Skills与MCP本地部署实战：让AI编程工具自己完成配置

AI逆向系列教程放出后，不少人想动手实操，却在最开始的环境搭建阶段卡住。案例是用来学习思路的，环境才是实操的基础——没有搭好本地环境，所有案例都只能停留在观看层面。这篇教程以 OpenCode 为例，拆解 Skills 与 MCP 的本地部署流程，核心思路是：把配置这件事交给 AI 自己完成。

Skills 到底是什么

很多新手对 Skills 的概念比较模糊。用一句话概括，Skills 就是「任务边界 + 工具习惯 + 产物模板 + 验收标准」，本质上是一份写给 AI 的说明书。

你把别人的经验，或者自己的经验，整理成一套标准化的流程文档，AI 以后遇到同类问题时就会按照说明书走对应流程。这也是 Skills 最大的价值所在——很多 Skills 出自资深从业者之手，凝结了他们的实战经验。你直接拿来用，相当于把大佬的工作方法「拓印」了一份，之后做立项、实现需求都可以照着流程执行。

简单说，Skills 解决的是「AI 该怎么做」的问题，它规范了 AI 的行为路径和产出标准，让原本发散的能力变得可控、可复用。

用 AI 配置 Skills，比手动更靠谱

很多人一听到「配置 Skills 和 MCP」就觉得麻烦，担心要手动改一堆文件。但在有了 AI 编程工具之后，这个环节完全可以交给 AI。

具体做法很直接：准备好一套 Skills 目录，把路径直接告诉 AI，让它「把这些 Skills 配置到 OpenCode 中」即可。如果你用的是 Codex、Claude Code 等其他工具，配置逻辑几乎一样，只需要把提示词里的工具名称改成你实际使用的那个，其余不用做任何改动。

为什么推荐让 AI 来配？手动配置时，你面对的很多文件可能根本看不懂，容易出错；而 AI 扫一遍目录结构就能识别每个文件的用途，直接对应写入配置。相比人工调试，AI 的准确率反而更高。

配置过程中，AI 会先检查当前 OpenCode 的配置位置和已有配置，确认这些 Skill 应该以什么形式接入，避免覆盖现有内容。它会保留原有的模型权限和 agent 设置，只追加 Skill 搜索路径，再逐个检查目录是否符合 Skill.md 的结构要求。整个过程大约两分半就能完成。

保守接入 vs 激进接入

这里有两种接入方式。保守方式是让 AI 在 opencode.json 中新增一个外部路径引用，指向你的 Skills 目录，不复制文件本体。激进方式则是直接把整套 Skills 复制到 OpenCode 的本地配置目录里，让工具自行扫描使用。

两种都可行。教程中采用的是外接路径的方式，好处是原始文件与工具配置解耦，管理更清晰。配置完成后重启 OpenCode，在 Skill 选择列表里就能看到刚接入的那些 Skill，直接可用。

opencode.json 是 OpenCode 的核心配置文件，通常位于用户主目录下的 .opencode/ 文件夹中。它以 JSON 格式存储工具的全局设置，包括模型权限、Agent 行为策略、Skills 搜索路径以及 MCP 服务注册信息等。采用外接路径引用的方式时，AI 只会在该文件中写入一条指向 Skills 目录的路径声明，原始 Skill 文件保持在原位不动；而激进方式则会将文件物理复制到 .opencode/skills/ 这类默认扫描目录下。前者的优势在于，当你更新或维护 Skills 内容时，只需修改原始目录，无需同步多份副本，降低了版本不一致的风险。

MCP 是什么，和 Skills 有何不同

MCP 与 Skills 是两个不同维度的东西。如果说 Skills 让 AI「知道怎么做」，那 MCP 就是让 AI「从会说变成能执行」——它相当于给 AI 提供一套可以实际操作的工具。

举个例子：AI 想要接入浏览器，去获取鼠标移动轨迹、调用堆栈、做插桩处理，这些操作都需要通过浏览器 MCP 来实现。有了对应配置，AI 就能通过 MCP 直接操作浏览器完成需求。除了浏览器，安卓端也有配套的 MCP 工具集。

一句话总结这两者的分工：Skills 是流程说明书，MCP 是进入现场采集证据、执行动作的工具。

MCP 的全称是 Model Context Protocol（模型上下文协议），是 Anthropic 于 2024 年底提出并开源的一套标准化接口规范。它的核心思想是：为 AI 模型定义一套统一的「插件接口」，让不同的外部工具、数据源、服务都能以相同的方式被 AI 调用，无需为每个工具单独编写适配代码。你可以把它理解成 AI 世界的 USB 接口——只要遵循这套协议，任何工具都能即插即用。MCP 服务通常以本地进程或远程服务的形式运行，AI 编程工具通过标准的 JSON-RPC 协议与之通信，从而获得操作浏览器、读写文件系统、调用外部 API 等能力。目前 Claude Code、Cursor、OpenCode 等主流 AI 编程工具均已支持 MCP，生态正在快速扩展。

MCP 的配置同样交给 AI

MCP 的配置方式和 Skills 完全一致：把 MCP 目录路径告诉 AI，让它「配置到 OpenCode 中」就行。换用其他 AI 编程工具时，依旧只需改动工具名称。

教程中的示例里有四个目录，实际包含五个可配置服务，涵盖了立项相关工具以及小程序场景的支持。AI 配置完成后，会经过实际握手验证，显示「通过」才算生效。

有一个小细节值得留意：重启 OpenCode 后，MCP 可能不会立即显示在界面顶部的列表里，但通过验证命令可以确认四个服务其实都已正常接入，功能没有问题。这属于界面显示的滞后，并非配置失败。

小结

Skills 和 MCP 的本地部署，过去被很多新手视为门槛，但核心逻辑其实很简单：无论是哪一类配置，都可以通过「给 AI 一个路径 + 一句指令」的方式完成，无需手工调试。

• Skills 规范 AI 的行为流程，是可复用的经验说明书；
• MCP 赋予 AI 实际操作能力，是执行层的工具集；
• 两者的配置都能完全交给 AI，跨工具迁移时只改名称即可。

搭好这套环境，才算真正具备了独立复现逆向案例的基础。对于想深入 AI 编程实战的人来说，先把环境跑通，比反复看案例更重要。