Claude Skills vs MCP: qual usar, e por que um SaaS lança os dois

Claude Skills vs MCP é uma escolha entre ensinar e dar acesso. Use uma Skill quando o agente já alcança tudo de que precisa e continua fazendo o trabalho do jeito errado: a Skill guarda o seu procedimento, o seu formato de saída e qualquer script que deva rodar do mesmo jeito toda vez. Use um servidor MCP quando o agente precisa de dados ao vivo ou tem de agir num sistema que não alcança de outro jeito. Use os dois quando o trabalho é um procedimento sobre um sistema ao vivo, que é o caso comum de um produto SaaS. Se estiver em dúvida, escreva a Skill primeiro: é um único arquivo markdown, e ela vai mostrar quais chamadas o procedimento exige e o agente não consegue fazer.

Tudo abaixo foi conferido em 07/10/2026 na documentação da Anthropic e na especificação do MCP (revisão 2026-07-28), e os números de tokens são medições nossas, no nosso próprio servidor e nas nossas skills.

O que é exatamente uma Claude Skill?

Uma Skill é um diretório com um arquivo obrigatório. O SKILL.md abre com um frontmatter YAML que traz dois campos obrigatórios: name (até 64 caracteres, letras minúsculas, números e hífens, sem poder conter "anthropic" ou "claude") e description (até 1.024 caracteres). O corpo em markdown abaixo dele é o procedimento. Ao lado, você pode colocar mais arquivos markdown, dados de referência e scripts.

O mecanismo que torna as Skills baratas é a divulgação progressiva, e a documentação de Agent Skills da Anthropic o descreve em três níveis. Na inicialização, só o nome e a descrição de cada Skill instalada vão para o prompt de sistema, cerca de 100 tokens cada. Quando uma requisição casa com uma descrição, o Claude lê o corpo do SKILL.md no sistema de arquivos; a orientação da Anthropic é mantê-lo abaixo de 5.000 tokens. Qualquer outra coisa na pasta só carrega quando o corpo aponta para ela, e os scripts rodam pelo bash, de modo que só a saída deles entra no contexto, nunca o código.

Daí saem duas consequências. A descrição é um classificador: o Claude decide se abre a Skill comparando a requisição com esse único parágrafo, então ela precisa dizer o que a Skill faz e quando usá-la, com as palavras que um usuário digitaria. E uma Skill pode carregar muito material sem custo, porque um arquivo de referência de que ninguém precisa desta vez nunca é lido.

As Skills foram lançadas no Claude em 16 de outubro de 2025 e viraram padrão aberto em 18 de dezembro de 2025. A lista de clientes no agentskills.io (lida em 07/10/2026) inclui Claude Code, Cursor, GitHub Copilot, VS Code, Gemini CLI, OpenAI Codex, Goose e OpenCode, então "Claude Skills" hoje é mais um nome para a origem do formato.

O que é exatamente um servidor MCP?

O Model Context Protocol conecta uma aplicação de IA (o host, como o Claude Code ou o VS Code) a servidores que fornecem contexto. O host abre uma conexão de cliente por servidor, e os dois conversam em JSON-RPC 2.0. Um servidor pode oferecer três tipos de coisa: ferramentas que o modelo chama, recursos que ele lê e prompts que o usuário aciona como modelos. O cliente os descobre com tools/list e chamadas irmãs, e o host passa as definições de ferramentas ao modelo, que então decide quando chamá-las.

Há dois transportes padrão. O stdio roda o servidor como processo local na máquina do usuário e serve para ferramentas de desenvolvedor. O Streamable HTTP o roda remotamente, então uma única implantação atende muitos clientes; é o transporte que um produto SaaS usa. O transporte SSE, mais antigo, está obsoleto, e o Claude Code o marca assim na própria documentação de configuração.

A especificação continua mudando, e quem constrói um servidor hoje deve ler a revisão 2026-07-28 em vez de um tutorial do ano passado. Ela torna o protocolo sem estado: cada requisição leva a versão do protocolo e as capacidades, e os servidores anunciam o que suportam por uma requisição obrigatória server/discover. Ela torna obsoleto o sampling (servidores pedindo completions ao modelo do cliente). E na especificação de autorização ela torna obsoleto o registro dinâmico de clientes em favor dos OAuth Client ID Metadata Documents, mantendo o DCR só por compatibilidade.

Onde cada um roda de fato?

O lugar onde uma peça roda decide o que ela alcança, então confira isso primeiro.

Uma Skill roda onde o agente roda, com exatamente o acesso que esse ambiente tem. A documentação da Anthropic lista as diferenças por superfície. Na API do Claude, as Skills rodam dentro do contêiner de execução de código, sem acesso à rede e sem instalação de pacotes em tempo de execução. No claude.ai, o acesso à rede vai de total a nenhum, conforme as configurações do usuário e do administrador. No Claude Code, os scripts de uma Skill têm o mesmo acesso à rede que qualquer outro programa no seu computador.

Um servidor MCP roda no próprio processo. Um servidor remoto roda na infraestrutura do fornecedor, com o acesso do próprio fornecedor ao banco de dados e às APIs dele; o agente manda uma requisição e recebe um resultado. Um servidor stdio roda na máquina do usuário, com as credenciais do usuário vindas do ambiente.

Então a pergunta "uma Skill consegue fazer o que o meu servidor MCP faz?" tem resposta que depende da superfície. No Claude Code, uma Skill cujo script chama a sua API com uma chave do ambiente funciona. Na API do Claude, a mesma Skill não alcança a sua API de jeito nenhum. Para um produto usado por pessoas que você não controla, a partir de clientes que você não escolhe, o servidor MCP é a parte que funciona em qualquer cliente compatível com MCP.

O compartilhamento também difere. Skills personalizadas não sincronizam entre superfícies do Claude: um envio ao claude.ai é pessoal daquele usuário, um envio pela API é compartilhado com o workspace, e o Claude Code lê ~/.claude/skills/ ou a pasta .claude/skills/ do projeto. Um servidor MCP remoto é uma única URL à qual todos os clientes se conectam.

Qual custa mais contexto, uma Skill ou um servidor MCP?

Medimos os dois nos nossos próprios artefatos com o endpoint de contagem de tokens da Anthropic em 07/10/2026 (modelo claude-sonnet-4-5):

• O servidor MCP de visibilidade da INITE expõe três ferramentas (analyze_site, get_analysis, match_tools). Enviar as definições delas acrescenta 998 tokens de entrada a uma requisição. Uma ferramenta sozinha acrescenta 660, porque a API insere um preâmbulo fixo de uso de ferramentas assim que qualquer ferramenta está presente; a segunda e a terceira acrescentaram 103 e 235.
• A nossa skill publicada que conduz o mesmo servidor, inite-ai-visibility-audit, custa 69 tokens de metadados e 636 tokens pelo arquivo SKILL.md inteiro, frontmatter incluído, depois de carregada.
• Duas das nossas skills internas de escrita custam 89 e 127 tokens de metadados. Os corpos completos têm 2.399 e 6.769 tokens, e o segundo passa da orientação de 5.000 tokens da Anthropic, o que é um motivo para levar parte dele para um arquivo de referência.

Em escala, a diferença é grande. A documentação de tool search da Anthropic fala em cerca de 55.000 tokens de definições para uma configuração com cinco servidores (GitHub, Slack, Sentry, Grafana e Splunk) e diz que a escolha de ferramentas do Claude piora a partir de 30 a 50 ferramentas disponíveis. A solução dela é adiar o carregamento e deixar o Claude buscar as três a cinco ferramentas de que uma requisição precisa, o que, segundo a Anthropic, corta os tokens de definição em mais de 85 por cento. A documentação de MCP do Claude Code diz que o tool search vem ligado por padrão a partir da versão 2.1.232.

Os resultados também custam contexto. A mesma página do Claude Code diz que ele avisa quando um único resultado de ferramenta MCP passa de 10.000 tokens e o limita a 25.000 por padrão. O script de uma Skill devolve só a saída, então um script que imprime "validation passed" custa poucos tokens.

Uma Skill pode substituir um servidor MCP, ou o contrário?

Uma Skill só substitui um servidor MCP onde o ambiente do agente já tem o acesso, o que na prática significa o Claude Code numa máquina que guarda as credenciais. O time da LlamaIndex, escrevendo sobre o próprio construtor de agentes, descreveu a troca como execução previsível pelo MCP contra instruções interpretadas pelas Skills: uma chamada de ferramenta funciona ou falha, enquanto uma Skill pode ser mal interpretada.

Um servidor MCP não substitui uma Skill. Ele pode descrever cada ferramenta, e uma boa descrição diz quando chamá-la, mas não tem lugar para "chame isto, depois aquilo, confira o resultado e formate a resposta como uma lista de pendências para um líder de marketing". A regra da própria Anthropic, do seu post de dezembro de 2025 sobre Skills e MCP, é a mais clara: "If you're explaining how to do something, that's a skill. If you need Claude to access something, that's MCP." (Se você está explicando como fazer algo, é uma skill. Se precisa que o Claude acesse algo, é MCP.) O mesmo post observa que uma Skill pode coordenar vários servidores MCP e um servidor pode apoiar muitas Skills.

Quando usar os dois?

Sempre que o trabalho tem etapas e pelo menos uma delas toca um sistema ao vivo. Um relatório semanal é um exemplo: o MCP conecta o banco de dados e o repositório de documentos, e a Skill guarda as regras de normalização e o modelo. Outro é qualquer coisa com sequência fixa, como "inicie a execução, espere, leia o resultado e explique para um dono sem perfil técnico", em que o servidor sozinho deixaria o agente adivinhando a ordem.

O nosso par funciona assim. O servidor MCP inicia uma auditoria e devolve um id de execução; uma segunda ferramenta lê o resultado cerca de um minuto depois. A Skill diz ao agente quando uma auditoria é a resposta certa, que as duas chamadas vão nessa ordem e como ler a pontuação para a pessoa que perguntou. Um agente com só a lista de ferramentas precisa deduzir a ordem a partir de duas descrições; um agente com só a Skill leria sobre uma auditoria que não tem como iniciar.

O que um fornecedor de SaaS deve lançar para se tornar AI-native?

Para um produto SaaS, a comparação acima se resolve numa lista curta. A maioria dos agentes chama ferramentas em vez de abrir o seu painel. É para essa mudança que a expressão AI-native aponta, e os dois padrões são o que a torna concreta.

O plano de construção, semana a semana, está em o plano de 90 dias para um servidor MCP. O lado do navegador no mesmo problema, tornar a sua interface legível para agentes de uso de computador, está em SaaS pronto para agentes de navegador. Se o seu site é legível para os assistentes que recomendariam o seu produto, antes de tudo, é o que a verificação gratuita de visibilidade em IA mede.

O que costuma dar errado?

• Descrições de ferramentas vagas. O modelo nunca escolhe a ferramenta. Escreva descrições com verbos, entradas e uma frase sobre quando usá-la.
• Saídas sem limite. Uma chamada enche o contexto. Limite, pagine ou devolva um resumo com um link.
• Ferramentas demais. Passando de 30 a 50 ferramentas, a escolha piora. Junte as quase duplicadas e dê namespace às demais (billing_, reports_) para que o tool search encontre um grupo.
• Chaves de API em vez de OAuth. Cada instalação exige uma ida manual a um arquivo de configuração.
• Um servidor sem Skill. As chamadas acontecem na ordem errada, e a resposta volta no formato errado.
• Uma Skill que supõe acesso à rede. Funciona no Claude Code e falha na API.
• Uma descrição de Skill genérica. A Skill nunca é aberta, porque nada na requisição casa com ela.
• Instalar Skills de desconhecidos. A documentação da Anthropic diz para tratar uma Skill como software instalado: uma Skill maliciosa pode mandar o agente executar código ou enviar dados para fora. Audite cada arquivo antes de usar. A Anthropic também observa que as Agent Skills não são cobertas por acordos de retenção zero de dados.

Para o lado da governança, quem aprova quais ações um agente pode executar sobre os seus dados, veja human-in-the-loop para agentes de IA; para o padrão de plataforma por trás de lançar um servidor por produto, veja um motor, muitas peles.

Como escolher?

Faça duas perguntas, nesta ordem. Primeira: o agente precisa de algo que não alcança de onde roda, como dados ao vivo, uma ação em outro produto ou qualquer coisa atrás de um login? Se sim, você precisa de um servidor MCP, e na API do Claude ou em clientes que você não controla, uma Skill não toma o lugar dele. Segunda: o trabalho tem uma ordem, um formato ou uma regra que o agente continua errando? Se sim, você precisa de uma Skill. Dois sins significam os dois.