Claude Skills + MCP 企業內部 AI 助理架構

AI 工具實戰 Claude Skills MCP 企業內部 AI 助理 AI 架構

Claude Skills + MCP 是企業內部 AI 助理的可營運架構，透過 Skills 打包工作流、MCP 串接資料，解決 prompt 難維護與權限失控。

我們協助過數十家中小企業導入 AI 助理，常見失敗不是模型不夠強，而是把 AI 當聊天框。

我們實測客服流程：沒有 Skills 時，每次常塞 8,000 到 14,000 tokens；改成 Skills 路由後，token 用量下降 30% 到 60%。成本控管看多 LLM 路由如何控成本。

為什麼中小企業現在該談 Claude Skills + MCP

很多老闆會問：「等 AI 再成熟一點再做？」2024 年合理，2026 年風險變高。

企業 AI 的瓶頸已從「模型會不會回答」轉成「知識、權限、流程能否穩定調用」。

Before：每個部門各自寫 prompt，版本散在文件、聊天紀錄和個人筆記。

After：把 SOP、範本、查詢邏輯與審核規則封裝成 Skills，再透過 MCP 讀取授權資料。

Anthropic 文件指出，Agent Skills 可把指令、程式與資源包成 Claude 可調用的能力，參考 https://docs.claude.com/en/docs/agents-and-tools/agent-skills/overview。MCP 規範把 AI 與外部資料、工具的連接方式標準化，參考 https://modelcontextprotocol.io/specification/latest。

兩者補上企業內部 AI 助理最缺的知識工具與資料連接。

Claude Skills 是什麼：把 SOP / 知識 / 工作流打包成能力

Claude Skills 不是長版 prompt template。它更像工作包：可放使用時機、步驟、範例、品牌規範、欄位說明與腳本。

一般 prompt template 容易失控。員工複製後會改字、漏限制、沿用舊版本。

Skills 集中管理。Claude 先讀 Skill 名稱與描述，任務相關時才載入完整內容。Anthropic 也提到 progressive disclosure 可降低 context 負擔，參考 https://support.claude.com/en/articles/12512176-what-are-skills。

我們常拆四類 Skills：文件型、分析型、流程型、品牌型。先從報價、會議紀錄、客服回覆、月報開始。

沒有 Skills：AI 不知道公司格式與報價邏輯。

有 Skills：Claude 會載入提案 Skill、品牌語氣與報價限制。

第一批 Skills 不要超過 8 個。先挑每週重複 20 次以上流程。

MCP 是什麼：讓 Claude 安全連到企業內部資料

MCP（Model Context Protocol）解決資料連接問題：AI 怎麼連到企業資料與工具，而不是每個系統都客製一次。

沒有 MCP 時，企業常匯出 CSV 或為每個工具寫私有 connector。短期能 demo，長期難維護。

MCP 採用 client、host、server 架構。AI 助理透過 MCP client 呼叫 server，再和 Drive、CRM、ERP、資料庫或內部 API 互動。

它的價值是控管 AI 能看什麼、做什麼、留下哪些紀錄。

我們會把 MCP server 當成企業資料邊界。每個 server 都要有明確職責，不要混成萬能 server。

評估前可先看 MCP 協議與 AI Agent 標準。

真實企業內部 AI 助理架構

可營運的企業內部 AI 助理通常是五層架構。

入口層：Claude、Slack、Teams、內部入口網站或客服後台按鈕，負責身份辨識與任務分類。

Skills 層：放週報、廣告異常、合約風險、新人 SOP 問答。每個 Skill 要有 owner、版本、測試案例。

MCP server 層：包含文件庫、CRM、工單、BI、資料庫查詢，並限制 tools。

權限層：結合 SSO、群組角色、資料分級、欄位遮罩與 allowlist。

觀測層：記錄任務、Skill、MCP tool、token、錯誤率、人工改寫率與敏感規則。

流程要對齊業務成果：客服看首稿採用率，業務看修正次數，財務看錯誤率。治理可讀企業 AI 導入治理框架。

90 天落地路線圖（D0D30 / D31D60 / D61~D90）

90 天不是做完整平台，而是做出可被部門使用、能衡量的第一版助理。

企業內部 AI 助理以 90 天路線圖導入 Claude Skills 和 MCP

D0 到 D30：盤點流程與資料。先選 2 個部門、6 到 8 個高頻流程，量化次數、耗時、錯誤率。

這一階段也要整理權限：哪些可全員讀？哪些只能部門讀？哪些只能摘要？

D31 到 D60：建立 Skills 與第一批 MCP server。每個 Skill 要有使用時機、輸出格式、反例與測試題。

MCP server 先做 read-only，只允許查詢知識庫、CRM、訂單、FAQ。

D61 到 D90：上線、觀測、擴大。每週看使用量、成功率、人工修正率、token 成本與權限阻擋次數。

若首稿採用率低於 40%，通常是 Skill 太抽象或資料源品質太差。補範例與反例更有效。

工具組合可參考 Claude、Codex、Gemini、Playwright 工具組合實戰。

常見落地坑與化解方法

坑一：把所有知識塞進巨大 Skill。按任務拆，不按部門拆。

坑二：MCP server 權限太大。上線前要改成細粒度 tool，並做欄位遮罩。

坑三：沒有版本治理。Skills 進入日常工作後，要管理版本與 rollback。

坑四：只追求答對，不追求可審計。要記錄資料來源、Skill 與權限規則。

坑五：忽略成本路由。分類、摘要可用低成本模型；合約風險再用高階模型。這也是多 LLM 路由降低 API 成本的核心。

常見問題

Claude Skills 跟一般 prompt template 差在哪？

Prompt template 是可複製文字。Claude Skills 是可被 Claude 按任務載入的能力包，可包含文件、範例、腳本與資源。

沒有 IT 部門的小公司也能用 MCP 嗎？

可以，但不要一開始自建平台。先用託管工具、現成 connector 或 read-only MCP server。

成本約多少？

成本取決於使用量、模型與查詢頻率。Skills 路由常讓 token 用量下降 30% 到 60%。

資料安全怎麼確保？

不要把安全寄託在 prompt。企業應在 server 與資料層做 SSO、角色權限、欄位遮罩、白名單與紀錄。

延伸閱讀

Claude Skills + MCP 的重點不是聊天機器人，而是把企業知識、工具、權限與觀測接成可維護的 AI 架構。若你正在盤點第一批流程，可從 https://aicycle.cc/zh-tw/services 找 AICycle 評估。