Claude 智能体生态系统指南
Claude 的“智能体”（agentic）功能越来越强大，随着 Skills（技能）的推出，用户开始关注其生态系统中各个组件的角色与协作方式
Projects（项目）
付费计划专属的自包含工作空间，拥有独立聊天历史、200K 上下文窗口和知识库
工作机制
- 可上传文档作为知识库，Claude 在项目内所有对话均可访问
- 接近上限时自动启用 RAG（检索增强生成），有效扩展上下文
- 支持自定义项目指令，适用于所有子对话
适用场景
- 需要持久背景知识的项目（如产品发布、研究专题）
- 团队协作（共享知识库）
- 为特定领域设定统一语气、视角或方法
示例：创建一个“Q4 产品发布”项目，上传相关文档，设置指令“从产品策略角度分析竞争对手，提出差异化建议”。所有后续对话自动遵循
Skills（技能）
Skills 是一个“文件夹”，包含指令、脚本和资源文件。Claude 在处理任务时会动态扫描并加载相关 Skills
工作机制
- 采用渐进披露设计：先加载元数据（约 100 tokens）判断相关性，再加载完整指令（通常 < 5k tokens），脚本或文件仅在必要时加载。
- 这避免了上下文窗口被无关内容占满
适用场景
- 需要持久、一致的专业能力时
- 公司品牌指南、合规流程、领域专家知识（如 Excel 高级操作、PDF 处理）
- 个人偏好（如编码风格、笔记系统）
优势：可复用、可移植，多个对话或子智能体都能共享
示例：创建一个“品牌指南”Skill，包含颜色、字体、布局规范。此后所有生成内容自动遵守标准，无需重复说明
MCP（Model Context Protocol）
一种开放标准协议，用于将 Claude 连接到外部工具和数据源（如 Google Drive、GitHub、数据库、CRM）
作用
- 提供持久的外部数据访问，而非每次手动上传
- 类比互联网时代的 HTTP/API，是 AI 时代的“连接器”
与 Skills 的关系：
- MCP 负责连接与数据获取（原子能力）
- Skills 负责处理逻辑与流程（SOP 化指导） 两者互补：MCP 提供工具，Skills 指导如何使用
适用场景：需要频繁访问外部系统或集成企业工具时
Subagents（子智能体）
拥有独立上下文、系统提示和工具权限的专用助手。主要在 Claude Code 或 Agent SDK 中使用
适用场景
- 任务专业化（如代码审查、测试生成）
- 隔离复杂子任务，保持主对话简洁
- 并行处理或限制工具权限（例如只读不写，提高安全性）
与 Skills 的区别：
- Subagents 更像“专属员工”，适合特定工作流
- Skills 更像“通用教材”，适合跨对话共享专业知识
Prompts（提示词）
对话中直接输入的自然语言指令，短暂且对话式
适用场景
- 一次性任务（如总结文章）
- 实时调整（如“语气更专业”）
- 临时上下文或格式要求
特点：不跨会话持久化。如果同一类指令频繁重复，建议升级为 Skill 或 Project 指令
各组件如何协同
- Project 提供持久上下文和知识库
- Skills 注入可复用的专业知识和处理规范
- MCP 连接外部实时数据源
- Subagents 分担专业子任务
- Prompts 用于实时微调
实际案例
《构建竞争情报智能体》
- 创建 Project，上传历史报告，设置统一分析指令
- 创建 “竞争分析” Skill，定义文档检索策略和输出模板
- 通过 MCP 连接 Google Drive 和 Web 搜索
- 设置两个 Subagents：市场研究员（趋势分析）和技术分析师（产品对比）
- 用户只需一个 Prompt 启动：“分析前三大竞争对手的 AI 功能，找出突破机会”
结果：Claude 自动协调多源数据、专业方法、子任务分工，输出结构化、高质量报告
总结建议
- 持久项目上下文 → 用 Projects
- 重复性专业知识 → 封装为 Skills（最高复用性）
- 外部工具集成 → 用 MCP
- 任务隔离与并行 → 用 Subagents
- 临时调整 → 用 Prompts
合理组合这些模块，能大幅提升 Claude 在个人效率、企业流程、复杂代理工作流中的表现。未来随着生态成熟，更多标准化工具与 Skills 将进一步简化智能体构建