让 AI 自己建技能：skill-mcp 把 Skill 管理也交给 LLM

你有没有这种感觉——每次让 Claude 帮你处理任务，都要重新解释一遍工作流程？Prompt 复制粘贴一套一套的，累不累？

最近我发现了一个超前的思路，直接把「给 AI 建技能」这件事本身交给 AI 做——项目叫 skill-mcp，作者 fkesheh，用 MCP 协议把「Skill 管理」做成一个可以让 AI 自己操作的系统。

一句话解释它在干什么

skill-mcp 是一个 MCP Server，运行后在你的 AI 编程工具里新增了 5 个工具：

• create_skill — 告诉 AI「给我建一个处理数据的 Skill」，它自己创目录、写 SKILL.md、搭好架子
• read_skill / update_skill — 随时修改已有的 Skill 内容
• run_skill — 让 AI 直接执行某个 Skill 里的脚本，env 变量自动注入
• delete_skill — 清理不再需要的 Skill

整个流程不需要你手动建文件夹、编辑文件——全部通过对话完成。

这和传统的 Skill 有什么本质区别？

以前的流程是：你想新增一个技能 → 手动在 ~/.skill-mcp/skills/ 下建目录 → 写 SKILL.md → 写脚本 → 配置 env → 告诉 AI「我新增了这个 Skill」。

skill-mcp 把这个链路彻底反转了：你说「我要一个能调用天气 API 的 Skill」，AI 自动把目录建好、SKILL.md 写好、脚本准备好。你只需要手动把 API Key 填进 .env 文件——这一步出于安全原因，刻意不让 LLM 接触明文密钥。

安全设计很清晰：LLM 只能读取 .env 里的变量名，看不到实际值；脚本运行时通过环境变量注入，真正密钥始终在本地文件系统里。

技术实现上有意思的地方

项目用 Python 构建，严格遵循 MCP 协议规范。脚本支持 PEP 723 内联元数据格式，依赖声明写在脚本顶部，运行时会自动通过 uv 隔离安装——不需要你在系统里预先 pip install 任何东西。

执行模式走的是「代码生成 + 工具调用」的组合拳，正是 Anthropic 论文里论证过的 scaling 路径：与其让 Agent 对每个小操作做一次工具调用，不如让它写一段代码把多个 Skill 的能力组合起来，一次执行完。

项目测试覆盖率 86%，145 个测试用例全部通过，生产就绪状态。

适合谁用

如果你经常在 Claude/Cursor 里重复类似的复杂工作流（比如「取数据 → 处理 → 查天气 → 汇总输出」），与其每次重新写 prompt，不如建一个专属 Skill 然后让 AI 帮你管。skill-mcp 把这个过程从「手工操作」变成了「对话创建」，体验上了一个台阶。

作者在 README 里写得很清楚：这不是给普通用户用的，是给那些希望 AI 帮自己搭建自动化技能体系的高级用户准备的。

GitHub 链接贴在下面，29 颗星，项目很活跃，值得关注。

https://github.com/fkesheh/skill-mcp

GitHub: https://github.com/fkesheh/skill-mcp