ 清晰 | “基于 @types/employee.ts，使用 ProTable 组件，做一个员工管理列表页，支持增删改查” |
Prompt 优化要点：
- 明确任务类型（列表页/表单页/详情页）
- 指定使用的组件库
- 附带相关文件上下文（@file）
- 描述具体功能需求
2. Rules（规则）
定义：约束 AI 行为的规范文件，告诉 AI “什么该做、什么不该做”。
特点：自动加载、全局生效、像公司规章制度一样必须遵守。
示例：
# ai-fe-code-std.md
1. hooks 优先原则：必须先生成 hooks 文件，再生成组件
2. 禁止 mock 数据：不要生成任何假数据
3. 全局类型不要 import：检查 global.d.ts
存储位置（不同工具） ：
| Cursor | .cursor/rules/ 或项目根目录 .cursorrules |
| Claude Code | CLAUDE.md 或 .claude/ 目录 |
| Trae | .trae/rules/ 或项目根目录 |
| Windsurf | .windsurfrules |
| 通用 | 项目根目录 ai-rules.md |
3. Knowledge（知识库）
定义：领域知识和最佳实践的集合，告诉 AI “如何更好地做”。
特点：按需查询、提供组件用法、API 说明、代码示例。
知识库来源：
| 本地文件 | 项目内的知识文档 | knowledge/ant-design-pro.md |
| 公司 AI 后台 | 企业统一知识管理平台 | 通义灵码知识库、GitHub Copilot 知识库 |
| MCP 服务 | 通过 MCP 协议动态获取 | codegen-engine 的 get_knowledge 工具 |
| RAG 系统 | 向量数据库检索 | Dify、FastGPT 等平台 |
本地知识库目录结构：
knowledge/
├── common/ # 通用组件库知识
│ ├── ant-design-pro.md # Ant Design Pro 用法
│ ├── element-plus.md # Element Plus 用法
│ └── vant-components.md # Vant 移动端组件
└── business/ # 业务组件知识
└── company-ui.md # 公司内部组件库
4. MCP（Model Context Protocol）
定义：让 AI 连接外部工具和数据源的统一协议。
通俗理解：MCP 就像万能插座标准——AI 是电器，外部系统是电源，MCP 让它们能安全连接。
核心特点：
- 它本身不做事，只负责"连接"
- 定义可调用的工具列表
- 管理 AI 对外部系统的访问权限
常用 MCP 示例：
| filesystem | 读写本地文件 | 代码生成、文件操作 |
| github | 操作 GitHub 仓库 | PR 管理、Issue 处理 |
| postgres/mysql | 数据库操作 | 数据查询、表结构分析 |
| browser | 浏览器自动化 | 前端测试、网页抓取 |
| codegen-engine | 代码生成引擎 | 页面生成、模板匹配 |
| sentry | 错误监控 | Bug 分析、日志查询 |
| slack/飞书 | 消息通知 | 团队协作、通知推送 |
MCP 配置示例：
{
"mcpServers": {
"codegen-engine": {
"command": "node",
"args": ["/path/to/codegen-engine/src/server.js"]
},
"filesystem": {
"command": "npx",
"args": ["-y", "@anthropic/mcp-filesystem"]
}
}
}
5. Skills（技能）
定义：给 AI 准备的专业培训手册，包含指令、脚本和资源。
Skill vs Skills 的关系：
Skill（单数）= 一个具体的技能，如"代码生成 Skill"、“浏览器测试 Skill”
Skills（复数）= 技能系统/技能集合，指这整个概念或多个技能
类比：Rule 是一条规则，Rules 是规则集；Skill 是一个技能，Skills 是技能库
- 示例：.cursor/skills/ 目录下有多个 Skill，如 codegen-engine、browser-automation
通俗理解：
- 以前：每次让 AI 做报销审核，都要重复一遍公司规定……
- 现在：打包成一个"报销审核" Skill，以后 AI 自己就知道该怎么做！
四大优势：
| 按需加载 | 只加载需要的，不浪费资源 |
| 可组合 | 多个 Skills 可以叠加使用 |
| 可移植 | 一次构建，到处使用 |
| 强大 | 可包含可执行代码 |
单个 Skill 的完整结构：
.cursor/skills/codegen-engine/
├── SKILL.md # 主文件：技能说明书（必须）
├── README.md # 快速入门指南
├── examples.md # 使用示例
├── tools-reference.md # 工具参考文档
└── scripts/ # 可执行脚本（可选）
└── generate.js
SKILL.md 核心模块详解：
技能名称
Description（描述）- 必须
告诉 AI 这个技能是干嘛的、什么时候触发。
示例：“当用户需要生成页面代码、创建组件、做列表页/表单页/详情页时使用此技能”
Trigger Keywords（触发关键词）- 推荐
定义哪些词会触发这个技能。
示例：做一个列表页、生成代码、创建组件、CRUD页面
Prerequisites（前置条件）- 可选
执行前需要满足的条件。
示例：项目中需要有 types 目录、需要配置 MCP 服务
Workflow（工作流程）- 必须
一步步告诉 AI 怎么做。
示例：
Tools（使用的工具）- 推荐
列出会用到的 MCP 工具。
示例：quick_generate、detect_tech_stack、check_code_compliance
Examples（示例）- 推荐
具体的使用案例，AI 学得最快。
Notes（注意事项）- 可选
特殊情况的处理方式。
存储位置（不同工具） ：
| Cursor | .cursor/skills/技能名称/SKILL.md |
| Claude Code | ~/.claude/skills/ 或项目内 .claude/skills/ |
| Trae | .trae/skills/ |
| 全局共享 | ~/.cursor/skills/（用户级别，所有项目可用） |
渐进式加载机制：
| L1 | AI 启动时 | 名称+描述 | 约 100 Token |
| L2 | 技能触发时 | SKILL.md 完整内容 | < 5000 Token |
| L3 | 按需加载 | scripts/、references/ | 不限 |
6. Workflow（工作流）
定义：把复杂任务拆成固定步骤，按顺序执行。
特点：步骤固定、流程确定、适合重复性任务。
与 Skills 的区别：
| 灵活性 | 固定流程，不会变通 | 智能判断，可以调整 |
| 设计方式 | 拖拽式可视化编排 | 文档+脚本+资源 |
| 适用平台 | Coze、Dify、n8n、Zapier | Cursor、Claude Code、Trae |
| 适用场景 | 规则明确的重复任务 | 需要专业判断的复杂任务 |
三、最容易混淆：Skills vs MCP vs Knowledge
一句话区分：
- MCP = 工具清单（有什么工具）
- Skills = 施工流程（怎么干活）
- Knowledge = 参考手册（具体参数）
| 本质 | 工具清单 | 执行流程 | 参考资料 |
| 回答问题 | “有哪些工具？” | “怎么一步步做？” | “这个参数怎么填？” |
| 做饭类比 | 厨房有什么（冰箱、灶台、刀具 | 做菜步骤（焯水→煸炒→焖煮） | 食材说明（五花肉切2cm |
| 写代码举例 | AI 知道有 quick_generate() | AI 按"先 hooks 再组件"流程执行 | AI 查 ProTable 的 columns 配置 |
最佳组合：Skills 调度流程 + MCP 连接工具 + Knowledge 提供细节
四、实战案例：做一个员工列表页
假设你要让 AI 帮你做一个员工管理列表页，看看各个概念是如何协作的：
完整调用流程图
各环节实际内容
1. 用户输入（Prompt）
基于 @src/types/employee.ts 类型定义，做一个员工管理列表页，需要支持增删改查，使用 ProTable 组件
2. Skill 匹配
AI 识别到关键词"列表页"、“增删改查”，自动匹配 codegen-engine Skill，读取 SKILL.md 获取执行步骤。
3. MCP 工具调用
调用 quick_generate 工具，返回：
{
"techStack": "React + TypeScript + Ant Design Pro",
"template": "react-standard-list-crud",
"knowledge": "ProTable 用法、columns 配置、request 写法"
}
4. Knowledge 查询
从知识库获取 ProTable 最佳实践：
– 使用 request 而不是 dataSource
– 配置 rowKey 避免警告
– 使用 actionRef 控制刷新
5. Rule 约束
代码生成时遵循规范：
– 必须先生成 hooks/useEmployeeTable.ts
– 再生成 index.tsx 组件
– 禁止 mock 数据
– 全局类型不要 import
6. 最终输出
✅ hooks/useEmployeeTable.ts （数据逻辑）
✅ components/EditModal.tsx （编辑弹窗）
✅ index.tsx （主页面）
✅ types.ts （类型定义）
五、打造优质 Skills 的五大心法
单一职责：一个 Skill 只做一件事
示例驱动：多放具体使用示例，AI 学得最快
清晰输入输出：像设计 API 一样设计接口
原子化设计：像乐高积木，可灵活组合
持续迭代：记录问题，定期更新
六、常见问题
Q1: Prompt 和 Rules 有什么区别？
- Prompt：临时输入，一次性
- Rules：配置文件，持久化
Q2: 什么时候用 Skills，什么时候直接写 Prompt？
- 用 Skills：重复性任务、标准流程、多工具协作
- 直接 Prompt：一次性任务、简单修改
Q3: Skills 不生效怎么办？
核心原因是描述（Description）不够清晰。用大白话明确触发场景。
Q4: Skills 本质上不就是 Prompt 吗？
对也不对。Skills = Prompt + 脚本 + 上下文管理 + 智能触发。
就像说"汽车本质是发动机"——没错，但光有发动机跑不起来。
Prompt 是"配方"，Skills 是"配方+厨具+食材"打包的预制菜套餐。
七、学习路径
- 偶尔让 AI 帮忙 → Prompt 就够了
- AI 长期扮演某角色 → 用 Rules
- 经常做复杂的事 → 用 Skills
- 访问私有数据/API → 配置 MCP
- 重复执行固定流程 → 用 Workflow 平台
学习建议：Prompt → Workflow → Skill → MCP，循序渐进。
八、结语
Skills 解决了一个根本问题：如何让 AI 不仅懂理论，还能上手实操。
对开发者来说，最大的好处是：可控、可复用、可迭代。
最好的 Skill，往往是那些解决你日常工作痛点的。别追求大而全，小而美往往更实用
