如果只从这篇带走一件事：先诊断，再落地

如果只从这篇带走一件事：先诊断，再落地一、三层，一眼看懂二、MCP 和 SKILL，各是什么三、一条判断线：你缺的是什么四、最容易踩的四个坑最后

搭 AI 工作台，最贵的错误不是买错工具，是先买工具、再想场景。等工具上了、预算花了，才发现真正卡住的地方根本不在这里。

所以如果只从这篇带走一件事，就是那句：先诊断，再落地。 而在诊断之前，得先把结构看清。企业 AI 工作台＝底座（治理层）＋连接层（MCP）＋能力层（SKILL）。 MCP 和 SKILL 不是同一层的两个竞品，是一个结构里的两层。

"工作台"不是一个软件，是一个把三层装进同一个日常入口的形态：

▸ 底座（治理层）：管门和规矩。统一入口、统一身份与权限、统一审计与可观测、能力挂载位。

▸ 连接层：管连出去的手，当前主流标准是 MCP（Model Context Protocol，模型上下文协议）。

▸ 能力层：管装进去的方法，当前主流格式是 SKILL（Agent Skills，能力包）。

术语钉死："工作台"是这三层的总称（整体），"底座"只指其中最下面那一层，两个词不能混着用。

底座最容易被跳过，但它管的四件事决定了后面管不管得住：人只进一个门（统一入口）、权限按岗位配还是共用一把超级钥匙（统一身份与权限）、出偏差能不能回溯（统一审计与可观测）、加新能力要不要动已有连接（能力挂载位）。顺一句："统一入口"是建在企业已经在用的那个工具里，不是另外新建一个 App。

MCP 向外连。 它由 Anthropic 在 2024 年 11 月提出并开源，是一套开放标准。三个角色：Host（宿主应用）、Client（连接器）、Server（服务端）；三类能力：数据资源、提示模板、工具函数；协议基于 JSON-RPC 2.0。没有它的时候，M 个 AI 应用要接 N 个系统，就得做 M 乘 N 次单独对接。常被比作"AI 应用的 USB-C 接口"。

SKILL 向内封。 它由 Anthropic 开发、2025 年作为开放标准发布，核心是一个文件夹加一个 。它采用三级按需加载：元数据启动时加载（每个技能只占几十个 token），指令在命中相关任务时加载，资源和代码真正要用到时才加载。全量塞进上下文还是按需加载，直接影响成本。

SKILL.md

两者互补，不是替代。有个灰色地带值得说破：一个叫"查客户系统并写跟进纪要"的能力包，它站在两层之上。SKILL 管"怎么做"，MCP 管"够得着"，一个 SKILL 完全可以描述一个多步流程，中间调用若干个 MCP 工具。真实形态往往不是"MCP 或 SKILL"，而是"一个 SKILL 站在几个 MCP 连接之上"。

采购时可以直接问：MCP 问"客户端部署在哪、Server 由谁来写"；SKILL 问"全量加载还是按需加载、能不能纳入版本管理"。

▸ 核心痛点是"AI 读不到内部数据、用不了系统工具"？缺连接，先补连接层。

▸ 核心痛点是"AI 答得不对、不符合流程规矩"？缺方法，先做能力封装。

▸ 两个都缺？别两边同时铺开，先跑一个最小场景：一个岗位的一个高频任务，最多涉及两个系统。

举个具体场景：要让 AI 自动处理客户投诉工单，人从统一入口进来只看到自己权限内的工单（底座），读得到工单系统和知识库（连接），按这家公司"怎么判优先级、怎么回话"的规矩办事（能力封装）。三层都用上，但每一步都可以先按最小规模来。

一条分支要说在前头：单人偶尔用、任务一次性的，先不搭。 用现成工具就够，这套结构是给"多人、多系统、要重复办同一类事"的企业准备的。

▸ 把"工作台"当采购项目（高发于立项阶段）。症状：软件买回来装上就以为事做完了，上线三个月没几个人用。机制：只买了底层的工具，没做数据连接、没沉淀方法。买回来的是底座，工作台是底座再加上你自己那两层。 对策：立项时就把连接和方法沉淀的工时算进去。

▸ 只连工具，不沉淀方法（高发于实施阶段）。症状：工具接了一堆，换个新人用结果完全不一样。机制：连接解决的是"够得着"，但"怎么做"还留在几个熟手脑子里。对策：每上线一个连接，配一份对应的能力包。

▸ 一上来就全量铺开（高发于规划阶段）。症状：想一次把所有系统都接完，结果几个月过去，没一条链路真正跑通。机制：每多接一个系统，就多一份权限梳理、多一组数据校验，风险是相乘的，不是相加的。对策：先跑一个最小场景，跑通再复制。

▸ 权限和兜底没定义（高发于运营阶段）。症状：AI 能看什么、能改什么、能批什么没定清楚，出了问题没人担责。机制：权限没按岗位配，兜底路径也没写。对策：权限按岗位配，兜底路径写进流程。

还有三项隐性成本最容易被漏算，也一并记下：数据与权限梳理的人力、方法沉淀的工时、持续维护与回归成本。预算只算技术工具、没算这三项，是很多项目半途停下的真实原因。

有一条公开案例可以参考：据公开报道，上海家化的 AI 数字员工已铺到 9 个部门，整体平均提效 4.5 倍（来源：腾讯云官方公众号 2026-08-27）。这个倍数出自这家企业自己的统计口径，不能当通用预期；值得看的是背后的结构厚度，9 个部门意味着连接不止一根、能力不止一个。

最后记一条底座可替换原则：工具、底座、产品都可以换，真正要留下的资产，是你自己的连接标准、能力包和场景理解。

回到那句：先诊断，再落地。顺序上先想清楚你缺的是连接还是方法，再决定钱往哪一层投。

缺连接先搭连接层，有流程没沉淀先做能力封装，两个都缺先跑一个最小场景。 如果你的情况是单人偶尔用、任务一次性，那就先不搭。