SkillDock：Skills 管理、MCP 管理与插件管理实践

@

目录

• SkillDock：Skills 管理、MCP 管理与插件管理实践
  • 1. 为什么需要一个 Skills Manager
  • 2. 用 SkillDock 做 Skills 管理
  • 3. 用 SkillDock 做 MCP 管理
  • 4. 用 SkillDock 管理插件
  • 5. 更新前先看 Diff，保留本地修改
  • 6. 一套可复用的 SkillDock 使用习惯
  • 7. 获取与安装

SkillDock：Skills 管理、MCP 管理与插件管理实践

如果你同时使用 Claude Code、Codex、Cursor 等 AI Coding 工具，真正费时间的通常不是第一次安装，而是后续的 Skills 管理：同一个 Skill 放在哪个目录？更新后哪些工具会用到？MCP server 的参数、环境变量和 tools 又是否同步？

SkillDock 是一款同时支持 macOS 和 Windows 的 AI Coding skills manager。它把 Skills、MCP server 和插件放到同一个桌面工作台中统一管理。本文以实际使用过程为例，说明如何用 SkillDock 做 skills管理、MCP管理和插件管理，让配置来源清楚、变更可追溯、目标工具明确。

图：SkillDock 将 Skills、MCP server 与插件放在同一个桌面工作台中。

1. 为什么需要一个 Skills Manager

每个 AI Coding 工具都有自己的配置目录和扩展方式。工具从一个增加到多个后，常见问题会集中到四类：

• 来源不清楚：能力来自市场、Git 仓库还是本地目录，后续难以回溯；
• 生效范围不清楚：改了一个 Skill，不确定 Claude Code、Codex、Cursor 中哪些会受到影响；
• 更新不可控：上游更新和本地改动并存，直接覆盖可能丢失修改；
• 配置难排查：MCP 的命令、参数、环境变量和 tools 分散在不同文件中。

SkillDock 的定位是在多个 AI Coding 工具之间建立一个统一入口。它不替代命令行，而是把分散的能力组织成可以查看、比较、维护和分发的对象。

2. 用 SkillDock 做 Skills 管理

打开 SkillDock 的 Skills 页面后，可以把来自 Git 仓库、本地目录或市场的 Skill 纳入管理。实际使用时，我会先看三个信息：

1. Skill 来源：确认它来自团队仓库、本地目录还是市场；
2. 托管状态：识别已托管、未托管和可能存在冲突的 Skill；
3. 启用范围：确认它准备同步到哪些 AI Coding 工具。

这就是 skills管理 最重要的流程：先识别来源，再确认影响范围，最后分发到目标工具。团队维护的一组代码审查 Skill 可以作为 Git 来源纳入 SkillDock；本地临时实验的 Skill 则只启用给某一个工具，避免误同步到整个开发环境。

对于需要搜索 skills manager 的开发者来说，核心并不是“有一个目录列表”，而是能在修改 Skill 后知道它的来源、当前状态，以及最终会在哪些工具里生效。

3. 用 SkillDock 做 MCP 管理

MCP server 的问题往往比 Skill 更隐蔽。一个 server 通常包含启动命令、参数、环境变量和一组 tools。只要其中一项有变化，就可能出现“工具没生效”或“调用失败”。

在 SkillDock 中，MCP管理按独立 server 进行。排查时可以按下面顺序：

1. 查看 server 的来源和当前启用状态；
2. 对照启动命令、参数和环境变量；
3. 检查该 server 实际暴露的 tools；
4. 确认目标 AI Coding 工具是否已同步配置。

这种 MCP管理方式避免了在多个配置文件间反复搜索。需要定位问题时，从一个 server 的完整信息开始检查，比从“某个工具为什么没有能力”倒推更直接。

4. 用 SkillDock 管理插件

插件通常不只是一个单独 Skill。一个插件包中可能同时带有 skills、subagents、commands、MCP 集成和宿主专属配置。

SkillDock 的插件管理会按“能力包”展示这些组成。使用时可以先确认插件来自哪里、包含哪些组件、适用于哪些宿主工具；当某个能力没有生效时，再判断是插件本身、其中的 Skill，还是 MCP 配置需要处理。

把插件作为一个整体维护，能减少“只装了一半”或“漏同步一个组件”的情况。这也是 SkillDock 相比单纯目录浏览，更适合多工具 AI Coding 环境的原因。

5. 更新前先看 Diff，保留本地修改

对 Git 来源的 Skill 或插件，SkillDock 的使用重点不应只是点击更新。更稳妥的流程是：

• 先检查是否有上游更新；
• 在更新前查看 Diff；
• 区分上游改动和本地修改；
• 确认后再更新或提交。

这样做可以让 Skills 管理进入正常的协作流程：团队能力有统一来源，本地改动不会在更新时被悄悄覆盖，后续也更容易回溯为什么发生了变化。

6. 一套可复用的 SkillDock 使用习惯

无论你的 AI Coding 工具组合是什么，都可以把下面这套方式作为日常习惯：

• 用 SkillDock 统一查看 Skills、MCP server 和插件；
• 为每个能力记录来源，并区分团队资产与本地实验；
• 只向实际需要的工具启用或同步；
• 更新前检查 Diff，避免覆盖本地修改；
• 以 server 为单位检查命令、环境变量和 tools。

SkillDock 的价值不在于替开发者做决定，而在于让 skills管理、MCP管理和插件管理都变得可见、可检查、可维护。对于同时维护多个 Agent 工具、团队能力库或本地 AI Coding 环境的开发者，这种 skills manager 工作流能显著减少配置混乱和重复维护。

7. 获取与安装

SkillDock 同时支持 macOS 和 Windows。可搜索 wanghuan9 SkillDock 找到项目主页，再进入 Releases 页面，选择与你的系统对应的安装包。