MCP 服务器为 AI 打开访问知识库的安全通道，Skills 为其注入工作流判断力。二者分工不同、彼此互补，共同让 AI 写出分类正确、风格合规、元数据完整的技术文档。
客户正在使用 Claude、Gemini、ChatGPT 等通用型 AI 助手承担大部分工作。事实上，55% 的技术传播者已在工作流中定期或半定期使用 AI。技术写作者借助 AI 助手完成技术写作实践中的各类活动。AI 助手擅长执行任务，效果很大程度上取决于你提供的上下文。
许多文档团队通过 MCP 服务器把 AI 助手连接到知识库平台。当知识库厂商提供一套工具时，这种方式能帮助技术写作者完成各类内容相关任务。但当 AI 助手不清楚正确的工作流时，文档团队就会触及 MCP 服务器的能力上限。AI 助手有时会消耗大量 token 去摸索正确的工作流。Skills 是由正确的工作流、上下文与指南组成的 Markdown 文件，用于帮助 AI 智能体完成特定任务。Skills 在底层调用 MCP 服务器。MCP 服务器与 Skills 解决的是不同问题，二者缺一不可。
MCP 服务器为 AI 带来什么：访问你的文档技术栈
模型上下文协议（MCP）服务器是 AI 与企业应用之间标准化的访问层。它带有严格的治理模型、可审计性与安全性，帮助企业管理对内容和数据的访问。MCP 工具可以被治理，因此通过 MCP 经 API 端点访问内容可以符合企业既有政策。MCP 服务器的关键优势之一是每次工具调用都可追溯，可审计性有助于强制执行严格的企业文档工作流。
如果 AI 助手连接到多个 MCP 服务器，就需要加载完整的工具 schema，上下文会快速膨胀并消耗大量 token。另一个问题是，AI 助手不了解完成一个工作流所需的正确工具调用顺序，也可能不了解你的内部业务流程，因而无法在每一步都调用正确的工具。MCP 服务器的目标是通过多次非线性工具调用达成既定目标。因此需要明确：MCP 服务器解决了访问问题，却没有解决工作流问题。
Skills：MCP 无法提供的工作流智能
Skills 编码了你所在领域的隐性知识。Skills 文件包含你为岗位所用框架中每个组件的“是什么、为什么、怎么做”。对技术写作者而言，这些组件贯穿 DDLC 的所有模块。Skills 包含完成某一工作流、并符合既定业务流程的详细步骤，还明确覆盖命名规范、内容类型决策、评审步骤以及平台特有的细节。
Skills 由人类专家撰写，没有工程负担，基本以 Markdown 格式编写。与 MCP 服务器不同，Skills 用于 AI 在调用任何工具之前的推理。Skills 可复用、可移植，能跨多个任务和文档工作流被引用。
访问 vs. 引导：MCP 与 Skills 在不同层级运作
MCP 服务器与 Skills 运作在 AI 工作流的不同层级。MCP 服务器决定 AI 在能力层面“能做什么”，Skills 则解决 AI“应该做什么、何时做”。Skills 聚焦判断力。没有 Skills，配备 MCP 服务器的 AI 助手仍会调用错误的工具、遗漏某些步骤，或把通用逻辑套用到特定领域的工作上。没有 MCP 服务器，Skills 只是无法执行的指令。因此 MCP 服务器与 Skills 互补，二者形成闭环。
例如，若一名技术写作者需要在 Baklib 项目中创建一篇新的知识库文章，Baklib MCP 服务器便通过“创建文章”“创建分类”等工具，为 AI 助手提供对 Baklib 的访问权限；而 Skills 文件则指导 AI 助手使用哪种内容类型、遵循哪份风格指南、设置哪些元数据，以及如何组织草稿结构。
为什么 MCP 服务器与 Skills 的组合对技术文档如此重要
在技术写作中，实践对内容类型、信息架构、风格指南、业务术语、写作标准、图片格式及相关内容元数据都有强烈约定，而这些约定并不存在于任何工具 schema 中。如果技术写作者只使用 MCP 服务器，AI 生成的内容虽然会产生，但可能不符合风格指南与既定业务术语。Skills 编码了让技术文档在规模化时保持一致的写作标准。
MCP vs. Skills：两者有何区别
MCP 服务器与 Skills 文件运作在 AI 文档工作流的不同层级。对比如下：
维度 | MCP 服务器 | Skills 文件 |
|---|---|---|
主要角色 | 让 AI 访问业务应用 | 赋予 AI 工作流判断力与领域知识 |
层级 | 行动层：AI 能做什么 | 推理层：AI 应该做什么 |
格式 | 厂商定义的工具 schema | 领域专家编写的 Markdown 文件 |
由谁创建 | 工程团队/工具厂商 | 技术写作者或文档负责人 |
搭建成本 | 中等——需要服务器连接与身份验证 | 低——纯 Markdown，无工程负担 |
治理对象 | API 访问、工具调用、数据权限 | 内容类型决策、风格指南、命名规范、元数据 |
可复用性 | 绑定特定平台（如 Baklib、Confluence） | 可移植——跨任务与平台复用 |
Token 占用 | 高——将完整工具 schema 载入上下文 | 低——按需加载聚焦的 Markdown |
可审计性 | 高——每次工具调用均可追溯 | 低——属推理层，不在工具层记录 |
缺少它会怎样 | AI 无法创建、更新或检索内容 | AI 会行动，但决策错误——内容类型、分类错误，元数据缺失 |
企业治理 | 强——符合访问控制政策 | 互补——编码内部流程合规性 |
维护方 | 由厂商或工程团队管理 | 由技术写作团队负责 |
能否脱离另一方单独工作 | 不能——能行动但缺乏引导 | 不能——能推理但无法行动 |
MCP 或 Skills 单独都不够。MCP 赋予 AI 行动能力，Skills 赋予 AI 正确行动的判断力。二者结合，形成闭环。
技术写作 Skills 文件：一个真实示例
假设你想基于通过 Claude.ai 完成的研究创建一篇文档文章。如果你已编写好关于文章应如何撰写（写作标准、工作流、章节）的 Skills，Claude.ai 会在撰写内容前调用这些 Skills。
Skills 文件以纯 Markdown 编写，任何技术写作者都能撰写、编辑和维护。网上有许多免费的 Skills，你可以参考它们按需创建新的，也可以直接复用。
AI 如何借助 MCP + Skills 创建知识库文章
以下是技术写作者使用 AI 助手在知识库中发布文章时的完整工作流。开始前，你需要同时完成两件事：将 Baklib MCP 服务器连接到 Claude，并加载包含知识库文章创建工作流的 Skills 文件（内容类型规则、风格指南引用、命名规范、元数据要求等）。
第 1 步：触发——写作者向 AI 下达任务
技术写作者发送一条提示：
“在账号管理分类下创建一篇关于密码重置的新知识库文章。”
在 AI 触碰任何 MCP 工具之前，它会先读取 Skills 文件。这一读取步骤几乎不花成本，跳过它则代价高昂。
第 2 步：先进行 Skills 推理
此时尚未调用任何 MCP 工具，AI 完全依据 Skills 文件进行工作流判断。这就是推理层的作用：AI 遵循 Skills 文件所编码的、有据可查的隐性知识。没有这一步，AI 会直接进入工具调用，而完全不了解你的文档标准。
第 3 步：MCP 工具按正确顺序触发
只有在推理完成后，AI 才开始按正确顺序调用 Baklib MCP 工具。每次工具调用都有明确目的且可追溯。没有试错、没有冗余调用、没有回溯，因为 Skills 文件在第一个工具被调用前就已解决了所有决策。
第 4 步：输出——已发布的文章
结果不是一份交回给写作者清理的原始 AI 生成内容，而是一份分类正确、符合风格指南、元数据已填充、可供人工评审的草稿。这就是 MCP 与 Skills 的差别：MCP 赋予 AI 在 Baklib 中行动的能力，Skills 赋予 AI 正确行动的判断力。
拥抱 AI 的技术写作者的下一步
提交反馈
博客
