Skill、MCP、API 是什麼？三者差別與三層架構一次看懂

你用 Claude 或 Hermes Agent 一段時間之後，遲早會在某個討論串、某份文件、某個 GitHub repo 裡同時看到三個詞：API、MCP、Skill。三個都被說成「擴充 AI 能力的方法」，但每次去查又一頭霧水：API 是 OpenAI 那個 API 嗎？MCP 是不是另一個版本的 API？Skill 跟 GPTs 的 Skills 是同一個東西嗎？

這三個不是同一層的東西，而是疊在一起的三層架構：API 解決「怎麼呼叫模型與工具迴圈」；MCP 解決「外部工具與資料怎麼標準化接進 AI 應用」；Skill 解決「任務流程、專業規則與可重複做法怎麼被 agent 按需載入」。

這篇幫你把 Skill、MCP、API 的差別一次講清楚：每一層在做什麼，用 Anthropic 自己的官方比喻當地圖，最後給你一個判斷，看到任何「AI 工具」就知道它屬於哪一層。

Skill、MCP、API 各自是什麼？三句話講完最核心區分

先給你最完整的一張地圖。Skill、MCP、API 三層回答的是三個不同問題，先以 Claude 舉例。

API：怎麼呼叫 Claude？

API 是 Application Programming Interface 的縮寫，講白了就是程式跟程式之間的溝通管道。Anthropic 的 Claude API 是讓你的程式碼能直接打到 api.anthropic.com，送一段 messages 過去，模型回一段內容給你。

API 回答的是「存取」這件事，最底層、最通用，跟 AI 沒關係的服務也都有 API。裸用 Messages API 時，它只是模型存取管道；但 Claude API 本身也支援 tool use（工具呼叫，又稱 function calling）。差別在於：API 讓你自己定義並執行工具，MCP 則把「工具與資料來源怎麼被 AI 應用連接」標準化。

MCP：Claude 怎麼連到外面的世界？

MCP 是 Model Context Protocol 的縮寫，由 Anthropic 在 2024 年 11 月推出，之後快速被多個平台採用，包括 ChatGPT、Gemini、Microsoft Copilot、VS Code、Cursor 等。2025 年 12 月，Anthropic 將 MCP 捐給 Linux Foundation 旗下的 Agentic AI Foundation，讓它更像跨廠商的中立標準。它是一套標準協定，讓 Claude 能用一致的方式接上外部工具與資料來源，像 Gmail、Notion、Google Drive、Canva、資料庫、內部系統。

Anthropic 自己把 MCP 形容成「AI 應用的 USB-C 接口」，以前每個 AI 應用要接每個服務都得各做一套客製串接，現在大家講同一種接口，工具開發者寫一次 MCP server，所有支援 MCP 的 AI 應用（Claude.ai、Claude Code、ChatGPT 等）都能直接連上。

MCP 回答的是「連接」這件事，解決的是 M×N 整合地獄。

Skill：Claude 怎麼把某件事做對做好？

Skill 是 Anthropic 在 2025 年 10 月正式推出的功能，它是一包打包好的做事方法：一個 SKILL.md 寫好指令與流程，再加上支援它需要的腳本、範本、參考檔案。

關鍵設計是 progressive disclosure（漸進揭露）：Claude 不會把所有 Skill 的內容一次塞進 context，而是先讀每個 Skill 的描述（metadata），判斷這次任務用得到才把完整內容讀進來。你可以安裝很多 Skill，但 Claude 通常只會在任務相關時載入需要的 Skill 內容，因此能降低 context 壓力。

Skill 回答的是「知不知道正確做法」這件事。它不擴充 Claude 能連到什麼，它擴充 Claude 知道怎麼做什麼。

為什麼要拆成三層？用請員工的比喻一次理解

把 Claude 想成一個你請來上班的員工，三層的關係瞬間清楚：

API 是身體：你怎麼召喚這個員工？

API 是「你怎麼把他請來、怎麼派工給他」的那個溝通管道本身。沒有 API，這個員工根本不存在，你連叫他都叫不到。

所有在 Claude 上發生的事，底層都是 API 呼叫。Claude.ai 網頁版、Claude Code 終端機、Claude Desktop App，這些介面背後全是 API；你用程式 SDK 直接打 messages endpoint，也是 API。

MCP 是手：員工怎麼伸到外面世界？

MCP 擴充的是 Claude 的「手」，它能連到什麼、能動到什麼外部系統。

沒有工具、connector 或 API 整合時，Claude 只能根據既有 context 回答，不能真的操作 Gmail、Notion 或 Canva。MCP 的價值不是「唯一能連外部工具」，而是把這些連接標準化，降低每個 AI 應用各自重寫整合的成本。有了 MCP，他可以像插 USB-C 一樣，接上任何符合 MCP 規範的工具，操作外部系統。

Skill 是專業：這份工作怎麼做才對？

Skill 擴充的是 Claude 的「專業」，它知不知道某件事的正確做法、有沒有對應的 SOP、要照什麼步驟跑、輸出格式長什麼樣。

沒有 Skill，Claude 是個聰明但什麼公司流程都不懂的新員工，每次都得重新被教一遍。有了 Skill，他第一次來上班就知道你公司怎麼寫 Facebook 貼文、怎麼整理客戶 brief、怎麼跑你的工作流程，因為這些 SOP 已經被打包成 Skill 教過他了。

層級	本質	解決什麼問題	給誰用	實際例子
API	程式存取 Claude 模型的管道	讓程式叫得到模型	工程師、後端、Agent SDK 開發者	POST /v1/messages、SDK 呼叫、function calling
MCP	AI 連外部工具的標準協定	不用每個 AI 工具都重寫整合	Agent 開發者、工具供應商	Gmail、Notion、Google Drive、Canva connector
Skill	打包好的任務 SOP	讓 AI 穩定照同一套方法做事	使用者、團隊、Agent 設計者	行銷貼文語氣 Skill、客戶提案簡報 Skill

API 在做什麼？最底層的 Claude 模型存取管道

API 是三層裡最底層、也最通用的概念。API 是程式跟程式之間溝通的介面，IBM 對它的官方定義是「一組規則或協議，讓不同軟體應用彼此溝通、交換資料與服務」。

Claude API 怎麼用？最小可用範例

Anthropic 的 Claude API 主入口是 POST https://api.anthropic.com/v1/messages。你帶上 API key、指定模型（例如 claude-opus-4-7、claude-sonnet-4-6）、送一陣列 messages 過去，幾秒鐘後拿到模型回應。

所有 Anthropic 的官方 SDK（Python、TypeScript、Go、Java、Ruby）底層都是包裝這個 HTTP 端點，function calling（工具呼叫）、streaming（串流回應）、prompt caching（提示快取），全部都在 API 這一層提供。

API 解決什麼？只負責「存取」這一層

API 本身不自帶你的外部系統，但你可以透過 tools 參數把工具定義交給 Claude；MCP 則是更標準化的工具與資料接入協定。

所以只用 API 你能做到：純文字生成、摘要、翻譯、分類、寫程式片段、結構化資料抽取。一旦你想讓 Claude 真的「動到」外面的 Gmail、Notion、資料庫，或想讓 Claude「照你的標準流程」處理任務，光靠 API 就不夠了，這時就是 MCP 跟 Skill 上場。

你在哪裡碰過 API？比你以為的多

每次你在 Lovable、Cursor、Zapier、n8n、Make 裡選 Claude 當模型，背後全是 API 呼叫。每次你打 OpenAI、Google Gemini、xAI Grok，也都是 API。如果你寫過程式打 api.anthropic.com，那一條就是純粹的 API 用法。

MCP 是什麼？Claude 連到外部工具的標準協定

MCP（Model Context Protocol）由 Anthropic 在 2024 年 11 月推出，2025 年快速被多個平台採用，並在 2025 年 12 月捐給 Linux Foundation 旗下的 Agentic AI Foundation，成為更中立的跨廠商標準。官方把它形容成「AI 應用的 USB-C 接口」，這個比喻一聽就懂：以前每個 AI 工具要接每個外部服務都得各做一套客製整合，有了 MCP 就變成大家講同一種接口。

MCP 解決什麼？M×N 整合地獄怎麼變 M+N？

想像有 M 個 AI 應用（Claude、ChatGPT、Cursor、各家 agent），N 個外部服務（Gmail、Notion、Slack、Linear、Salesforce、內部資料庫）。沒有 MCP，要全部串起來得寫 M×N 套整合，每個 AI 應用都得自己對每個服務做一套客製串接。

有了 MCP，工具供應商寫一次 MCP server，所有支援 MCP 的 AI 應用都能直接連上；AI 應用寫一次 MCP client，就能對接所有 MCP server。M×N 變成 M+N，這就是「標準化的力量」。

MCP 怎麼運作？Host、Client、Server 三層架構

官方 MCP 規格用 host、client、server 三層架構，底層走 JSON-RPC 協定通訊。Host 是使用者直接互動的 AI 應用（Claude Desktop、Claude Code、Cursor）；Client 是 host 內部負責跟 MCP server 對話的元件；Server 是真正暴露工具與資料的程式，背後可能再去打外部 API。

MCP server 最核心會暴露三種 primitives（基礎元素）：

• Tools（工具）：可執行的動作，像「查資料」「建立任務」「發送郵件」「讀寫檔案」。
• Resources（資源）：可讀取的資料，像文件、表格、素材庫、內部知識。
• Prompts（提示）：預設提示詞或工作模板，幫使用者快速啟動某個任務。

你已經用過哪些 MCP？Canva、Notion、Google Drive connector

Claude.ai 網頁版的「Connectors」與 Claude Code 的 MCP servers，本質上全是 MCP server。當 Claude 幫你抓 Google Drive 檔案、建立 Notion 頁面、生成 Canva 設計、查 Gmail 信件，跑的就是 MCP。

這就是為什麼很多企業內部開始自己寫 MCP server：把公司內部的 Salesforce、SAP、自製後台、PDM、客戶資料庫，包成 MCP server，Claude（或任何符合 MCP 規範的 AI）就能直接操作這些系統，不用再為每個 AI 工具各寫一套整合。

Skill 是什麼？把做事方法打包給 Claude 的 SOP

Skill 是 Anthropic 2025 年 10 月正式推出的功能，它是一包打包好的任務 SOP。一個 Skill 至少有一個 SKILL.md 檔，裡面寫指令、流程、規則，再加上可選的腳本（scripts/）、範本（references/）、參考檔，全部塞進一個資料夾。

Skill 怎麼擴充 Claude？不增加能力，而是教正確做法

這是最容易被誤解的點。Skill 不直接授權 Claude 連到新的外部系統；外部系統存取仍要靠既有 tools、MCP、connector 或 API 權限。但 Skill 可以打包流程、指令、腳本、範本與參考資料，讓 Claude 在特定任務上具備更穩定、甚至更強的操作能力。

Skill 做的事是：把「這個任務要怎麼做才對」教給 Claude。例如你公司寫 Facebook 貼文有特定的開場句式、特定的排版邏輯、特定的禁用詞，這些都可以打包成一個 Skill，下次 Claude 接到「寫 FB 貼文」的任務就會自動讀進來照做，不用每次重新貼一遍規則。

SKILL.md 的 progressive disclosure 機制是什麼？

Anthropic 設計 Skill 時加了一個關鍵機制：progressive disclosure（漸進揭露）。Claude 不會把所有 Skill 的內容一次塞進 context，而是分階段載入。

每個 Skill 的 SKILL.md 開頭有一段 metadata（name、description），這個 metadata 永遠在 context 裡。Claude 每次接到任務時會先掃過所有 Skill 的 metadata，判斷「這次任務用得到哪一個」，才把完整內容讀進來。

這代表你可以安裝很多 Skill，但 Claude 通常只會在任務相關時載入需要的 Skill 內容，因此能降低 context 壓力。

自己寫一個 Skill 會長什麼樣？

我們科技翰林院內部有一個叫 techhanlin-write 的 Skill，內容是「怎麼寫一篇符合科技翰林院規格的文章」：包含 H1 字數限制、開場公式、不能用的詞彙黑名單、Rank Math FAQ block 怎麼寫、發布後必驗 8 項清單。

另一個 fb-mobile-post 教 Claude 怎麼把長文章排成適合手機閱讀的 Facebook 貼文，bd-email-from-card 教怎麼從一張名片照片產出一封商業開發信。這些 Skill 都不是新增 Claude 能連到哪裡，而是把「正確寫法與格式規則」教給 Claude，把資深員工的 know-how 變成可以重複套用的數位資產。

MCP 跟 Skill 到底差在哪？最常被搞混的維度

很多人會把 MCP 跟 Skill 混在一起，因為兩個聽起來都在「擴充 Claude 的能力」。但兩者解決的問題維度完全不同，一個負責橫向、一個負責縱向。

連接性跟程序性差在哪？兩個維度一次拆開

MCP 是「連接性」，管的是能不能動到外部系統。沒有 MCP，Claude 就只是個聊天機器人，動不到 Notion、Gmail、Google Drive。

Skill 是「程序性」，管的是知不知道正確做法。沒有 Skill，Claude 能連到 Notion，但每次都得你重新交代「我們公司的 Notion 頁面要怎麼建、用什麼模板、欄位怎麼填」。

Skill 跟 MCP 怎麼一起用？一個最好的證明

你完全可以寫一個 Skill，內容是「處理客戶 brief 的流程」，裡面包含三件事：先用某個 MCP 工具讀 Google Drive 的 brief 原檔、再用另一個 MCP 工具把整理結果寫進 Notion、最後用第三個 MCP 工具發 Slack 通知給專案經理。

這個 Skill 沒有自己開新的連接通路，它用的全是現有的 MCP server，但它定義了「順序、用哪幾個、什麼時候用、輸出格式」。MCP 是手，Skill 是知道「先伸哪隻手、再伸哪隻手」的肌肉記憶。它們是互補的，不是二選一。

三層怎麼疊？一個真實工作流程拆給你看

講概念太抽象，用一個真實場景把三層疊起來：你是廣告公司的創意總監，要幫客戶做一份品牌動畫提案。如果你把這套流程交給 Claude，三層會這樣分工：

第一層：你寫了一個「品牌動畫提案 Skill」

Skill 內容是你 13 年廣告動態設計的 SOP：先整理品牌定位、目標受眾、情緒關鍵字，再產 3 種視覺路線，每條路線包含主視覺、角色、鏡頭語言、動態節奏，最後輸出提案大綱、分鏡表、生成式影像 prompt、影片腳本。

第二層：Skill 指示 Claude 使用已授權的 MCP 工具

跑這個 Skill 時，Claude 需要讀客戶過去的品牌資料（Google Drive MCP）、查公司素材庫（自製素材庫 MCP server）、把分鏡與提案結果存進 Notion（Notion MCP）、最後生成 Canva 視覺草稿（Canva MCP）。

這些連接性的「手」全是 MCP 提供的，Skill 可以指示 Claude 在某個步驟使用指定 MCP 工具，但前提是該 MCP server 或 connector 已經被安裝、授權並啟用。

第三層：所有動作底層都是 API 呼叫

不管是 Claude 自己思考下一步、跑 Skill、用 MCP 工具，每一次模型運算的底層都是一次 Claude API 呼叫。MCP server 背後再去打外部服務的 API（Google Drive API、Notion API、Canva API）。

所以最終的調用鏈長這樣：你發指令 → Skill 啟動 → Claude 推理（API）→ MCP 工具呼叫 → MCP server 打外部 API → 結果回到 Claude → Claude 再推理（API）→ 下一步。這三層不是每個任務都必備，而是依任務複雜度逐步疊加：純模型任務只需要模型存取；需要外部資料或動作時加工具或 MCP；需要可複製的專業流程時再加 Skill。

企業主決策摘要：你該從哪一層開始？

看完三層架構，企業導入 AI 時，先問自己這三個問題：

想讓 AI 照公司方法做事？先做 Skill

如果你的痛點是「同事每次用 ChatGPT 寫東西品質都不穩、格式飄、用詞跟品牌調性差很多」，先做 Skill。把資深員工的 SOP（怎麼寫提案、怎麼回客戶、怎麼整理會議紀錄）打包成 Skill，新員工或 AI 第一天就能照標準走。

想讓 AI 接公司內部系統？先做 MCP

如果你的痛點是「AI 答得很厲害但都是泛泛之談，因為它讀不到我們的客戶資料、PDM、內部知識庫」，先做 MCP。把公司內部資料庫、客戶系統、ERP 包成 MCP server，AI 才能真的「看得到、動得到」內部資料。

想做自家 AI 產品？API + MCP + Skill 全要

如果你的痛點是「想做一個自家 AI 客服、AI 顧問、AI 助理產品」，三層全要：API 是底層的模型存取、MCP 是接公司資料與外部服務、Skill 是教這個產品「我們家的客服就是要這樣回」。真正可用的 AI 工作系統，從來不是只靠一層。

結論：搞懂這三層，AI 工具混淆就拆得開

Skill、MCP、API 不是三個互相競爭的工具，而是三種不同層級的能力。API 解決模型與工具迴圈怎麼被程式呼叫；MCP 解決外部工具與資料來源怎麼被標準化接入；Skill 解決任務流程、專業規則、腳本與參考資料怎麼被 agent 按需載入。

遇到任何號稱「擴充 AI 能力」的新工具或新名詞，先用三個問句套一遍：它在解決怎麼叫到模型的問題嗎？它在解決連到外面世界的問題嗎？它在解決把事情做對的問題嗎？答案會告訴你它屬於哪一層、跟你已有的工具會不會打架、要不要導入。

對台灣企業主來說，這個區分其實是個很好的切點。

如果問題是資料不夠新、不夠內部化，先檢查工具與資料接入，也就是 MCP、connector、RAG 或自建 API。

如果問題是流程、格式、語氣不穩，先把 SOP 打包成 Skill 或等效的工作流規格。

如果問題是推理能力不足，再考慮模型升級。

模型已經夠強了，問題通常在沒接到對的資料、沒寫對的 SOP。

對很多企業來說，先從 Skill 或單一 MCP 做小型試點，比一開始客製完整 AI 系統更容易控制成本與風險。

我們科技翰林院持續幫台灣企業主把這類技術名詞翻成「回辦公室可以用」的版本。如果你想搞懂自家公司應該從哪一層開始導入，歡迎來信討論。

---

推薦閱讀

MCP 是什麼？AI 巨頭全押注的萬能接口，告別傳統 API

科技翰林院怎麼用 Claude Code 終端機？8 個實戰設定全公開

AI 原生新創公司怎麼做？Anthropic Claude 創辦人行動指南

---

參考資料

Model Context Protocol (2025). “Introduction & Architecture”

Anthropic (2024). “Introducing the Model Context Protocol”

Anthropic (2025). “Equipping agents for the real world with Agent Skills”

Anthropic (2025). “Agent Skills overview”

Anthropic (2025). “Claude API Overview”

IBM (2024). “What is an API (Application Programming Interface)?”

---

FAQ