简介:Rules、Memories、Skill、MCP、Workflow、Hooks 之所以让人混乱,是因为它们分属"上下文工程"的不同层面。本文从加载时机、写入者、作用方向三个维度拆解这几类机制,给出可直接套用的目录结构、配置示例与上下文预算优化方法,并说明如何为 Agent 场景选对模型、控住 Token 成本。
很多人被 Cursor 设置页里那排 .cursorrules、Skills、MCP、Hooks、Rules、Memories 搞得一头雾水,其实一句话就能分开: Rules 是你写给 AI 的规矩,Memories 是 AI 写给自己的笔记,Skill 是按需加载的能力包,MCP 是接外部工具和数据的标准接口,Workflow 是写死的执行流程,Hooks 是事件触发的确定性动作。
它们不是六个竞品,而是六个不同层面的东西。真正决定这些机制怎么配的,是底层用哪个模型、每轮上下文花多少 Token——这部分建议先在 百度智能云词元所 上对比一下各模型的能力与调用成本,再回头设计上下文结构,避免”配置很酷、账单很惨”。
| 机制 | 谁写 | 何时加载 | 作用方向 | 典型载体 |
|---|---|---|---|---|
| Rules | 人 | 每轮对话,常驻 | 约束模型输出 | CLAUDE.md、.cursor/rules/*.mdc |
| Memories | 模型自动生成 | 命中相关记忆时 | 补充个性化偏好 | 工具内置记忆库 |
| Skill | 人(可团队共享) | 描述匹配时才展开 | 注入一套可复用能力 | SKILL.md + 脚本 + 参考资料 |
| MCP | 人配置,服务端提供 | 会话启动时握手 | 双向:读数据 / 调工具 | MCP Server(stdio / HTTP) |
| Workflow | 人 | 按编排固定推进 | 控制执行路径 | 子代理编排、流水线配置 |
| Hooks | 人 | 生命周期事件触发 | 确定性副作用 | 命令钩子(格式化、lint、拦截) |
判断一个东西属于哪一类,问三个问题: 谁写的?什么时候进上下文?决定权在模型还是在代码?
Rules 的本质是 每轮请求都被拼进系统提示的静态文本 。它的价值在于确定性——你写”所有接口必须返回 {code, data, message} 结构”,模型每次都会遵守,不依赖它”想起来”。
Cursor 的 .mdc 文件支持用 frontmatter 做作用域控制,这是很多人忽略的关键能力:
---description: API 层开发规范globs: ["src/api/**/*.ts"]alwaysApply: false---- 所有接口必须使用 Zod 校验入参- 错误统一抛 AppError,禁止裸 throw new Error- 数据库访问只允许通过 repository 层
alwaysApply: false + globs 意味着这份规则只在编辑匹配文件时才注入。把所有规范都设成 alwaysApply: true,是上下文被撑爆的头号原因。
Rules 和 Memories 最容易混,区别只有一句: Rules 是你提前写好的,Memories 是 AI 在协作中自己总结并回写的。
你第三次纠正它”这个项目用 pnpm 不用 npm”,它就把这条写进记忆;下次新会话自动带上。所以 Memories 适合存 偏好和事实 (团队习惯、目录约定、你的角色),不适合存 硬性规范 ——记忆可能过期、可能互相冲突,而规范不能。
实践建议:定期看一眼记忆库,把已经稳定下来的条目 提升为 Rules ,把过期的删掉。记忆只增不减,最后一定变成噪音源。
Skill 解决的是”任务需要一套完整方法论”的问题:比如生成 PDF 表单、按公司模板写周报、跑一套固定的排查流程。
它的核心设计是 渐进式披露(progressive disclosure) :初始只把 name 和 description 放进上下文(几十个 Token),模型判断相关后才读取完整正文,正文里再按需引用脚本和参考文档。
---name: pdf-form-fillingdescription: 填写 PDF 表单并生成回执。当用户提到"填表""回执""表单填写"时使用。---# 流程1. 运行 `scripts/inspect.py <file>` 获取字段名2. 按 `references/field-map.md` 映射业务字段3. 调用 `scripts/fill.py` 生成回执,输出到 out/
这样即使你装了 20 个 Skill,平时也只占几百 Token。Skill 和 MCP 的分界线很清楚: Skill 教模型”怎么做”,MCP 给模型”能做什么”。 一个 Skill 内部完全可以调用若干 MCP 工具。
MCP(Model Context Protocol)不是知识,也不是提示词,它是一套 客户端—服务端协议 ,用 JSON-RPC 定义了三类原语:Tools(可执行动作)、Resources(可读取数据)、Prompts(预设模板)。
它真正解决的是集成爆炸问题:没有 MCP 时,M 个 AI 客户端 × N 个数据源需要 M×N 套适配;有了 MCP,变成 M+N。传输层通常支持 stdio(本地进程)和 Streamable HTTP(远程服务)。
{"mcpServers": {"postgres": {"command": "npx","args": ["-y", "@example/mcp-postgres", "--dsn", "${DB_DSN}"]},"jira": {"url": "https://mcp.example.com/jira","headers": { "Authorization": "Bearer ${JIRA_TOKEN}" }}}}
安全提醒:MCP Server 拿到的是真实凭据和真实数据权限。生产环境务必用只读账号、限制可访问的库表范围,并对写操作类工具加人工确认环节。
这是最容易被忽略的分界: Workflow 由代码决定下一步,Agent 由模型决定下一步。
Workflow 适合路径明确的任务——需求解析 → 检索代码 → 生成补丁 → 跑测试 → 失败则回退重试。步骤固定、可观测、可复现,成本可预测。Agent 适合路径不确定的探索型任务,代价是可能绕圈、Token 消耗不可控。
Hooks 则是纯确定性的副作用,模型不参与决策:
{"hooks": {"PostToolUse": [{ "matcher": "Edit|Write","hooks": [{ "type": "command", "command": "npx prettier --write $FILE" }] }],"PreToolUse": [{ "matcher": "Bash","hooks": [{ "type": "command", "command": "./scripts/guard-rm.sh" }] }]}}
格式化、lint、危险命令拦截,都该交给 Hooks 而不是写在 Rules 里让模型”记得做”。
三个真实原因:
正确顺序是: 稳定层(Rules / Skill 描述)→ 半稳定层(项目结构)→ 易变层(Memories / 检索结果 / 用户输入) 。
project/├── CLAUDE.md # 全局宪法,只放最硬的 10 条├── .cursor/rules/│ ├── frontend.mdc # globs 限定,按需注入│ └── api.mdc├── skills/ # 团队共享的能力包│ └── pdf-form-filling/├── .mcp.json # 外部连接,凭据走环境变量└── .github/workflows/ # 确定性流程交给 CI / Hooks
上下文机制最终都体现在账单上。一个常驻 2K Token 的 Rules,按每天 200 轮对话、每月 22 个工作日估算,仅规则部分就是约 880 万输入 Token;再叠加 Skill 展开、MCP 返回的查询结果、多轮历史,量级会迅速放大。
所以选型时建议同时看两件事: 模型对长上下文的有效利用率 ,以及 输入/输出 Token 的单价差 。Agent 类任务输出短、输入长,输入价格权重更高;代码补全类任务则相反。在 词元所 Token Exchange 上可以横向对比不同模型的调用成本与能力定位,并通过统一 API 接入多个模型,用同一套代码做 A/B 验证——比如把同一份 Rules 和 Skill 配置分别跑在不同模型上,观察遵循度和 Token 消耗的实际差异,再决定生产环境用哪个。
需要查外部数据、做多模型接入或评估调用成本时,百度智能云词元所 这类平台能省掉逐个对接和手工比价的环节。
总结一句: Rules 管边界,Memories 管偏好,Skill 管方法,MCP 管连接,Workflow 管路径,Hooks 管兜底。先想清楚”这件事该由谁决定”,再决定用哪个机制——而不是把六个全打开,然后抱怨 AI 变笨了。