Skills vs MCP - jak agenty AI korzystają z narzędzi

Agenty AI (Claude Code, Cursor, Copilot) mogą korzystać z zewnętrznych usług na dwa sposoby: przez Skills albo przez MCP. Oba podejścia rozwiązują ten sam problem - jak dać agentowi dostęp do narzędzi - ale robią to zupełnie inaczej.

Porównanie

—	Plik .md	Skill (/komenda)	MCP
Co to jest	Zwykły plik Markdown w repo	Zarejestrowana komenda w .claude/skills/	Serwer udostępniający narzędzia przez protokół
Jak agent się o nim dowiaduje	Musisz mu powiedzieć “przeczytaj plik X” albo dać wzmiankę w CLAUDE.md	Automatycznie - użytkownik wpisuje /nazwa	Automatycznie - widzi listę dostępnych narzędzi
Jak agent wykonuje akcję	Sam składa komendy (curl, git) na podstawie instrukcji	Sam składa komendy na podstawie instrukcji	Wywołuje gotową funkcję ze schematem parametrów
Gdzie działa	Terminal (Claude Code, Cursor)	Terminal (Claude Code)	Wszędzie gdzie klient obsługuje MCP (terminal, web, telefon)
Konfiguracja	Żadna - tworzysz plik i gotowe	Trzeba zarejestrować w .claude/skills/	Trzeba postawić/skonfigurować serwer MCP
Edycja i iteracja	Najłatwiejsza - edytujesz plik, od razu testujesz	Trzeba edytować skill i przeładować	Trzeba zmodyfikować serwer
Powtarzalność wyników	Zależy od interpretacji agenta	Zależy od interpretacji agenta	Wysoka - schemat parametrów ogranicza pole błędu
Bezpieczeństwo tokenów	Token w treści rozmowy lub .env	Token w treści rozmowy lub .env	OAuth na poziomie protokołu
Kiedy stosować	Eksperymentowanie, prototypowanie instrukcji	Sprawdzony workflow, gotowy do użycia przez zespół	Częsta/skomplikowana integracja z zewnętrzną usługą

Skills - instrukcja obsługi dla agenta

Skill to plik z instrukcjami (zwykle Markdown), który mówi agentowi co i jak ma robić. Sam w sobie nic nie wykonuje - opisuje proces, który agent realizuje dostępnymi narzędziami (Bash, curl, edycja plików).

Przykład: skill do tworzenia wpisów w bazie wiedzy zawiera opis endpointów API, format requestu, wymagane nagłówki. Agent czyta te instrukcje, sam składa curla i wysyła request przez terminal.

Co skill potrafi

• Opisać workflow krok po kroku (“najpierw pobierz listę, potem utwórz wpis”)
• Przekazywać wiedzę domenową (“w tym projekcie używamy takich konwencji”)
• Standaryzować powtarzalne zadania (code review, commit, deploy)
• Nauczyć agenta korzystać z istniejących CLI (git, curl, gcloud)

Ograniczenia

Skill zakłada dostęp do terminala. Działa w Claude Code, Cursor czy innym narzędziu z shellem. Nie zadziała w webowym chacie, na telefonie ani w ChatGPT.

Agent musi sam interpretować instrukcje i składać komendy. Jeśli API jest skomplikowane (OAuth, paginacja, nietypowe formaty), skill robi się długi i łatwo o błędy. Agent dosłownie czyta instrukcję napisaną ludzkim językiem i próbuje ją wykonać - nie ma gwarancji że za każdym razem zrobi to identycznie.

W Claude Code - plik .md vs zarejestrowany Skill

W Claude Code są dwa sposoby korzystania z instrukcji, i warto rozumieć różnicę.

Plik .md - luźna instrukcja

Zwykły plik Markdown w repozytorium (np. docs/llm/kb_entry_api.md). Agent nie wie o nim dopóki mu nie powiesz - “przeczytaj instrukcję z docs/llm/kb_entry_api.md i utwórz wpis”. Albo masz wzmiankę w CLAUDE.md, że taki plik istnieje.

To dobry format na etapie eksperymentowania. Piszesz instrukcję, testujesz z agentem, poprawiasz, znów testujesz. Plik możesz edytować na bieżąco, nie musisz nic konfigurować.

Zarejestrowany Skill (komenda /nazwa)

Skill zarejestrowany w konfiguracji Claude Code (.claude/skills/). Użytkownik wywołuje go komendą /review-pr albo /done i agent automatycznie wie co robić. Nie trzeba mu wskazywać pliku ani tłumaczyć kontekstu.

Skill ma też metadane - kiedy się uruchamia, jaki prompt dostaje agent, jakie narzędzia powinien użyć. Jest “oficjalny” - część konfiguracji projektu.

Kiedy co stosować

Naturalna ścieżka wygląda tak:

1. Zacznij od pliku .md - piszesz instrukcję, testujesz ją z agentem w rozmowie (“przeczytaj ten plik i zrób X”). Poprawiasz treść aż agent robi to co trzeba. Na tym etapie nie wiesz jeszcze dokładnie jak powinna wyglądać finalna instrukcja.

2. Dopracuj przez kilka sesji - za każdym razem widzisz gdzie agent się myli, co pomija, co robi niepotrzebnie. Dodajesz brakujące kroki, usuwasz nadmiarowe. Plik .md łatwo edytować bo to zwykły tekst w repo.

3. Jak działa stabilnie - zrób z tego Skill - kiedy instrukcja jest przetestowana i wiesz że agent radzi sobie dobrze, rejestrujesz ją jako Skill z komendą /nazwa. Od tego momentu każdy w zespole może użyć /nazwa bez wiedzy co jest pod spodem.

I tu fajny szczegół - sam ten krok (“zarejestruj to jako Skill”) możesz zlecić agentowi. Mówisz mu “weź ten plik .md i zrób z niego Skill pod komendą /create-kb-entry” i agent sam utworzy odpowiednią konfigurację w .claude/skills/.

Nie ma sensu robić Skilla od razu. Najpierw musisz wiedzieć co ma robić i jak - a to wychodzi dopiero po kilku próbach z luźnym plikiem .md.

MCP - standardowy adapter do usług

MCP (Model Context Protocol) to protokół stworzony przez Anthropic w 2024 roku. Definiuje standardowy sposób udostępniania narzędzi agentom AI.

Serwer MCP to osobny proces, który wystawia listę dostępnych akcji z opisem parametrów. Agent widzi np. create_kb_entry(title, content, category_id) i może to wywołać bezpośrednio. Nie musi wiedzieć jaki jest URL, jakie nagłówki, jaki format body.

Co daje MCP

• Agent dostaje gotowe narzędzia ze schematem parametrów - wie co może wywołać i jakie dane podać
• Autoryzacja (OAuth) obsługiwana na poziomie protokołu, bez tokenów w plikach .env
• Serwer można zaktualizować raz i zmiana działa dla wszystkich klientów
• Działa wszędzie gdzie klient obsługuje MCP - terminal, web, telefon
• Narzędzia są “discoverable” - agent może zapytać serwer co jest dostępne

Ograniczenia

Trzeba postawić i utrzymywać serwer MCP (albo użyć hostowanego). Trudniej debugować niż zwykłego curla. Kompozycja wielu serwerów MCP bywa problematyczna.

Praktyczny przykład - ta sama operacja

Plik .md + curl: agent czyta instrukcję z pliku, sam buduje request:

curl -X POST /kb/entries.json -H "Authorization: Bearer TOKEN" -d '{"entry": {"title": "..."}}'  

Agent musi znać URL, nagłówki, strukturę JSON. Instrukcja mu to podpowiada, ale to on składa komendę.

Skill /create-entry: użytkownik wpisuje /create-entry i agent wie co robić. Pod spodem robi dokładnie to samo (curl), ale nie trzeba mu przypominać skąd wziąć instrukcje.

MCP: agent wywołuje narzędzie bezpośrednio:

mcp__intum__create_kb_entry(title: "...", content: "...", category_id: 123)

Nie musi wiedzieć co jest pod spodem. Serwer MCP zajmuje się resztą.

Można łączyć wszystkie podejścia

Skill jako “podręcznik” + MCP jako “adapter” to rozsądna kombinacja. Skill opisuje kiedy i dlaczego użyć narzędzia, MCP daje samo narzędzie. Np. skill mówi “po zakończeniu pracy zapisz podsumowanie w bazie wiedzy”, a MCP dostarcza metodę create_kb_entry.

A plik .md jest naturalnym punktem wyjścia do obu - prototypujesz instrukcję, a potem decydujesz czy ma być Skillem czy może lepiej napisać serwer MCP.

Nazewnictwo skilli w zespole

Gdy skilli jest kilka, nazwy mogą być dowolne. Przy 10+ warto mieć konwencję, bo inaczej nikt nie pamięta co jest dostępne.

Po module + akcji (najczęstsze)

/kb-create, /kb-update
/deploy-staging, /deploy-prod
/sentry-fix
/ci-check, /ci-fix

Wpisujesz /kb- i widzisz wszystkie skille związane z bazą wiedzy. Grupowanie przez prefix dobrze skaluje się przy rosnącej liczbie skilli.

Po etapie workflow

/start       - na początku sesji (recall kontekstu)
/done        - na koniec sesji (zapis postępu)
/review-pr   - przed mergem
/ship        - deploy

Dobre dla skilli opisujących proces zespołowy - każdy wie w jakim momencie czego użyć.

Zasady które się sprawdzają

• Krótkie nazwy, max 2-3 słowa z myślnikami
• Prefix grupujący jeśli masz dużo skilli (kb-, deploy-, sentry-)
• Czasownik na końcu (kb-create) albo na początku (create-entry) - byle konsekwentnie w projekcie
• Unikaj generycznych nazw (/do, /run, /fix) - za miesiąc nikt nie pamięta co robią
• Claude Code nie ma wbudowanych kategorii skilli - wszystkie są w jednej płaskiej liście. Prefixy w nazwach (/kb-, /deploy-) to jedyny sposób na grupowanie. Wpisujesz prefix i widzisz tylko pasujące skille
• Przy mniejszej liczbie skilli nie komplikuj - /review-pr i /done jest ok

Źródła

• I Still Prefer MCP Over Skills - David Mohl, porównanie obu podejść z praktycznymi argumentami
• Dyskusja na Hacker News - komentarze m.in. twórcy Redisa o tym kiedy które podejście ma sens
• Model Context Protocol - oficjalna dokumentacja MCP (Anthropic)