MCP 與 Skills 差在哪：一個給 AI 資料，一個教 AI 做法

想像你請了一個新人。他很聰明，學東西很快，但第一天什麼都不知道。 你要做兩件事：給他系統帳號，還有告訴他你們公司怎麼做事。

MCP 是給帳號，Skills 是教做法。 這就是全部的差別。剩下的都是細節。

MCP：讓 AI 拿得到外面的資料

AI 本身查不到實價登錄，也調不出謄本。它只知道訓練時讀過的東西，而且那些東西不會更新。

MCP 是一套接線的規格。有人把資料或功能架成一個 MCP 伺服器，你拿到一個網址，貼進 Claude.ai 或 ChatGPT，AI 就能去問它。 FUNRAISE MCP 就是這樣運作的：27 個台灣不動產資料源在我們這邊，你貼一個網址，AI 就查得到。

重點是「規格」兩個字。同一個網址，Claude.ai 能用，ChatGPT 能用，Claude Code 也能用。 你不用為每個 AI 各設定一次。

Skills：讓 AI 知道你這行怎麼做事

資料進來了，AI 還是不知道你要什麼。

你問它「幫我算這塊地的都更投報」，它會算，但容積獎勵抓幾成？售價用哪個區間？報告要分哪幾段？ 這些是你腦袋裡的規矩，AI 沒有。你第一次講清楚，它做得很好。第二次你得再講一次。第十次你會想放棄。

Skill 就是把這段話寫成檔案，讓 AI 每次自己去讀。 技術上它是一個資料夾，裡面有一份 SKILL.md，寫著什麼時候該用、要照什麼步驟做。 資料夾裡還可以放範本、試算表、腳本。

它有個設計很實用：平常只有一行描述在 AI 的記憶裡。 AI 判斷這次用得上，才會把整份讀進來。 所以你放十幾個 Skill 也不會拖慢每次對話。

兩個放在一起看

	MCP	Skills
解決什麼	AI 拿不到你公司外面的資料	AI 不知道你這行的規矩
長什麼樣	一個網址	一個資料夾，裡面有 SKILL.md
誰做的	通常是資料方，例如 FUNRAISE	通常是你自己或你們公司
放在哪	對方的伺服器，走網路連	你自己的電腦或帳號
不動產的例子	查實價登錄、調謄本、看建照、抓捷運距離	投審會報告格式、公司的估價慣例、紅旗清單

那我該用哪一個

問自己一句話：AI 缺的是資料，還是規矩？

• 缺資料就接 MCP。「信義區去年商辦成交均價多少」這種問題，資料不在對話裡，AI 猜不出來。
• 缺規矩就寫 Skill。「照我們的格式整理成 DD memo」這種要求，資料你可能已經有了，缺的是做法。

實務上多數人兩個都要。查完實價登錄還要照公司格式寫成報告，這一句話裡就同時用到了兩者。

界線有時候會模糊

台北市的分區容積查詢是個例子。 它做的是業界那套判斷：住三是 225%／45%，但住三之一要看臨路寬 —— 面寬滿 16 公尺才是 300%，不滿就比照住三。 這聽起來很像 Skill 該做的事，我們卻把它包成了 MCP 工具。

為什麼？因為我們希望每個人拿到的數字一致，也希望條件式的那些分區不會被含糊帶過。 包成工具，判斷邏輯在伺服器上，條件不明時它回 null 並告訴你還要查什麼，而不是給一個看起來合理的數。 寫成 Skill，好處是你自己就能改，但你的版本和同事的版本可能會不一樣。

所以真正的判斷點只有一個：這套做法該不該全公司一致。 該一致的，包成工具。每個人習慣不同的，寫成 Skill。

先做哪一個

先接 MCP。貼一個網址就好，十分鐘內你就能用中文問資料，馬上看得到差別。

Skills 等你發現自己在重複同一段交代的時候再寫。 那時候你已經知道要寫什麼了，寫起來也快。 在那之前就先寫 Skill，通常只是在猜自己需要什麼。

想看實際的工作流程長什麼樣，可以往下讀 MCP 中文教學， 或直接看 5 種角色怎麼用。