Home
Blog
MCP уже устарел? Настоящая причина, по которой Anthropic отправила навыки, и как использовать их в паре с Milvus

MCP уже устарел? Настоящая причина, по которой Anthropic отправила навыки, и как использовать их в паре с Milvus

Tutorials

November 19, 2025

Min Yin

За последние несколько недель на страницах X и Hacker News разгорелся удивительно жаркий спор: Действительно ли нам больше не нужны серверы MCP? Одни разработчики утверждают, что MCP чрезмерно инженерно проработан, требует много токенов и в корне не соответствует тому, как агенты должны использовать инструменты. Другие защищают MCP как надежный способ раскрытия реальных возможностей языковых моделей. В зависимости от того, какую тему вы читаете, MCP - это либо будущее использования инструментов, либо смерть по прибытии.

Разочарование вполне объяснимо. MCP предоставляет надежный доступ к внешним системам, но при этом заставляет модель загружать длинные схемы, подробные описания и обширные списки инструментов. Это увеличивает реальные затраты. Если вы загрузите стенограмму совещания и затем отправите ее в другой инструмент, модель может обрабатывать один и тот же текст несколько раз, увеличивая использование токенов без какой-либо очевидной пользы. Для команд, работающих в масштабе, это не неудобство - это счет.

Но объявлять MCP устаревшим преждевременно. Anthropic - та же команда, которая придумала MCP, - тихо представила нечто новое: Skills. Навыки - это легковесные Markdown/YAML-определения, которые описывают , как и когда следует использовать инструмент. Вместо того чтобы сбрасывать полные схемы в контекстное окно, модель сначала считывает компактные метаданные и использует их для планирования. На практике Skills значительно сокращает накладные расходы на токены и дает разработчикам больше контроля над оркестровкой инструментов.

Значит ли это, что Skills заменит MCP? Не совсем. Навыки оптимизируют планирование, но MCP по-прежнему предоставляет фактические возможности: чтение файлов, вызов API, взаимодействие с системами хранения или подключение к внешней инфраструктуре, например Milvus, векторной базе данных с открытым исходным кодом, которая обеспечивает быстрый семантический поиск в масштабе, что делает ее критически важным бэкэндом, когда вашим навыкам нужен реальный доступ к данным.

В этом посте мы рассмотрим, какие навыки хорошо работают, где MCP все еще имеет значение, и как они вписываются в развивающуюся архитектуру агентов Anthropic. Затем мы расскажем, как создать свои собственные навыки, которые легко интегрируются с Milvus.

Что такое навыки агентов Anthropic и как они работают

Давняя проблема традиционных агентов ИИ заключается в том, что инструкции стираются по мере развития беседы.

Даже при самых тщательно продуманных системных подсказках поведение модели может постепенно дрейфовать по ходу разговора. После нескольких поворотов Клод начинает забывать или терять ориентацию на первоначальные инструкции.

Проблема кроется в структуре системной подсказки. Это одноразовая статичная инъекция, которая конкурирует за место в контекстном окне модели, наряду с историей разговора, документами и любыми другими входными данными. По мере заполнения контекстного окна внимание модели к системной подсказке все больше ослабевает, что со временем приводит к потере согласованности.

Навыки были разработаны для решения этой проблемы. Навыки - это папки, содержащие инструкции, скрипты и ресурсы. Вместо того чтобы полагаться на статичную системную подсказку, навыки разбивают опыт на модульные, многократно используемые и постоянные наборы инструкций, которые Клод может обнаруживать и загружать динамически, когда это необходимо для выполнения задачи.

Когда Claude начинает выполнение задачи, он сначала проводит легкое сканирование всех доступных навыков, читая только их метаданные YAML (всего несколько десятков лексем). Эти метаданные содержат достаточно информации, чтобы Claude мог определить, имеет ли навык отношение к текущей задаче. Если да, то Claude расширяет полный набор инструкций (обычно менее 5 тыс. токенов), а дополнительные ресурсы или скрипты загружаются только в случае необходимости.

Такое постепенное раскрытие позволяет Claude инициализировать навык всего 30-50 токенами, что значительно повышает эффективность и снижает ненужные контекстные накладные расходы.

Как Skills сравнивается с Prompts, Projects, MCP и Subagents

Сегодняшний ландшафт инструментов моделирования может показаться переполненным. Даже в рамках одной только агентской экосистемы Claude существует несколько отдельных компонентов: Навыки, подсказки, проекты, субагенты и MCP.

Теперь, когда мы понимаем, что такое навыки и как они работают благодаря модульным наборам инструкций и динамической загрузке, нам нужно знать, как навыки связаны с другими частями экосистемы Claude, особенно с MCP. Вот краткое описание:

1. Навыки

Навыки - это папки, содержащие инструкции, скрипты и ресурсы. Claude обнаруживает и загружает их динамически, используя прогрессивное раскрытие: сначала метаданные, затем полные инструкции и, наконец, все необходимые файлы.

Лучше всего подходит для:

Организационных рабочих процессов (руководства по бренду, процедуры соблюдения требований).
Экспертиза (формулы Excel, анализ данных)
Личные предпочтения (системы ведения записей, шаблоны кодирования)
Профессиональные задачи, которые необходимо повторно использовать при общении (проверки безопасности кода на основе OWASP).

2. Подсказки

Подсказки - это инструкции на естественном языке, которые вы даете Клоду во время разговора. Они носят временный характер и существуют только в текущем разговоре.

Лучше всего подходят для:

разовых просьб (резюмирование статьи, форматирование списка)
Уточнения в разговоре (корректировка тона, добавление деталей).
Непосредственный контекст (анализ конкретных данных, интерпретация содержания)
Специальные инструкции

3. Проекты

Проекты - это автономные рабочие пространства с собственными историями чатов и базами знаний. Каждый проект предлагает контекстное окно объемом 200K. Когда объем знаний по проекту достигает пределов контекста, Claude плавно переходит в режим RAG, позволяя увеличить эффективную емкость в 10 раз.

Лучше всего подходит для:

Постоянный контекст (например, все разговоры, связанные с запуском продукта).
Организация рабочего пространства (отдельные контексты для разных инициатив)
Командное сотрудничество (в планах Team и Enterprise)
Индивидуальные инструкции (тон или точка зрения, характерные для конкретного проекта).

4. Субагенты

Субагенты - это специализированные помощники ИИ с собственными контекстными окнами, пользовательскими системными подсказками и особыми разрешениями на использование инструментов. Они могут работать независимо и возвращать результаты основному агенту.

Лучше всего подходят для:

Специализация задач (обзор кода, генерация тестов, аудит безопасности)
Управление контекстом (чтобы не отвлекаться от основного разговора).
Параллельная обработка (несколько субагентов одновременно работают над разными аспектами)
Ограничение инструментов (например, доступ только для чтения).

5. MCP (протокол контекста модели)

Протокол контекста модели (MCP) - это открытый стандарт, который соединяет модели ИИ с внешними инструментами и источниками данных.

Лучше всего подходит для:

доступа к внешним данным (Google Drive, Slack, GitHub, базы данных).
Использование бизнес-инструментов (CRM-системы, платформы управления проектами)
Подключение к средам разработки (локальные файлы, IDE, контроль версий)
Интеграция с пользовательскими системами (собственные инструменты и источники данных).

Исходя из вышесказанного, мы видим, что Skills и MCP решают разные задачи и работают вместе, дополняя друг друга.

Измерение	MCP	Навыки
Основная ценность	Подключение к внешним системам (базам данных, API, SaaS-платформам)	Определяет спецификации поведения (как обрабатывать и представлять данные)
Ответы на вопросы	"К чему может получить доступ Клод?"	"Что должен делать Клод?"
Реализация	Клиент-серверный протокол + JSON-схема	Markdown-файл + метаданные YAML
Потребление контекста	Десятки тысяч жетонов (многократное накопление на сервере)	30-50 токенов на операцию
Примеры использования	Запрос больших баз данных, вызов API GitHub	Определение стратегий поиска, применение правил фильтрации, форматирование вывода

В качестве примера рассмотрим поиск кода.

MCP (например, claude-context): Предоставляет возможность доступа к базе данных векторов Milvus.
Навыки: Определяет рабочий процесс, такой как приоритезация последнего измененного кода, сортировка результатов по релевантности и представление данных в виде таблицы Markdown.

MCP предоставляет возможности, а Skills определяет процесс. Вместе они образуют взаимодополняющую пару.

Как создавать пользовательские навыки с помощью Claude-Context и Milvus

Claude-Context - это MCP-плагин, который добавляет функциональность семантического поиска кода в Claude Code, превращая всю кодовую базу в контекст Claude.

Необходимые условия

Системные требования:

Node.js: Версия >= 20.0.0 и < 24.0.0
API-ключ OpenAI (для встраивания моделей)
Ключ APIZilliz Cloud (управляемый сервис Milvus)

Шаг 1: Настройте службу MCP (claude-context)

Выполните следующую команду в терминале:

claude mcp add claude-context \
  -e OPENAI_API_KEY=sk-your-openai-api-key \
  -e MILVUS_ADDRESS=https://xxxxxxxxx-cn-hangzhou.cloud.zilliz.com.cn \
  -e MILVUS_TOKEN=your-zilliz-cloud-api-key \
  -e COLLECTION_NAME=medium_articles \
  -- npx @zilliz/claude-context-mcp@latest

Проверьте конфигурацию:

claude mcp list

Настройка MCP завершена. Теперь Клод может получить доступ к базе данных векторов Milvus.

Шаг 2: Создание навыка

Создайте каталог Skills:

mkdir -p ~/.claude/skills/milvus-code-search
cd ~/.claude/skills/milvus-code-search

Создайте файл SKILL.md:

---
name: milvus-code-search
description: A semantic code search and architecture analysis skill designed for the Milvus codebase
---
## Instructions
When the user asks questions related to the Milvus codebase, I will:
1. Code Search : Use semantic search to locate relevant code snippets across the Milvus repository

2. Architecture Analysis : Analyze Milvus’s module structure, component relationships, and design patterns

3. Feature Explanation : Explain how specific features are implemented and how the corresponding logic works

4. Development Guidance : Provide suggestions, best practices, and improvement ideas for modifying the code
## Target Repository

Core Modules:

<span class="hljs-keyword">internal</span>/ — Core internal components
pkg/ — Public packages and utilities
client/ — Go client implementation
cmd/ — Command-line tools


## Usage Examples
### Architecture Query
User: How does Milvus’s query coordinator work?

Assistant: (searching for querycoordv2) Let me walk you through how the query coordinator operates in Milvus…
### Feature Implementation
User: How does Milvus implement vector indexing?

Assistant: (searching for index code) The vector indexing logic in Milvus is mainly implemented in the following modules…
### Code Understanding
User: What does this function do? (points to a specific file)  

Assistant: (analyzing the surrounding code) Based on the context of the Milvus codebase, this function is responsible for…
### Development Guidance
User: How can I add a new vector distance metric to Milvus?

Assistant: (searching for distance implementations) Following the existing pattern, you can add a new distance method by…
## Best Practices
1. Precise Search : Use specific technical terms and module names

2. Contextual Understanding : Interpret code within Milvus’s overall system architecture

3. Actionable Advice : Provide practical, implementation-ready suggestions

4. Performance Awareness : Consider Milvus’s requirements as a high-performance vector database

A custom code-search Skill tailored for the open-source Milvus vector database project.

Шаг 3: Перезапустите Claude для применения навыков

Выполните следующую команду, чтобы перезапустить Claude:

claude

Примечание: После завершения настройки вы можете сразу же использовать навыки для запроса кодовой базы Milvus.

Ниже приведен пример того, как это работает.

Запрос: Как работает Milvus QueryCoord?

Заключение

По своей сути навыки выступают в качестве механизма инкапсуляции и передачи специализированных знаний. Используя навыки, ИИ может унаследовать опыт команды и следовать лучшим отраслевым практикам - будь то контрольный список для проверки кода или стандарты документации. Когда эти неявные знания становятся явными с помощью файлов Markdown, качество генерируемых ИИ результатов значительно повышается.

В будущем способность эффективно использовать навыки может стать ключевым фактором, определяющим, как команды и отдельные сотрудники используют ИИ в своих интересах.

Пока вы изучаете потенциал ИИ в своей организации, Milvus является важнейшим инструментом для управления и поиска крупномасштабных векторных данных. Сочетание мощной векторной базы данных Milvus с такими инструментами искусственного интеллекта, как Skills, позволит вам улучшить не только рабочие процессы, но и глубину и скорость анализа данных.

У вас есть вопросы или вы хотите получить подробную информацию о какой-либо функции? Присоединяйтесь к нашему каналу Discord, чтобы пообщаться с нашими инженерами и другими инженерами по ИИ в сообществе. Вы также можете заказать 20-минутную индивидуальную сессию, чтобы получить знания, рекомендации и ответы на свои вопросы в Milvus Office Hours.