De hører konstant tre begreber: MCP, skills og plugins. Nogle gange brugt i flæng. Nogle gange forklaret på måder, der får dem til at lyde identiske. De er ikke identiske. De løser fundamentalt forskellige problemer, og forståelsen af grænserne vil spare Dem timer med forvirring.

Her er den korte version. MCP er rørføring. Det forbinder Deres AI med eksterne værktøjer og data gennem en struktureret grænseflade. Skills er ekspertise. De lærer Deres AI, hvordan man tænker over en opgave og bruger værktøjer selvstændigt. Plugins er platformudvidelser. De tilføjer helt nye funktioner til den software, Deres AI kører på.

MCP kom først og løste et reelt problem. Men skills blev designet til en anden æra af AI, en æra hvor AI kan ræsonnere, bruge værktøjer selvstændigt og blive ved med at arbejde i loops, indtil en opgave er færdig. At forstå det skift er nøglen til at vide, hvornår man skal gribe til hvad.

Hvordan vi kom hertil

I slutningen af 2024 udgav Anthropic (virksomheden bag Claude) Model Context Protocol (MCP). Problemet det løste var reelt: hvert AI-værktøj havde sin egen måde at forbinde sig til tjenester som GitHub (hvor udviklere opbevarer kode), Slack (teambeskeder), databaser og alt muligt andet. MCP skabte én standardmåde at forbinde dem alle. Byg én connector, og ethvert AI-værktøj der understøtter MCP kan bruge den.

På det tidspunkt var AI en chatbot. Den kunne besvare spørgsmål og generere tekst, men den kunne ikke faktisk gøre ting på Deres computer. Den havde brug for hvert værktøj beskrevet på forhånd: her er værktøjsnavnet, her er hvad det gør, her er de præcise parametre man kan sende. MCP var den rigtige løsning til det øjeblik.

Så ændrede alt sig. I begyndelsen af 2025 udgav Anthropic Claude Code, en AI der ikke bare chatter. Den kan læse filer på Deres computer, skrive kode, køre kommandoer og arbejde selvstændigt, indtil en opgave er færdig. Andre virksomheder fulgte efter: OpenAI (virksomheden bag ChatGPT) udgav Codex CLI, Google udgav Gemini CLI, og værktøjer som Cursor og GitHub Copilot fik lignende funktioner. AI gik fra noget man taler med til noget der arbejder for en. Dette er hvad folk nu kalder agentisk AI, eller simpelthen agenter: AI der kan handle, bruge værktøjer og fuldføre opgaver selvstændigt. Og en AI der kan handle selvstændigt behøver ikke hvert værktøj beskrevet på forhånd. Den kan finde ud af at bruge værktøjer, hvis man bare lærer den arbejdsgangen.

Det er præcis hvad skills gør. Anthropic sendte Skills i Claude Code i oktober 2025. I stedet for at give AI en formel værktøjsbeskrivelse, lærer en skill den at bruge værktøjer selvstændigt. En skill er bare en tekstfil med instruktioner. Ingen kørende processer, intet protokol, ingen infrastruktur.

Simon Willison, en velkendt udvikler og skribent i AI-rummet, kaldte dem med det samme “fantastiske, måske en større begivenhed end MCP.” Hans ræsonnement: skills er elegant minimale, de bruger næsten ingen ressourcer indtil de faktisk er nødvendige (versus MCP, der loader alt på forhånd), og de fungerer med alle store AI-værktøjer. Han forudsagde “en kambrisk eksplosion i Skills, der vil få årets MCP-rush til at se fodgængeragtig ud.”

To måneder senere udgav Anthropic skills som åben standard. Den samme skill-fil fungerer nu med Claude Code, Codex CLI, Gemini CLI, Cursor, GitHub Copilot, Windsurf, Cline, Amp og ChatGPT. Skriv én gang, brug overalt.

Omkring samme tid donerede Anthropic MCP til et neutralt brancheorgan, Agentic AI Foundation under Linux Foundation, medstiftet med Block (betalingsvirksomheden bag Square og Cash App) og OpenAI. MCP er nu en industristandard støttet af Amazon, Google, Microsoft og Cloudflare. Det forsvinder ikke. Men spørgsmålet om De faktisk har brug for det til de fleste opgaver, har et andet svar end for et år siden.

MCP: forbindelseslaget

Model Context Protocol (MCP) er en standardmåde at forbinde AI-applikationer med eksterne værktøjer og data. Tænk på det som USB-C for AI. Før USB-C havde hvert apparat sin egen oplader. Før MCP havde hvert AI-værktøj brug for sin egen connector til GitHub, Slack, Deres database og alt andet. MCP skabte ét universelt stik.

Sådan fungerer det

Opsætningen har to sider. Deres AI-værktøj (Claude Desktop, Cursor, VS Code) er den ene side. På den anden side er et lille program, kaldet en MCP-connector, der ved hvordan man kommunikerer med en bestemt tjeneste. Vil De have Deres AI til at administrere GitHub? Kør en GitHub MCP-connector. Vil De have den til at arbejde med en database? Kør en database-MCP-connector.

Hver connector fortæller AI’en hvad den kan: “Jeg kan oprette pull requests”, “Jeg kan søge i issues”, “Jeg kan køre databaseforespørgsler.” AI’en ser disse muligheder og kan bruge dem, når det er relevant.

Hvad connectors tilbyderHvem styrer detEksempel
ToolsAI’en beslutter hvornår de bruges”Opret en pull request”, “Søg i issues”
ResourcesApplikationen leverer demFiler, databaseposter, dokumenter
PromptsBrugeren udløser demForudskrevne skabeloner til almindelige opgaver

Økosystemet

MCP har massiv adoption: 97 millioner månedlige downloads, 10.000+ connectors, og governance af Linux Foundation. De mest populære giver et indtryk af bredden: Playwright MCP af Microsoft til browserautomatisering, Firecrawl til at omdanne hjemmesider til ren tekst, connectors til GitHub, Notion, Brave Search, PostgreSQL og endda Blender til 3D-modellering. Tjenester som Composio samler 250+ integrationer i én connector.

Problemet: MCP blev bygget til chatbots

MCP blev designet da AI havde brug for hvert værktøj beskrevet på forhånd. Det løste det rigtige problem på det rigtige tidspunkt. Men verden har ændret sig.

Hver MCP-connector De tilføjer, indlæser hele sin liste af funktioner i AI’ens hukommelse. Tilslut 10 connectors med 5 værktøjer hver, og De har brugt 50 værktøjsbeskrivelser, før samtalen overhovedet er begyndt. Det er hukommelse AI’en kunne have brugt på Deres faktiske opgave.

Armin Ronacher (skaber af Flask, et populært webframework) beskrev problemet godt: værktøjsbeskrivelser ender med at være “for lange til at indlæse ivrigt, for korte til virkelig at fortælle AI’en hvordan man bruger det.” Han foretrækker nu at lade AI administrere sine egne værktøjer gennem skills, fordi han beholder kontrollen over dem.

MCP er forbedret. En opdatering i januar 2026 gjorde de initiale hukommelsesomkostninger meget mindre. Men det fundamentale design forbliver: De behøver et kørende program for hver tjeneste De forbinder, et oversættelseslag mellem AI’en og værktøjet, og beskrivelser der konkurrerer om plads med Deres faktiske samtale.

Endnu vigtigere: de fleste MCP-connectors wrapper bare værktøjer der allerede eksisterer. En GitHub MCP-connector wrapper gh (GitHubs eget værktøj). En Postgres MCP-connector wrapper psql (databasens eget værktøj). Det er et ekstra lag mellem AI’en og værktøjet, når AI’en bare kunne bruge værktøjet direkte.

Hvor MCP stadig giver mening

MCP er ikke ubrugelig. Det har reel værdi, når:

  • AI’en kun kan chatte, som i Claude Desktop eller andre chat-only apps, hvor den ikke kan køre kommandoer
  • Der ikke findes et eksisterende værktøj til den tjeneste De skal forbinde til
  • Compliance kræver det, i virksomhedsmiljøer der har brug for formelle audittrails
  • De ikke vil have AI’en til at køre kommandoer, af sikkerhedsgrunde

Men til det meste hands-on arbejde, lokal automatisering og alt hvor AI’en kan handle selvstændigt, er noget bedre ankommet.

Skills: bygget til den agentiske æra

Skills starter fra et andet spørgsmål. MCP spørger “hvordan forbinder vi AI’en til værktøjer?” Skills spørger “hvordan lærer vi AI’en at bruge de værktøjer den allerede har?”

En skill er et sæt instruktioner der omdanner en AI til generelt brug til en specialist. Den forbinder ikke AI’en til noget nyt. Den lærer AI’en at bruge det den allerede har adgang til, inklusive alle værktøjer og programmer der allerede er installeret på den computer den kører på.

---
name: weekly-summary
description: Summarize team notes into highlights, decisions, and risks
allowed-tools: Read, Grep, Glob
---

When asked to summarize weekly notes:
1. Read all files matching `notes/*.md`
2. Extract highlights, decisions, and open risks
3. Format as a structured summary with sections for each
4. Keep it under 500 words

Det er en komplet skill. Når AI’en læser den, får den ekspertise den ikke havde før. Den kender arbejdsgangen, begrænsningerne, det forventede outputformat. Ingen kørende programmer. Ingen forbindelser at administrere. Bare en tekstfil.

Sådan fungerer skills

Når De installerer en skill, ligger den som en fil i Deres projekt. AI’en læser skillens navn og beskrivelse i starten af en session (dette koster næsten ingenting). Når skillen er nødvendig, enten fordi De beder om det eller AI’en genkender situationen, indlæses de fulde instruktioner. Det er det hele.

Skills har nul infrastrukturomkostninger. De er tekstfiler. De indlæses øjeblikkeligt. De fungerer offline. De fungerer med alle store AI-værktøjer.

Hvad der gør skills anderledes end MCP

Moderne AI kan køre kommandoer selvstændigt. Den kan bruge curl (til at hente data fra nettet), grep (til at søge gennem filer), git (til at administrere kode), docker (til at køre software), og ethvert andet værktøj der er tilgængeligt på computeren. En skill lærer AI’en hvornår og hvordan de skal bruges til en specifik opgave. Og afgørende: skills muliggør noget MCP ikke kan: autonome feedbackloops.

Tag SquirrelScans SEO-skill. Den instruerer AI’en i at auditere en hjemmeside for søgemaskineoptimering, læse resultaterne, rette de fundne problemer og derefter auditere igen i en loop, indtil scoren forbedres. AI’en ræsonnerer over outputtet, beslutter hvad der skal rettes, foretager ændringerne og validerer resultatet. MCP giver AI en knap at trykke på. En skill giver AI en arbejdsgang at udføre, iterere over og fuldføre selvstændigt.

Dette mønster fungerer for næsten alt. Skal der interageres med GitHub? Der er et værktøj til det. Databaser? Der er et værktøj til det. Web-API’er? Der er et værktøj til det. Værktøjerne eksisterer allerede. Skills lærer bare AI’en at bruge dem.

Det mest slående eksempel hidtil: Hugging Face (en stor AI-platform og community) udgav en skill der lærer AI at skrive højtydende GPU-kode i februar 2026. En kort tekstfil med struktureret vejledning, plus referencescripts og optimeringsguider. Resultatet: AI genererer fungerende kode der får andre AI-modeller til at køre næsten dobbelt så hurtigt på specialiseret hardware. Dyb teknisk ekspertise kodet som en tekstfil, med reelle ydelsesgevinster. Ingen MCP-connector involveret.

Som @chrysb skrev på X: “on-demand skills is all you need. It can run any command invented since the beginning of computers. A resurgence of glory for ancient, but powerful tools. Now available to us all, piloted by the smartest models on earth.”

De gængse forsvar for MCP og deres modsvar:

  • “MCP giver strukturerede, validerede inputs”: Det gør et veldokumenteret værktøj også.
  • “MCP giver eksplicitte tilladelser”: Det gør et kontrolleret miljø med en allowlist også.
  • “MCP er en standard”: En standard der skalerer dårligt er stadig en standard der skalerer dårligt.

Fungerer overalt

Den samme skill-fil fungerer med Claude Code, OpenAI Codex CLI, Google Gemini CLI, Cursor, GitHub Copilot, Windsurf, Cline, Amp og ChatGPT. Skriv én gang, brug overalt. MCP lovede det samme, men skills opnår det uden at installere eller køre noget.

Økosystemet

Økosystemet vokser hurtigt. Vercel (en stor webplatform) lancerede skills.sh i januar 2026 som en åben katalog til at opdage og installere skills, og nåede titusinder af installationer kort efter lanceringen. Over 52.000 skills er nu tilgængelige på tværs af flere markedspladser: SkillsMP, AgentSkills.to, skill0, Skills Directory og andre. Hugging Face hoster også skills.

De mest installerede skills viser hvad folk faktisk bruger dem til: React best practices af Vercel (166k installationer), web design guidelines (127k), Remotion videorendering (111k), frontend design af Anthropic (99k) og Azure cloud skills af Microsoft (53k). Domænespecifikke skills som Hugging Face CUDA kernels, Stripe betalingsintegration, Trail of Bits sikkerhedsauditering og SquirrelScan SEO runder billedet af.

En advarsel: væksten har overhalet kvaliteten. En Hugging Face-analyse af skills-markedspladsen fandt, at 46% af listede skills er duplikater eller næsten-duplikater, mange er oppustede langt ud over hvad en AI med rimelighed kan bruge, og 9% udgør kritiske sikkerhedsrisici. Akademisk forskning bekræfter dette: SkillsBench, den første store benchmark for agentskills, fandt at veldesignede skills forbedrer AI-præstationer med 16 procentpoint i gennemsnit, med nogle domæner med gevinster over 50 point. Men skills der automatisk blev genereret af AI’en selv gav slet ingen fordel. Budskabet er klart: de bedste skills er skrevet af mennesker der forstår domænet og arbejdsgangen, ikke genereret i massevis af AI. Kvalitet over kvantitet. Én kommando til at installere en god en:

npx skills add openclaw-rocks/skills --skill jobs-ive

Hvornår skills skal bruges

  • De vil have Deres AI til at opføre sig konsistent (følge Deres kodestil, Deres reviewproces, Deres skrivestil)
  • De vil give Deres AI domæneekspertise (produktstrategi, sikkerhedsauditering, SEO-optimering)
  • De vil have Deres AI til at arbejde i loops (tjekke noget, rette det, tjekke igen indtil det opfylder en standard)
  • De vil have den samme skill til at fungere med forskellige AI-værktøjer
  • De vil have nul opsætning og nul driftsomkostninger

Hvis Deres problem er “min AI ved ikke hvordan man gør X ordentligt”, er en skill næsten helt sikkert det rigtige svar.

OpenClaw-plugins: platformlaget

OpenClaw (den open source AI-assistentplatform) har sin egen måde at udvide funktionaliteten: tools, skills og plugins. Skills i OpenClaw fungerer præcis som standarden beskrevet ovenfor. Men plugins er noget helt andet.

En OpenClaw-plugin er faktisk kode der kører inde i selve OpenClaw-softwaren. Hvor skills lærer AI’en hvad den skal gøre, og MCP forbinder den til eksterne tjenester, ændrer plugins hvad platformen kan på et fundamentalt niveau. De kan tilføje nye beskedkanaler (så Deres AI kan tale med Dem via Telegram, WhatsApp eller Teams), tilføje nye funktioner til platformen, køre baggrundsopgaver og bundle egne skills og værktøjer.

OpenClaws skaber Peter Steinberger valgte bevidst ikke at tilføje native MCP-understøttelse. Som han udtrykte det: “there’s a reason I didn’t add MCP support to OpenClaw (except via mcporter mcp-to-cli converter).” Filosofien er klar: skills er den primære måde at udvide hvad Deres AI kan. MCP er tilgængeligt som fallback via mcporter (der konverterer MCP-connectors til regulære værktøjer), når De virkelig har brug for det.

De officielle plugins dækker de mest almindelige behov: stemmeopkald, Microsoft Teams, Matrix-beskeder og Nostr (et decentraliseret socialt protokol). På ClawHub (community-markedspladsen) spænder over 5.700 community-byggede skills og plugins over alt fra AI-modelskift til Kubernetes-administration til SEO-auditering. De mest aktive kategorier er AI/LLM-integration, søgning og research, DevOps og webudvikling.

Hvad plugins kan

Omfanget af hvad en plugin kan registrere er bredt:

  • Beskedkanaler: Forbind Deres AI med Telegram, Matrix, Zalo, MS Teams og mere
  • Brugerdefinerede værktøjer: Giv Deres AI nye evner ud over hvad skills kan lære
  • Kommandoer: Tilføj nye kommandoer til OpenClaws kommandolinjegrænseflade
  • API-endpoints: Udvid hvad OpenClaw-serveren kan
  • Baggrundstjenester: Kør langvarige opgaver efter en tidsplan
  • Login-flows: Tilføj nye måder for brugere at autentificere sig (Google, GitHub, API-nøgler)
  • Hooks: Udløs automatisk handlinger, når begivenheder sker
  • Skills: Bundle skill-pakker inde i pluginen

Plugin-struktur

Hver plugin har en konfigurationsfil der erklærer hvad den tilføjer til platformen:

{
  "openclaw": {
    "extensions": ["./src/channels.ts", "./src/tools.ts"]
  }
}

Pluginen kører inde i selve OpenClaw-softwaren, hvilket betyder den har fuld adgang til systemet. Det gør plugins kraftfulde, men det betyder også at De skal stole på koden, før De installerer den.

Installation

openclaw plugins install @openclaw/voice      # fra npm
openclaw plugins install ./my-plugin          # lokal mappe
openclaw plugins install plugin.tgz           # tarball

Administration via CLI:

openclaw plugins list
openclaw plugins enable <id>
openclaw plugins disable <id>
openclaw plugins doctor                       # diagnosticér problemer

Sikkerhed

Fordi plugins kører i samme proces som OpenClaw Gateway, har de samme adgangsniveau som softwaren selv. OpenClaw har indbyggede beskyttelser (det blokerer mistænkelige filstier, validerer ejerskab og understøtter allowlists for godkendte plugins), men grundreglen er: gennemgå en plugin, før De installerer den, især hvis den kommer fra en ukendt kilde.

Hvornår plugins skal bruges

  • De skal forbinde OpenClaw til en ny beskedplatform (Telegram, WhatsApp, Teams)
  • De vil tilføje nye funktioner til selve OpenClaw-softwaren
  • De har brug for planlagte opgaver eller automatiske reaktioner på begivenheder
  • De bygger noget der rækker ud over hvad instruktioner i en tekstfil kan opnå

Plugins er den mest kraftfulde måde at udvide OpenClaw og den mest komplekse. De er også OpenClaw-specifikke. En plugin fungerer ikke i Claude Code eller Cursor. Den fungerer i OpenClaw.

Sådan hænger de sammen

De tre repræsenterer en evolution, ikke et hierarki:

              Hvad det er                Bygget til          Fungerer med alle værktøjer?
-----------------------------------------------------------------------------
MCP           Connectors (protokol)      Chatbot-æra         Ja
Skills        Instruktioner (tekst)      Agentisk æra        Ja
Plugins       Kode (software)            Platformbehov       Kun OpenClaw

MCP løste integrationsproblem, da AI ikke selv kunne bruge værktøjer. Skills løser det bedre, nu da den kan. Plugins udvider platformen, når skills ikke er nok.

Eksempel: Deres OpenClaw-assistent opsummerer Deres teams ugentlige Slack-aktivitet.

  1. En skill definerer hele arbejdsgangen. Den fortæller AI’en hvilken output der skal produceres, hvilke kanaler der skal prioriteres, hvad der tæller som et højdepunkt versus en beslutning versus en risiko, og kvalitetskravet. Den instruerer AI’en i at hente beskeder fra Slack ved hjælp af Slack-værktøjet.
  2. En plugin leverer leveringskanalen. En Telegram-kanalplugin lader OpenClaw sende Dem den færdige opsummering via Telegram hver fredag eftermiddag.

Ingen MCP-connector nødvendig. Skillen lærer AI’en at udføre arbejdet. Pluginen håndterer platformintegrationen.

Beslutningstræet

Hvis De overvejer hvad De skal gribe til:

“Min AI skal kommunikere med en anden tjeneste.” Spørg først: har den tjeneste et eksisterende værktøj? Hvis ja, skriv en skill der lærer AI’en at bruge det. Hvis nej, overvej MCP.

“Min AI ved ikke hvordan man gør X ordentligt.” Brug en skill. Skriv instruktionerne, og AI’en lærer. Hvis opgaven kræver iteration (tjek, ret, tjek igen), håndterer skills det naturligt.

“Jeg skal ændre hvordan OpenClaw selv fungerer.” Brug en plugin. Tilføj en ny beskedkanal, en ny funktion eller en baggrundsopgave.

“Jeg vil have alt det ovenstående i én pakke, der kan installeres.” Det er hvad Claude Code Plugins (januar 2026) og OpenClaw-plugins begge tilbyder: bundler der kan levere skills, værktøjer og platformudvidelser sammen.

Hvad der skete, og hvad der kommer

For et år siden lancerede MCP for at løse et reelt problem: AI havde brug for hvert værktøj formelt beskrevet, fordi den endnu ikke kunne bruge værktøjer selvstændigt. Det problem er stort set løst. Moderne AI kan bruge eksisterende værktøjer med minimal vejledning.

Skills ankom og tilbød noget bygget til denne nye virkelighed: lær AI’en arbejdsgangen i klartekst, lad den bruge de værktøjer den allerede har, og lad den arbejde videre indtil jobbet er gjort. Intet protokol. Ingen ekstra software at køre. Ingen spildt hukommelse. Simon Willison så det med det samme. Armin Ronacher så det. Peter Steinberger byggede en hel platform omkring det.

MCP er ikke død. Det har 97 millioner månedlige downloads og opbakning fra alle store teknologivirksomheder. Det vil fortsat betjene chat-only grænseflader, virksomhedscompliance og tjenester uden eksisterende værktøjer. Men til hands-on arbejde, til automatisering, til alt hvor AI’en kan handle selvstændigt: skills er vejen frem.

Det praktiske råd er simpelt. Start med skills. Grib til plugins, når selve platformen skal udvides. Og hvis De vil have det hele administreret og altid kørende, er det det vi byggede OpenClaw.rocks til.

Hver OpenClaw.rocks-instans understøtter skills og plugins fra starten. Deploy på sekunder på EU-infrastruktur og begynd straks at udvide Deres assistent. Kom gratis i gang eller lær mere om hvad OpenClaw er og hvad det kan.