MCP 和 Skills 不是按场景二选一，而是先看结果、再看它是否真省 context：官方 MCP/CLI 简单但结果杂乱、几轮就撑满窗口时，才值得自己做成 Skill。
AI根据立正公开的文章和视频整理，不是他本人回复。重要的判断，请回到出处核对。
先问结果，别先追名词
材料里的观点有人去年跟领导推 MCP，今年觉得 MCP 不好用要换 Skills，结果领导刚听懂 MCP，就要求所有东西都做成 MCP。只盯零件和概念、不盯结果，往往适得其反1。所以选型前先问：这个任务要的产出是什么、验收标准是什么，而不是先决定用哪个协议。MCP 是让 AI 调用外部工具的标准接口，Skills 更像把一套做法和知识打包给 AI 复用；两者解决的不是同一层问题。
官方 MCP 够用就别自建
材料里的观点Tally 官方有 MCP 和 CLI，配置更简单，但这类上一代做法有个通病：搜索结果杂乱，必须整段进 AI 的上下文窗口，没几轮就撑满，于是频繁压缩、抓不住重点、幻觉变多2。如果任务简单、调用次数少、结果干净，直接用官方 MCP 或 CLI 最省事；只有当它反复把窗口塞满、AI 找不到重点时，才值得改成先落盘、让 AI 自己选择读哪部分的做法2。判断标准是 context 是否被浪费，不是哪个名字更新。
把工具做成 AI 能用的样子
把产品做成 Skill，意味着从“给人用的界面”转向“给 AI 调用的原子能力”，让 Agent 无需切窗口就能直接操作3。这比接一个聊天框难，因为它要求团队真正理解 AI 的推理和调用边界3。适合这么做的，是那些会被 Agent 反复调用、且结构化调用比人点界面更准的场景；如果只是偶尔用一次、或团队还没搞清 AI 擅长什么，先接个对话入口、用真实任务测一测更划算。
材料没有给出按团队规模或项目类型选型的通用标准，上面的判断只适用于“结果是否干净、context 是否被浪费”这一条线索。
出处
- 1AI的正确打开方式：不学概念，学动作
用 MCP 与 Skills 反复横跳的实例，说明只追概念不看结果的代价，适合先读。
- 2课代表和鸭哥工作的实况 | how the sausage is made
对比官方 MCP/CLI 与自建 Skill 在 context 占用上的差别，适合判断何时该自建。
- 3如果你在旧系统上贴个聊天框，那说明你们团队并不真懂AI
解释把产品做成 AI 可调用 Skill 的方向和门槛，适合判断团队该不该投入重构。
你也有想问的？
卡住的时候，问问立正：回答附有出处，可以点回原文核对。
也可以接着问：
别人还问了
- 总觉得现在学习新东西，技术没有什么意义了，因为ai能比你做的快10倍，同时也觉得任何东西/poc都没有门槛，我能几天之内学习新的技术，并deliver。如果我能，我相信别人也能，那我的竞争力到底在哪里？ 学更广的知识还是干别的什么？
几天做出一个能跑的东西，只证明你当下交付得快，不证明能力留在你身上。竞争力更可能来自撤掉帮助后仍能判断、拆解和交付，以及别人做不出来的深度。
- workbuddy普通人怎么用
普通人用 AI 的关键不是学会某个工具，而是从“偶尔用一用”变成“让 AI 成为核心生产力”，并围绕自己反复做的一件事持续积累。
- 如何学习 ai
学 AI 要当手艺练，不是当知识背：围绕真实任务动手，用“撤掉帮助、隔段时间、换个条件还能不能做”来检验自己是否真会。
- ai时代如何赚钱？
立正认为AI时代赚钱的关键不是抓住某个风口，而是把认知和方法练出来：用经营者的视角看待工作，学会识别真正创造价值的事，并且相信赚钱的唯一方式是给别人创造价值。
- 课代表一直说要像学习一门手艺一样工作，这个怎么理解，什么是手艺，学习手艺的时候需要注意什么，如何精通一门手艺？
手艺不是熟练重复，而是能不断往深里钻研、越做越发现学问的活能力；学它靠动手试错，精通靠长期坚持。
- ai时代，我应该怎么了解我想做，可以做的事，作为马上就要毕业的大学生，我应该怎么样去求职。
先别急着海投简历，花一两天认真想清楚：不靠公司，你能给别人提供什么价值；再花几周去真实试一次。