Claude Code 五大核心概念完全对比：Skills vs Prompts vs Projects vs MCP vs Subagents
在使用 Claude Code 的过程中，你是否曾经困惑：Skills、Prompts、Projects、MCP、Subagents 这五个概念到底有什么区别？什么时候该用 Skills，什么时候该用 Subagents？MCP 和 Skills 又该如何选择？这些问题困扰着许多开发者、产品经理和企业用户。
本文将为你提供一个清晰的对比框架，基于 Anthropic 官方文档和社区最佳实践，帮助你快速理解这五个核心概念的本质差异。你将获得：官方权威定义、六维对比表格、可视化决策流程图、使用场景矩阵、组合使用模式，以及企业级最佳实践建议。
无论你是刚开始接触 Claude Code 的新手，还是希望优化现有工作流的进阶用户，这篇完整对比指南都将帮助你做出正确的技术选型决策。
核心概念快速理解 - 五个功能一次搞懂
在深入对比之前，让我们先通过官方定义和易懂的中文类比，快速理解这五个概念的本质。
Skills - 可重用的专业知识包
官方定义：Skills 是包含指令、脚本和资源的文件夹，Claude 会根据任务相关性动态发现并加载这些知识。（来源：Anthropic 官方博客 - Skills Explained）
核心特征：
- 动态加载：Claude 自动扫描并在需要时激活
- 跨对话持久：在所有对话中都可用
- 程序性知识：包含"如何做事"的专业知识
- 高效 Token 使用：约 100 tokens 元数据扫描，激活时少于 5k tokens
中文类比：Skills 就像培训手册。当你给员工一本详细的操作手册，他们就能在需要时查阅并按标准流程执行任务。Claude 的 Skills 也是如此——给 Claude 提供专业知识，它就能在所有对话中自动应用这些能力。
典型使用场景：品牌写作规范、代码风格检查、Excel 公式生成、PDF 表单填写、数据分析流程（详见Claude Skills 完全指南）
Prompts - 即时自然语言指令
官方定义：Prompts 是你在对话中提供给 Claude 的自然语言指令，具有短暂性和反应式特点。（来源：Anthropic 官方博客）
核心特征：
- 单次对话：仅在当前对话轮次有效
- 即时性：立即提供指令和上下文
- 无持久化：不会保存到未来对话
- 自然语言：无需特殊格式或配置
中文类比：Prompts 就像口头指令。当你临时需要某件事时，直接告诉 Claude "总结这篇文章" 或 "让语气更专业"，就像给同事下达一个即时任务。
典型使用场景：文章总结、语气调整、翻译请求、临时数据分析、探索性问题
Projects - 项目知识库
官方定义：Projects 是独立的工作空间，每个项目包含自己的聊天历史和 200K tokens 的上下文窗口知识库。（来源：Anthropic 官方博客）
核心特征：
- 项目隔离：每个项目有独立的上下文和历史
- 持久化背景知识：项目内所有对话共享知识
- 大容量上下文：支持 200K tokens 的文档和信息
- 团队协作：可以共享项目上下文
中文类比：Projects 就像项目文件夹。当你启动一个新项目，会创建专门的文件夹存放所有相关文档、规范和上下文信息，团队成员都能访问这些共享知识。
典型使用场景：长期产品开发、技术文档管理、团队协作项目、大量文档引用
MCP - 外部工具连接协议
官方定义：Model Context Protocol (MCP) 是一个开放标准，用于连接 AI 助手与外部系统（内容仓库、业务工具、数据库、开发环境）。（来源：Anthropic 官方博客、Wikipedia）
核心特征：
- 开放标准：跨平台、跨供应商的统一协议
- 工具集成：连接 Google Drive、Slack、GitHub、数据库等
- 持续连接：服务器始终可用
- 较高 Token 开销：例如 GitHub MCP 约消耗 46k tokens（来源：Stack Overflow 社区讨论）
中文类比：MCP 就像USB 接口。就像 USB 接口让你的电脑连接各种外部设备（硬盘、打印机、摄像头），MCP 让 Claude 连接各种外部工具和数据源。
典型使用场景：Google Drive 文件访问、Slack 消息管理、GitHub 代码查询、数据库操作、CRM 系统集成
Subagents - 专业 AI 助手
官方定义：Subagents 是具有独立上下文窗口、自定义系统提示和特定工具权限的专业 AI 助手，在 Claude Code 和 Claude Agent SDK 中可用。（来源：Anthropic 官方文档 - Subagents）
核心特征：
- 独立上下文：每个 subagent 有自己的独立对话窗口
- 工具权限隔离：可以精确控制每个 subagent 的工具访问权限
- 任务委托：独立处理任务并返回结果
- Token 倍增：三个活跃 subagents 约消耗 3-4 倍 tokens（来源：社区最佳实践论坛）
中文类比：Subagents 就像专职员工。当任务复杂时，你会委派给专门的员工（如代码审查专员、测试工程师），他们有自己的工作空间和权限，独立完成任务后向你汇报结果。
典型使用场景：代码审查、自动化测试、安全审计、多阶段工作流编排、并行任务处理（详见如何使用Claude Code Subagents）
通过这五个易懂的类比，你应该对每个概念有了初步认识：Skills 是培训手册、Prompts 是口头指令、Projects 是项目文件夹、MCP 是 USB 接口、Subagents 是专职员工。接下来，我们将深入对比它们的技术差异。
全面对比分析 - 六维深度对比
为了帮助你全面理解这五个概念的差异，我们基于 Anthropic 官方博客的对比表格，扩展增加了**"Token 效率"**这一关键维度，形成六维对比框架。
核心对比表格
| 维度 | Skills | Prompts | Projects | MCP | Subagents |
|---|---|---|---|---|---|
| 提供内容 | 程序性知识 | 即时指令 | 背景知识 | 工具连接 | 任务委托 |
| 持久性 | 跨对话 | 单次对话 | 项目内 | 持续连接 | 跨会话 |
| 包含内容 | 指令+代码+资源 | 自然语言 | 文档+上下文 | 工具定义 | 完整 agent 逻辑 |
| 加载时机 | 动态按需 | 每轮 | 项目内始终 | 始终可用 | 调用时 |
| 可执行代码 | 是 | 否 | 否 | 是 | 是 |
| Token 效率 | 高（~100+<5k） | 低 | 中等（200K） | 低（~46k） | 中（3-4x） |
数据来源：基于 Anthropic 官方博客对比表格，Token 效率数据来源于官方博客、Stack Overflow 社区讨论和社区最佳实践论坛。
技术特性对比
激活方式差异：
- Skills：自动扫描元数据（~100 tokens），匹配任务时自动激活
- Prompts：用户手动输入，每轮对话提供
- Projects：项目内所有对话自动加载（200K 上下文始终可用）
- MCP：服务器持续连接，工具始终可用
- Subagents：显式调用（通过命令或编程方式）
上下文管理模式：
- Skills：与主对话共享上下文，但不污染主窗口
- Prompts：完全在主对话上下文中
- Projects：项目级别隔离，项目内共享
- MCP：全局可用，无上下文隔离
- Subagents：完全独立上下文窗口，防止主对话污染
权限控制机制：
- Skills：通过
allowed-tools字段精确控制工具访问权限 - Prompts：无权限控制概念，使用主 Claude 的所有权限
- Projects：无独立权限控制，使用项目级别权限
- MCP：全局工具权限，所有对话可用
- Subagents：通过
tools字段自定义工具列表，实现权限隔离
适用范围：
- Skills：全局（所有对话、Claude Code、API）
- Prompts：当前对话
- Projects：项目内所有对话
- MCP：全局（配置后所有会话）
- Subagents：特定任务调用
性能和成本对比
Token 使用效率详解：
-
Skills（最高效）：
- 元数据扫描：~100 tokens（识别相关 Skill）
- 完整激活：<5k tokens（加载完整指令）
- 脚本和资源：仅在需要时加载
- 官方数据来源：Anthropic 官方博客 - Skills Explained
-
Prompts（低开销）：
- 仅消耗对话内容本身的 tokens
- 无额外开销，但无持久化
-
Projects（中等容量）：
- 200K tokens 上下文窗口
- 项目内始终加载，适合大量文档引用
- 官方数据来源：Anthropic 官方博客
-
MCP（高开销）：
- GitHub MCP 服务器：约 46k tokens
- 每个 MCP 服务器都有 token 开销
- 多个服务器叠加可能导致 token 爆炸
- 社区数据来源：Stack Overflow 社区讨论
-
Subagents（倍数增长）：
- 三个活跃 subagents：约 3-4 倍主对话 token 消耗
- 每个 subagent 独立上下文窗口
- 社区数据来源：社区最佳实践论坛
配置复杂度排序：
从简单到复杂：Skills（Markdown 文件） < Projects（项目设置） < Prompts（无需配置） < Subagents（YAML 配置文件） < MCP（服务器配置、传输协议）
学习曲线分析：
- Prompts（最低）：立即上手，自然语言即可
- Skills（低）：学习 YAML frontmatter 和 Markdown 格式
- Projects（低-中）：理解项目上下文管理
- Subagents（中）：理解独立 agent 概念和配置
- MCP（最高）：学习协议规范、服务器配置、安全管理
实际性能影响：
根据 Young Leaders Tech 的实证研究，代码精简对性能有显著影响：将 skill-creator-agent 从 803 行精简到 281 行（减少 65%），评分从 62/100 提升到 82-85/100。这说明代码清晰度优于代码冗余，在设计 Skills 和 Subagents 时应遵循简洁原则。
决策框架：何时使用什么功能
面对五个功能选项，如何快速做出正确决策？以下是基于 Anthropic 官方建议和社区最佳实践优化的决策流程。
五步决策流程
**如何选择合适的 Claude Code 功能？**遵循这个决策流程：
-
是否需要重复使用这个能力？
- 否 → 使用 Prompts（一次性口头指令，最简单直接）
-
是否需要访问外部数据或工具？（如 Google Drive、数据库、Slack）
- 是 → 使用 MCP（外部系统集成的最佳选择）
-
是否需要大量项目背景知识？（如产品文档、技术规范）
- 是 → 使用 Projects（200K 上下文知识库）
-
是否需要独立执行复杂工作流？（如代码审查、多阶段任务）
- 是 → 使用 Subagents（独立上下文和权限隔离）
-
否则 → 使用 Skills（跨对话的程序性专业知识）
权威来源：基于 Anthropic 官方博客决策建议和 Young Leaders Tech 社区决策树优化。
决策流程图（文字描述）
开始：我需要完成一个任务
│
├─ 问题1：这个任务需要重复执行吗？
│ ├─ 否 → 使用 Prompts
│ │ 示例："总结这篇文章" "翻译成英文" "优化这段代码"
│ │ 优势：最简单，立即生效，无需配置
│ │
│ └─ 是 → 问题2：是否需要访问外部数据或工具？
│ ├─ 是 → 使用 MCP
│ │ 示例：Google Drive 文件、Slack 消息、GitHub 代码、数据库查询
│ │ 注意：Token 开销较高（~46k/服务器），谨慎使用
│ │
│ └─ 否 → 问题3：是否需要大量项目背景知识（>50页文档）？
│ ├─ 是 → 使用 Projects
│ │ 示例：产品需求文档、API 规范、设计文档、会议记录
│ │ 优势：200K 上下文，项目内共享
│ │
│ └─ 否 → 问题4：是否需要独立执行复杂工作流（多步骤/并行任务）？
│ ├─ 是 → 使用 Subagents
│ │ 示例：代码审查 → 测试生成 → 文档更新（三阶段流水线）
│ │ 优势：独立上下文，权限隔离，任务专注
│ │ 注意：Token 消耗 3-4 倍，适合复杂任务
│ │
│ └─ 否 → 使用 Skills
│ 示例：品牌风格检查、代码规范、Excel 公式、PDF 填写
│ 优势：自动激活，Token 高效（<5k），跨对话可用
使用场景矩阵
以下是每个功能的最佳使用场景和不适合场景，帮助你快速判断。
Skills 最佳场景：
- ✅ 品牌和合规：品牌写作规范、合规流程检查、法律文档模板
- ✅ 办公自动化：Excel 公式生成、PDF 表单填写、数据分析流程
- ✅ 开发规范：代码风格检查、API 文档生成、commit message 规范
- ✅ 知识管理：笔记系统管理、研究方法应用、文献引用格式
- ❌ 不适合：一次性任务、项目特定背景知识、需要外部数据访问的任务
Prompts 最佳场景：
- ✅ 即时请求："总结这篇文章" "让语气更专业" "翻译成英文"
- ✅ 对话优化：调整回答风格、补充上下文、澄清需求
- ✅ 探索性任务：头脑风暴、创意生成、问题探讨
- ✅ 临时分析：一次性数据分析、快速代码解释
- ❌ 不适合：需要重复执行的标准化任务（应升级为 Skill）
Projects 最佳场景：
- ✅ 长期项目：产品开发项目、研究课题、书籍写作
- ✅ 团队协作：共享项目上下文、统一知识库、协作文档
- ✅ 大量文档：API 文档、技术规范、会议记录、设计文档
- ✅ 持续优化：根据项目进展不断更新背景知识
- ❌ 不适合：跨项目通用能力（应使用 Skills）、临时任务（应使用 Prompts）
MCP 最佳场景：
- ✅ 外部平台集成：Google Drive、Slack、GitHub、Jira、Notion
- ✅ 数据源连接：数据库查询（PostgreSQL、MySQL）、API 调用
- ✅ 业务系统：CRM 系统（Salesforce）、项目管理（Asana）、监控平台
- ✅ 开发环境：文件系统访问、终端命令、构建工具
- ❌ 不适合：内部知识管理（考虑 Skills）、简单任务（token 开销太高）
Subagents 最佳场景：
- ✅ 独立工作流：代码审查（只读权限）、测试生成、安全审计
- ✅ 多阶段任务：需求分析 → 架构设计 → 代码实现 → 测试验证
- ✅ 并行处理：同时处理多个独立子任务并汇总结果
- ✅ 权限隔离：限制某个 agent 只能使用特定工具（如只读 vs 可写）
- ❌ 不适合：简单任务（避免 token 倍增）、需要完整主对话上下文的任务
决策优先级总结：
- Token 效率优先：如果关注成本，优先选择 Skills > Prompts > Projects，谨慎使用 Subagents 和 MCP
- 功能需求优先：如果需要外部数据，MCP 是唯一选择；需要独立工作流，Subagents 最合适
- 复杂度平衡：新手从 Prompts 和 Skills 开始，进阶后使用 Projects 和 Subagents，最后考虑 MCP
组合使用模式 - 1+1>2 的协同效应
单独使用每个功能已经很强大，但将它们组合起来能产生更大的协同效应。以下是四种经过验证的组合模式。
Skills + Subagents - 专业能力 + 任务隔离
模式说明：Subagent 可以使用 Skills 获得特定领域的专业能力，同时保持独立上下文和权限隔离。
实际案例：
- 代码审查 Subagent + 语言特定最佳实践 Skill：
- Subagent 专注于代码审查任务（只读权限，不能修改代码）
- 使用 Python 编码规范 Skill、JavaScript 最佳实践 Skill 等
- 结果：专业化审查 + 权限隔离 + 跨语言支持
配置示例：
# code-reviewer.md (Subagent)
allowed-tools:
- Read
- Grep
- Glob
# 注意：无 Write/Edit 权限，确保只读审查
# Subagent 会自动匹配相关的代码规范 Skills
优势分析：
- 专业化执行（Skill 提供专业知识）
- 独立上下文（Subagent 不污染主对话）
- 工具权限隔离（只授予必要权限）
- 可重用性（Skills 跨所有 Subagents 可用）
官方推荐：Anthropic 官方博客明确指出，这是推荐的组合模式。
Projects + Skills - 背景知识 + 专业能力
模式说明：Projects 提供项目特定的背景知识（如产品需求、API 规范），Skills 提供可重用的专业能力（如品牌风格、代码规范）。
实际案例：
- 产品开发项目 + 品牌风格 Skill：
- Projects：产品 PRD、用户调研报告、竞品分析（项目特定知识）
- Skill：品牌 tone of voice 指南、视觉设计规范（跨项目可用）
- 结果：项目背景 + 一致品牌输出
优势分析：
- 集中上下文：Projects 管理"这个项目是什么"
- 一致性保障：Skills 管理"如何做事情"
- 知识复用：Skills 可用于多个项目
- 团队协作：团队成员共享项目上下文和通用 Skills
适合场景：长期项目开发、团队协作、需要保持品牌/技术一致性的工作
MCP + Skills - 外部数据 + 处理逻辑
模式说明：MCP 提供外部数据访问能力，Skills 提供处理这些数据的专业知识和逻辑。
实际案例：
-
GitHub MCP + 代码分析 Skill：
- MCP：连接 GitHub 仓库，访问代码、issues、PRs
- Skill：代码质量分析流程、安全漏洞检查清单、性能优化规则
- 结果：数据访问 + 专业分析
-
Google Drive MCP + 文档处理 Skill：
- MCP：访问 Google Docs、Sheets、Slides
- Skill：文档格式化规范、数据清洗流程、报告生成模板
- 结果：文件访问 + 标准化处理
⚠️ 重要提醒：注意 Token 开销管理
- GitHub MCP：~46k tokens
- Skills：<5k tokens
- 总计：~51k tokens
- 建议：只在确实需要外部数据时使用此组合，否则考虑将数据下载后使用 Skills 处理
优势分析：
- 数据连接：MCP 打破数据孤岛
- 专业处理：Skills 提供标准化处理逻辑
- 自动化：无需手动下载/上传数据
完整技术栈 - 企业级最佳实践
三阶段流水线模式（PubNub 企业级实践）：
根据 PubNub 工程博客的最佳实践，企业级开发工作流可以采用三阶段 Subagents 流水线：
阶段 1：PM-spec Subagent（需求规范）
- 职责：将用户需求转化为结构化规范，提出澄清问题
- 使用 Skills：需求分析模板、用户故事格式规范
- 输出状态：
READY_FOR_ARCH
阶段 2：Architect-review Subagent（架构审查）
- 职责：验证设计符合约束条件，生成架构决策记录（ADR）
- 使用 Skills：架构模式库、技术选型决策树、安全检查清单
- 输出状态：
READY_FOR_BUILD
阶段 3：Implementer-tester Subagent（实现和测试）
- 职责：编写代码、运行测试、更新文档
- 使用 Skills：编码规范、测试模式、文档模板
- 使用 MCP：GitHub（代码提交）、测试框架集成
- 输出状态：
DONE
完整组合公式：
Projects（项目背景知识）
+ Skills（可重用专业能力）
+ MCP（外部工具集成）
+ Subagents（任务编排和执行）
= 企业级完整技术栈
真实收益：
- 质量提升：标准化流程（Skills）+ 专业审查（Subagents）
- 效率提升：自动化工作流（Subagents 链）+ 知识复用（Skills）
- 可追溯性：每个阶段独立上下文，清晰的状态转换
- 团队协作：共享 Projects 和 Skills，统一标准
⚠️ Token 管理提醒：
- 三个 Subagents：约 3-4x tokens
- 多个 MCP 服务器：每个 ~46k tokens
- 多个 Skills：每个 <5k tokens
- 建议：监控 token 消耗，优化 Skill 代码，限制同时激活的 Subagents 数量
常见问题解答（FAQ）
Q1: Skills 和 Subagents 的本质区别是什么？
A：Skills 是"培训手册"，让 Claude 获得跨对话的可重用能力；Subagents 是"专职员工"，在独立上下文中执行特定任务并返回结果。
详细解释：核心差异在于能力增强 vs 任务委托。Skills 增强主 Claude 的能力（让它"学会"某个技能），而 Subagents 创建独立的专业助手（委托给它处理任务）。Skills 与主对话共享上下文，Subagents 有独立上下文窗口。
实际应用：如果你希望 Claude 在所有对话中都能按品牌风格写作，使用 Skills；如果你需要独立的代码审查流程（不污染主对话），使用 Subagents。
Q2: 为什么专家说 Skills 比 MCP 更受欢迎？
A：技术专家 Simon Willison 指出，Skills 更简洁（Markdown 文件 vs 复杂协议），token 效率更高（<5k vs ~46k），配置更简单（单个文件 vs 服务器配置）。
详细解释：
- 简洁性：Skills 本质是 Markdown 文件，无需学习复杂协议；MCP 需要理解客户端-服务器架构、传输协议、安全管理
- Token 效率：Skills 约 5k tokens，MCP 服务器约 46k tokens（以 GitHub MCP 为例）
- 配置难度：Skills 创建一个 SKILL.md 即可；MCP 需要配置服务器、管理作用域、处理认证
专家观点：Simon Willison 在博客中写道："Claude Skills are awesome, maybe a bigger deal than MCP"（Claude Skills 很棒，可能比 MCP 更重要）。
使用建议：对于内部知识管理（品牌规范、代码风格、流程模板），优先使用 Skills；只有在确实需要外部数据访问时才使用 MCP。
Q3: Projects 和 Skills 可以一起使用吗？
A：可以且推荐！Projects 提供项目特定的背景知识（200K 上下文），Skills 提供可重用的专业能力（跨所有对话）。两者互补：Projects 管理"这个项目是什么"，Skills 管理"如何做事情"。
详细解释：
- Projects 的作用：存储项目 PRD、API 文档、会议记录等项目特定信息
- Skills 的作用：提供品牌风格、代码规范、文档模板等通用能力
- 协同效应：在项目内对话时，Claude 同时使用项目背景知识和相关 Skills
实际案例：产品经理创建"移动 App 项目"（Projects），包含产品需求文档；同时激活"品牌 tone of voice"（Skill）和"用户故事模板"（Skill）。结果：输出符合产品需求 + 品牌风格 + 标准格式的文档。
Q4: Subagents 可以使用 MCP 工具吗？
A：需要显式配置。默认情况下 Subagents 不继承 MCP 工具，必须在 subagent 的 tools 字段中明确指定，或者省略 tools 字段以继承所有工具（包括 MCP）。
详细解释：
# 方式 1：显式指定 MCP 工具（推荐，最小权限原则）
tools:
- Read
- Grep
- github_search # MCP 工具需要明确列出
# 方式 2：省略 tools 字段（继承所有工具，包括 MCP）
# 注意：可能带来安全风险，不推荐
# 方式 3：不配置（默认，不继承 MCP 工具）
allowed-tools:
- Read
- Grep
# 此时无法使用 MCP 工具
最佳实践：遵循最小权限原则，只授予 Subagent 完成任务所需的必要工具。如果某个 Subagent 需要 GitHub 数据，显式添加 github_search 工具；如果不需要，不要授予权限。
Q5: 何时应该将 Prompt 升级为 Skill？
A：当你发现自己重复输入相同指令超过 3 次时，就应该将其升级为 Skill。
判断标准：
- ✅ 重复性：同一指令在不同对话中重复使用
- ✅ 标准化：任务有明确的流程或规范（如品牌风格检查、代码审查清单）
- ✅ 持久性：未来长期需要这个能力
- ✅ 一致性：需要保持输出的一致性（如文档格式、代码风格）
转化示例：
Prompt（重复输入）：
请按照我们的品牌风格检查这篇文章：
- tone of voice 专业但友好
- 避免使用行话
- 使用主动语态
- 段落不超过 3 句话
升级为 Skill（自动激活）：
---
name: brand-voice-checker
description: Check content against brand voice guidelines. Use when reviewing marketing copy, blog posts, or customer communications.
---
# Brand Voice Guidelines
Check all content against these criteria:
- Tone: Professional yet friendly
- Avoid jargon; explain technical terms
- Use active voice
- Limit paragraphs to 3 sentences
- Use "you" to address readers directly
收益：无需重复输入，Claude 自动识别需要品牌检查的内容并应用规范，保持一致性。
Q6: 如何优化 Token 使用避免成本爆炸？
A：优先级排序为 Skills（最高效 <5k） > Projects（中等 200K） > Subagents（谨慎使用 3-4x） > MCP（避免过多服务器 ~46k/个）。
Token 优化策略：
-
Skills 优先（最高效）：
- 元数据扫描仅 ~100 tokens
- 完整激活 <5k tokens
- 精简代码，遵循"代码清晰度 > 冗余"原则
-
限制 Subagents 数量（倍数增长）：
- 三个 Subagents ≈ 3-4x tokens
- 只在复杂工作流时使用
- 单一职责原则：每个 Subagent 一个明确目标
-
谨慎添加 MCP 服务器（高开销）：
- 每个服务器 ~46k tokens（如 GitHub MCP）
- 只添加确实需要的服务器
- 考虑用 Skills 替代简单数据访问
-
Projects 合理管理（200K 限制）：
- 定期清理过时文档
- 优先级高的文档放在前面
- 避免超出 200K 限制导致截断
实证数据：Young Leaders Tech 研究表明，代码精简 65%（803 行 → 281 行）可提升性能 33%（评分 62 → 82-85）。应用到 Skills 设计：简洁 > 冗长。
监控建议：
- 使用 Claude Code 的 token 使用统计功能
- 定期审查激活的 Skills 和 MCP 服务器
- 移除不常用的 Subagents 和 MCP 配置
Q7: 中文用户有什么特殊注意事项？
A：Skills 和 Subagents 完全支持中文指令和文档，可以用中文编写 SKILL.md 和 SUBAGENT.md。MCP 配置文档主要为英文，建议参考中文社区教程。
中文使用指南：
- Skills 中文支持：
---
name: 中文品牌风格检查
description: 检查中文内容是否符合品牌语调。当审查市场文案、博客文章时使用。
---
# 品牌语调指南
检查所有中文内容：
- 语调：专业但亲切
- 避免过度使用英文术语
- 使用主动语态
- 段落不超过 3 句话
- Subagents 中文支持：
# 中文代码审查.md
name: 中文代码审查
description: 专门审查中文注释和文档的代码审查助手
allowed-tools:
- Read
- Grep
- Glob
-
MCP 中文注意：
- 官方 MCP 文档主要为英文
- 建议参考中文社区教程（如本文"相关资源"部分）
- 配置文件可以包含中文注释
-
Claude 中文理解：
- Claude 对中文的理解能力与英文相当
- 无需特殊优化或提示词工程
- 中文和英文可以混合使用（如技术术语保留英文）
实际体验：本文全部采用中文撰写，包含的所有概念、决策框架、最佳实践都适用于中文环境。中文用户可以放心使用 Claude Code 的所有功能。
实战建议和最佳实践
基于 Anthropic 官方文档、PubNub 企业实践和 Young Leaders Tech 性能研究，以下是经过验证的实战建议。
新手入门路径
如果你刚开始使用 Claude Code，建议按以下顺序学习：
第一步：熟悉 Prompts（立即上手）
- 从自然语言对话开始
- 尝试各种任务：总结、翻译、代码解释、头脑风暴
- 理解 Claude 的能力边界
- 时间投入：1-2 天
第二步：创建第一个 Skill（提升效率）
- 识别重复性任务（如代码审查清单、文档格式规范）
- 学习 YAML frontmatter 和 Markdown 格式
- 创建简单的 Skill（50-100 行）
- 测试自动激活效果
- 时间投入：3-5 天
- 推荐阅读：Claude Code最佳实践完全指南
第三步：设置 Projects（组织知识）
- 为长期项目创建独立空间
- 上传项目文档、规范、会议记录
- 理解 200K 上下文窗口的使用
- 时间投入：1-2 天
第四步：配置简单 MCP 服务器（扩展能力）
- 从文件系统 MCP 开始（最简单）
- 尝试 Google Drive 或 GitHub MCP
- 学习服务器作用域管理
- 时间投入：5-7 天
第五步：尝试创建 Subagent（高级工作流）
- 识别需要独立执行的复杂任务
- 学习 SUBAGENT.md 配置格式
- 实践权限管理（allowed-tools）
- 尝试 Subagent 链（多阶段工作流）
- 时间投入：7-10 天
总学习时间：约 2-4 周完整掌握所有功能
进阶优化策略
Token 优化：
- 优先级排序：Skills > Prompts，避免同时激活过多 MCP 服务器和 Subagents
- Skills 精简：遵循"少即是多"原则，一个 Skill 聚焦一个能力
- MCP 管理：只添加确实需要的服务器，定期审查和移除不用的服务器
- Subagents 限制：同时激活的 Subagents 不超过 3 个
代码精简（实证数据支撑）： 根据 Young Leaders Tech 的性能研究：
- 实验数据：skill-creator-agent 从 803 行精简到 281 行（减少 65%）
- 性能提升：评分从 62/100 提升到 82-85/100（提升 33%）
- 核心原则：代码清晰度 > 代码冗余
应用建议：
- 移除不必要的注释和说明
- 简化复杂逻辑，使用清晰的函数命名
- 删除冗余代码和重复逻辑
- 保持每个 Skill/Subagent 单一职责
权限管理（最小权限原则）：
- Subagents 使用
allowed-tools只授予必要工具 - 代码审查 Subagent：只给 Read/Grep/Glob（无 Write/Edit）
- 测试生成 Subagent：可以给 Write（生成测试文件）
- 避免省略
tools字段（会继承所有工具，包括 MCP）
单一职责原则（PubNub 企业实践）：
- 每个 Subagent 一个明确目标
- 避免"万能 Subagent"（功能混杂导致效率低下）
- 示例：
- ✅ 好：
code-reviewer（专注代码审查） - ❌ 差：
dev-assistant（混合审查、测试、文档、部署）
- ✅ 好：
三阶段流水线（企业级工作流）： 基于 PubNub 最佳实践：
- PM-spec：需求 → 结构化规范
- Architect-review：规范 → 架构设计 + ADR
- Implementer-tester：设计 → 代码 + 测试 + 文档
每个阶段独立 Subagent，清晰的输入/输出，状态明确（READY_FOR_ARCH → READY_FOR_BUILD → DONE）。
常见陷阱避免
陷阱 1：过度使用 MCP 导致 Token 爆炸
- ❌ 错误做法：添加 5+ 个 MCP 服务器（GitHub、Google Drive、Slack、Notion、Jira）
- ⚠️ 后果：每个 ~46k tokens，总计 ~230k tokens，严重影响性能和成本
- ✅ 正确做法：
- 只添加确实需要的 MCP 服务器
- 评估是否可以用 Skills 替代（内部知识管理场景）
- 考虑下载数据后用 Skills 处理，而不是持续 MCP 连接
陷阱 2：Subagents 继承问题
- ❌ 常见误解：Subagents 会自动继承 MCP 工具和 Skills
- ⚠️ 实际情况：
- MCP 工具：默认不继承，需显式配置
tools字段 - Skills：Subagents 可以使用 Skills，但需要匹配 Skill 的激活条件
- MCP 工具：默认不继承，需显式配置
- ✅ 正确做法：
# 显式配置需要的工具 tools: - Read - Grep - github_search # MCP 工具需要明确列出
陷阱 3：Projects 200K 限制管理不当
- ❌ 错误做法：无限制添加文档，导致超出 200K 限制
- ⚠️ 后果：上下文截断，重要信息丢失
- ✅ 正确做法：
- 定期清理过时文档
- 优先级排序：核心文档在前
- 使用摘要代替完整文档（当文档过长时）
- 监控上下文使用量
陷阱 4：Skills 描述不清晰导致无法自动激活
- ❌ 错误做法：
description: "A skill for code" # 过于模糊 - ⚠️ 后果：Claude 无法判断何时激活，Skill 闲置
- ✅ 正确做法：使用 WHEN + WHEN NOT 模式
description: "Check Python code against PEP 8 style guide. Use WHEN reviewing Python files or receiving code review requests. DO NOT use for other languages or general questions."
陷阱 5：工具权限泄露
- ❌ 错误做法：省略
tools字段（继承所有工具）# 没有配置 tools 字段 allowed-tools: - Read - ⚠️ 后果：
- Subagent 继承所有 MCP 工具，可能带来安全风险
- 无意中授予了不需要的权限
- ✅ 正确做法：显式配置，遵循最小权限原则
# 明确列出所有需要的工具 tools: - Read - Grep - Glob # 如果不需要 MCP 工具，不要添加
相关资源
官方文档：
- 📖 Claude Code Skills 官方文档
- 📖 Claude Code Subagents 官方文档
- 📖 Claude Code MCP 集成指南
- 📖 Skills Explained - 官方博客深度对比
权威分析：
- 🎯 Model Context Protocol - Wikipedia
- 💡 Simon Willison: Claude Skills are awesome, maybe a bigger deal than MCP
企业最佳实践：