تو پست قبلی MCP رو شناختیم — استاندارد ارتباطی AI با سرویسهای خارجی. این پست میرم سراغ Skill — یه روش جدیدتر و در بسیاری از کاربردها بهتر از MCP. توضیح میدم Skill چیه، چه فرقی با MCP داره، و کِی از کدوم استفاده کنیم.
مشکل MCP — چرا یه چیز جدید لازم شد؟
MCP فوقالعادهست، ولی یه محدودیت بزرگ داره: ساخت MCP server کار تکنیکاله. باید بشینی Python یا TypeScript کد بزنی، یه function calling بنویسی، با یه استاندارد خاص یه سرور کوچک بسازی. برای برنامهنویسها سخت نیست، ولی برای بقیه — غیرممکن.
به موازات MCP، یه ایدهی جدیدتر اومد:
اگه AI میتونه کتاب بخونه و یاد بگیره، چرا یه دستورالعمل بهش ندیم به جای یه سرور؟
Skill چیه؟
Skill در سادهترین حالت یه فایل متنی هست (معمولاً .md markdown) که به AI توضیح میده چطور یه کار خاص رو انجام بده. AI فایل رو میخونه، یاد میگیره، و بعد میتونه اون کار رو انجام بده.
مثال خیلی ساده:
# SEO Optimizer Skill
برای بهینهسازی SEO یک وبسایت، این مراحل رو طی کن:
1. کلمات کلیدی صفحه رو شناسایی کن
2. عنوان و meta description رو چک کن
3. ساختار H1, H2, H3 رو بررسی کن
4. سرعت لود صفحه رو با Lighthouse تست کن
5. backlink ها رو بررسی کن
برای هر مورد، یک نمره از ۱۰ بده و توصیه ارائه کن.
این یه Skill بسیار سادس. الان به Claude میگی «این سایت رو با SEO Optimizer Skill چک کن.» Claude اون فایل رو میخونه، میفهمه باید چه کاری بکنه، و انجامش میده.
فرق Skill با MCP
| Skill | MCP | |
|---|---|---|
| ساخت | کسی متن بنویسه کافیه | برنامهنویس باید کد بزنه |
| محتوا | متن (با کد همراه اختیاری) | کد + ارتباط با API |
| استفاده | AI متن رو میخونه | AI سرور رو call میکنه |
| بهترین برای | راهنمایی، روششناسی، فرآیند | اتصال به سرویس واقعی |
| سختی نگهداری | کم — فایل رو ادیت کن | متوسط — کد رو dependeb کن |
| portability | فایل رو share کن، تموم | باید سرور up باشه |
خلاصه: اگه میخوای AI یه کار رو خوب انجام بده، Skill. اگه میخوای AI به یه سرویس وصل بشه، MCP.
مثال عملی: Design System Skill (تجربهی Luzia)
تو شرکت Luzia یه design system داریم — قواعد طراحی، رنگها، فونتها، component ها. تا قبل از Skills، اگه میخواستم با Claude یه prototype بسازم، باید هر بار توضیح میدادم «رنگ اصلی این، فونت اون، دکمهها این شکلی…»
دیزاینر تیم ما رفت، تمام design system رو به یه فایل markdown تبدیل کرد — اسمش گذاشت luzia-design.md. تو همین فایل توضیح داد:
- پالت رنگی (هر hex)
- typography (سایز فونتها برای H1, H2, body)
- spacing system (۴، ۸، ۱۶، ۳۲ pixel)
- component patterns (button، card، modal)
- تن صدای محصول
این فایل رو به همهی تیم شیر کرد. هر برنامهنویس / vibe coder تو Slack دانلودش کرد، به Claudeش اضافه کرد.
نتیجه؟ الان هر کسی تو تیم یه MVP میسازه، خروجی همیشه روی برندِ Luziaـه. بدون اینکه هر بار design system رو توضیح بده. Skill طوری کار کرد که کل تیم یه design language واحد دارن — بدون اینکه کسی Figma باز کنه.
نصب Skill در Claude
دو راه:
روش ۱: دستی (یه بار)
- برو https://claude.com/settings/capabilities
- Skills → Upload Skill → یه فایل
.zipانتخاب کن (که شامل فایل.mdو هر چیز همراهش باشه)
روش ۲: خودکار با AI
Claude در حال حاضر این قابلیت رو داره که خودش بره Skill رو پیدا کنه و install کنه. بهش بگو «دانلود کن این Skill رو از https://[link]» — میره، دانلود میکنه، نصب میکنه.
Skill Marketplace — چی هست؟
تو اینترنت سرچ کن «claude skills» — صدها Skill رایگان آماده برای استفاده پیدا میکنی:
- SEO Optimizer — بهینهسازی وبسایت
- Code Reviewer — ریویوی کد قبل از merge
- Email Writer — نوشتن ایمیل با تن متفاوت
- Skill Creator (خود Claude Skills، یه Skill برای ساخت Skillهای جدیده!)
- Design System specific to popular libraries (Material، Tailwind، shadcn)
تو خود Anthropic SDK page لیست رسمی Skills رو ببین.
رابطهی Open Code با Skills
اگه پست Open Code رو خوندی، یه نکتهی مهم: یکی از دلایل اصلی محبوبیت Open Code، Skills بود. قبل از اینکه Anthropic رسمی Skills رو معرفی کنه، Open Code از قبل ایدهی مشابه (instruction files) رو ساپورت میکرد. بعد که Skills استاندارد شد، Open Code یکی از اولین ابزارایی بود که کاملاً ساپورتش کرد.
CLI — یه روش سوم که اغلب فراموش میشه
علاوه بر MCP و Skills، یه روش سومی هم هست که خیلی قدرتمنده ولی کم در موردش حرف میزنیم: CLI (Command Line Interface).
اکثر سرویسها یه CLI tool دارن:
– Jira → jira CLI
– GitHub → gh CLI
– AWS → aws CLI
– Stripe → stripe CLI
چرا CLI با AI خوب کار میکنه؟ چون AI کدنویس (Claude Code، Codex، Open Code) خودش توی ترمیناله. میتونه دستور jira issue create رو ران کنه، خروجی رو بخونه، و کارش رو ادامه بده.
اگه برای یه سرویس CLI موجود باشه، من شخصاً CLI رو به MCP ترجیح میدم. چرا؟
- CLI همیشه آپدیته — شرکت سازندهش maintain میکنه
- CLI پرقابلیت — هر چیزی که از سرویس میشه گرفت
- AI با ترمینال راحته — هیچ overhead نداره
- No auth setup — اگه CLI خودش login داره (مثل
gh auth login)، AI استفاده میکنه
برای Jira مخصوصاً، من CLI > MCP. نتیجهی بهتری میگیرم.
کِی از کدوم استفاده کنیم؟ — راهنمای عملی
| کار | بهترین گزینه |
|---|---|
| اتصال به Spotify | MCP (یا اپن سورس MCP server) |
| اتصال به Gmail | MCP |
| اتصال به Jira/GitHub | CLI (اگر موجود) |
| طراحی روی برند خاص | Skill (یه فایل md با قواعد) |
| یاد دادن یه روششناسی به AI | Skill |
| اپلیکیشن طراحی (Figma) | MCP |
| کنترل کامپیوتر خودت | Local MCP (مثل Chrome MCP) |
| رفع باگهای SEO | Skill (با راهنمای متنی) |
جمعبندی
- Skill = فایل متنی که به AI میگه چطور یه کار رو انجام بده
- سادتر از MCP — هر کسی میتونه بسازه، فقط متن نوشتن کافیه
- پرکاربردترین برای روششناسی، design system، فرآیندهای شرکتی
- MCP برای اتصال به سرویسهای واقعی (Gmail، Spotify)
- CLI برای کنترل ترمینالی (Jira، GitHub، AWS)
- Skills + MCP + CLI = سه ابزار مکمل، نه رقیب
میتونی هر سه رو همزمان داشته باشی. انتخاب درست برای کار درست = خروجی بهتر.
بعدی چیه؟
تو پستهای بعدی این سری:
- ساخت یه Skill اختصاصی از صفر برای یه نیاز خاص
- مقایسهی Skill marketplace ها و بهترین Skillsی که تا الان موجوده
- ستآپ کامل Jira CLI + Claude برای productivity تیمی
سوال داری یا یه Skill خاص ساختی؟ تو کامنت بگو.
دیدگاهتان را بنویسید