【干货收藏】Claude Agent全组件解析：Skills、Projects、Subagents与MCP如何协同构建可扩展AI系统

本文详细解析Claude生态中的Agent体系架构，包括Prompt(瞬时输入)、Skills(固化技能)、Projects(长期记忆工作空间)、Subagents(独立执行单元)和MCP(数据连接层)五大组件。文章从软件工程角度阐述了各组件的功能边界与协同机制，通过对比表格帮助开发者选择合适工具，并以竞品调研智能体为例展示了如何构建完整的Agent系统，为构建企业级AI应用提供了架构参考。

自 Anthropic 在 2025 年底正式推出Skills（技能）功能以来，越来越多的开发者开始探索如何在 Claude 生态中构建更强大、可复用、结构化的智能体（Agent）工作流。然而，面对 Prompt、Projects、MCP、Subagents 等多个概念，很多开发者会困惑：“我到底该用哪个？它们之间是什么关系？”

本文将基于 Anthropic 官方最新发布的《Skills explained: How Skills compares to prompts, Projects, MCP, and subagents》从软件架构与工程实践的角度，深入解析 Claude 的 Agent 体系是如何被拆解、分层并重新组合的。

— 1 为什么仅靠 Prompt，Agent 注定无法规模化—

Prompt 本质上是瞬时输入

在最早的 LLM 应用阶段，Prompt 几乎承担了一切职责。我们在 Prompt 中描述任务背景、操作步骤、输出格式，甚至直接“手写”流程控制逻辑。这种方式在实验和 Demo 阶段是有效的，但一旦进入真实工程场景，问题会迅速暴露。

首先，以用户跟Claude进行交互场景为例，Prompt 本质上是用户当前对话中的**瞬时输入，**通常在当前会话中有效，当同一套指令需要反复输入时，不如转化为Skills。

其次，Prompt 缺乏结构化边界。复杂 Prompt 往往演化为“超长说明文档”，占用上下文窗口。Claude 在 Agent 体系中保留 Prompt，但非常明确地限制了它的职责边界：Prompt 只负责“此刻你想让 Agent 做什么”，而不负责“Agent 是谁、会什么、应该如何做事”。这一分工，是后续所有组件设计的前提。

— 2 Skills：把重复的指令变成固化的技能—

主要特征：渐进加载技能知识

Skills 的出现，本质上是一次能力工程化的尝试。

如果说 Prompt 是人类的即兴指令，那么 Skill 更像是提前编写好的操作手册、工作规范或专业指南。它并不是临时告诉 Claude“该怎么做”，而是让 Claude 在系统层面长期掌握某种做事技能。直白点就是：如果你发现自己在多个对话中反复输入相同的提示，那么是时候创建一个技能了。

技能是包含指令、脚本和资源的文件夹，Claude会在与任务相关时动态发现并加载这些内容。可以把它们看作是专门的培训手册，赋予Claude在特定领域专业知识

从工程角度看，Skill 解决的是一个非常关键的问题：如何让能力可复用，而不是让指令被复制。更重要的是，Claude 在 Skill 设计中引入了“渐进加载（Progressive Disclosure）”机制。这意味着，系统不会一次性把所有 Skills 的完整内容塞进上下文，而是先加载极少量的元信息，用于判断是否相关，只有在真正需要时才加载完整内容。

这背后体现的是一种非常成熟的系统设计理念：能力是常驻的，但上下文是按需消耗的。

— 3 Projects：为 Agent 提供“长期记忆”的工作空间—

本质：上下文容器

如果说 Skill 解决的是“Agent 会怎么做”，那么 Projects 解决的就是另一个同样关键的问题：Agent 所依赖的上下文是什么。

Claude针对其产品，将Projects定义为是自成一体的工作区，拥有自己的聊天记录和知识库。每个Projects都包含一个20万上下文窗口，您可以上传文档、提供上下文，并设置适用于该Project内所有对话的自定义指令。

Projects 为 Claude 提供的是针对某一具体工作对象的长期上下文，例如公司的代码库、一个研究项目，或正在进行中的客户合作；而 Skills 则是教会 Claude“如何做事”。举例来说，一个 Project 可以包含与你的产品发布相关的所有背景资料，而一个 Skill 则可以教会 Claude 你们团队的写作规范或代码评审流程。

如果你发现自己在多个不同的 Project 中反复复制同样的操作指令或规则说明，这通常就是一个明确信号：这些内容更适合被抽象为一个 Skill，而不是继续放在各个 Project 里重复维护。

Projects 的设计，实际上是把“知识库 + 对话历史 + 指令约束”打包成一个长期存在的工作空间。更进一步，当上下文接近极限时，Claude 会自动切换到 RAG 模式扩展容量，这使得 Project 在规模上具备现实可行性。

— 4 Subagents：职责清晰，能力不同—

特点：独立、独特

在很多系统中，“多 Agent”往往只是概念上的区分，底层仍然共享同一上下文和权限。Claude 的 Subagent 则完全不同，它更像是真正意义上的并行执行单元。

每一个 Subagent 都拥有：

独立的上下文窗口
独立的系统 Prompt
明确的工具访问权限

这使得 Subagent 非常适合承担职责清晰、风险可控的子任务，例如代码审查、安全分析或测试生成。

从工程角度看，Subagent 的价值在于两点：

第一，它解决了上下文污染的问题。主 Agent 可以保持高层逻辑清晰，而将细节工作下放给 Subagent。
第二，它为权限隔离提供了天然机制，例如让审查 Agent 只读代码，避免误操作。

值得注意的是，Subagent 并不是用来承载“通用能力”的。
如果某种知识或方法需要被多个 Subagent 共享，那么它应该被封装为 Skill，而不是复制到每个 Subagent 的系统 Prompt 中。

— 5 MCP ：万能的“数据连接层—

特点：独立、独特

无论 Agent 内部设计多么精巧，如果它无法稳定访问真实数据和工具，就永远只能停留在“对话助手”的层面。

MCP（Model Context Protocol）的定位非常清晰：
它不是能力，也不是知识，而是连接层。

通过 MCP，Claude 可以以统一协议访问：

企业内部文档系统
代码仓库
数据库
本地开发环境
各类业务系统

这在架构层面极其重要。MCP 的存在意味着，Agent 不再依赖一次性上传文件，而是可以持续、动态地感知真实世界的变化。

与此同时，MCP 与 Skill 的分工也非常明确：
MCP 负责“能不能连上系统”，Skill 负责“连上之后怎么用才是对的”。

— 6 一套完整的 Agent 操作系统—

当我们把这些组件放在一起看，会发现 Claude 实际上已经构建出了一套近似 Agent OS 的结构：

Prompt：即时控制接口
Skill：能力模块
Project：有状态的工作空间
Subagent：并行执行与职责隔离
MCP：与现实系统交互的 I/O 层

这种分层设计，使得 Agent 不再是“一个大 Prompt”，而是一个可以长期运行、持续演进、被工程化管理的系统。

比较：选择合适的工具

特性	Skills (技能)	Prompts (提示词)	Projects (项目)	Subagents (子智能体)	MCP (连接协议)
提供的内容	程序性知识（如何做）	即时/逐句指令	背景知识（已知信息）	任务委派（自主执行）	工具/数据连接性
持久性	跨对话持久	仅限单次对话	项目内持久	跨会话/会话间	持续性连接
包含要素	指令 + 代码 + 资源	自然语言	文档 + 上下文指令	完整的智能体逻辑	工具定义与接口
加载时机	根据需要动态加载	每轮对话加载	在项目中始终开启	被调用/触发时	始终可用
是否包含代码	是	否	否	是	是
最佳适用场景	专业领域知识（如：特定分析模型、编码规范）	快速、一次性请求（如：润色、简短摘要）	集中式上下文（如：产品路线图、团队文档库）	专项独立任务（如：代码审查、自动化测试）	数据访问（如：连接 Google Drive、GitHub、数据库）