【理解模型上下文协议（MCP）】
Anthropic 的模型上下文协议（Model Context Protocol，MCP）是一项开放标准，旨在把 AI 模型（例如大型语言模型智能体）与其所需的外部工具和数据源连接起来。即便是最先进的 AI 智能体，如果无法便捷访问外部系统，也可能被“隔离”在缺乏最新数据与服务的环境中。传统上，要把 AI 助手接入每一个数据源或 API，都需要单独定制一次性集成方案，最终形成碎片化、难以扩展的架构。MCP 通过提供一种通用协议来解决这一问题：开发者只需实现一次集成，就能复用到更多服务，而无需为每个新系统重复造轮子。
在实践中，MCP 让 AI 智能体能够以标准化方式调用“工具”（外部系统提供的操作），实现双向交互——既可以获取信息，也可以发送指令——只要该数据仓库、Web 服务或应用提供了 MCP 连接器即可。

============================================================

【MCP 如何工作】
MCP 的架构由 MCP Server 和 MCP Client 组成。

一、MCP Server 是什么
MCP Server 可以理解为对某个数据源、应用或服务的“封装层/适配器”。例如：Google Drive 连接器、数据库接口等。它会通过 MCP 标准暴露一组动作（actions），例如：

• gdrive.getDocument

• database.query

二、MCP Client 是什么
MCP Client 通常内置在 AI 智能体或智能体平台中，负责：

• 发现可用工具（tools）

• 通过协议调用这些工具
  一旦建立连接，智能体就可以用统一语法调用任意已连接 server 上的任意工具。

三、一个端到端例子
比如用户要求智能体：
“从 Google Drive 下载我的会议纪要，并把它附加到 Salesforce 的某个线索（Lead）上。”
智能体可以按步骤调用：

• gdrive.getDocument 获取文件内容

• salesforce.updateRecord 把内容附加到线索记录
  整个多步流程都通过 MCP 的标准化接口完成。

四、协议底层发生了什么
在底层，MCP Client 会把智能体发出的工具调用路由到对应的 MCP Server（例如 Google Drive 连接器）。MCP Server 执行动作并返回结果给智能体。
这种统一方法消除了为每个服务在智能体内部硬编码独立 API 调用方式或凭证的需求。

============================================================

【支撑 AI 智能体工作流：MCP 带来的生态与能力扩展】
通过消除定制集成，MCP 显著降低了构建“可调用大量工具与数据源的智能体”的门槛。自 2024 年末以开源形式推出以来，社区已经为常见平台构建了成千上万的 MCP 连接器（servers），并且主流编程语言都有 SDK 支持。许多组织也把 MCP 视为智能体与工具通信的事实标准。

这意味着：如果你把智能体构建为支持 MCP Client，那么你几乎可以“开箱即用”地接入广泛工具生态（从云盘、SaaS 应用到数据库），而无需额外编写集成代码。早期采用者通过 MCP 为智能体提供更丰富的上下文，例如：Replit、Sourcegraph 等开发平台把智能体接到代码仓库与文档系统，让 AI 能检索相关代码片段或工单，从而更准确地辅助编码任务。
与其被困在静态知识库里，支持 MCP 的智能体可以动态查询业务数据、拉取用户文件、更新记录，或调用任意 MCP Server 提供的能力，把这些动作纳入自己的推理循环。

============================================================

【工具太多带来的挑战：上下文窗口与 Token 成本】
但当智能体连接了大量工具时，也会出现新的问题。一个朴素实现可能会：

• 把每个工具的定义都塞进 prompt 上下文

• 把每一次中间结果都回传给模型
  这会迅速压垮上下文窗口并导致高昂的 token 成本（想象一下：智能体连接了数百个工具，每个工具都有冗长描述；或者把一份大文档的文本反复塞入模型两次）。

为了解决这些问题，开发者开始采用更高效的模式，其中一种典型模式是：把工具调用放到模型上下文之外，通过代码执行来完成。

一、更高效的模式：用代码执行调用 MCP 工具
如果智能体运行环境支持代码执行（例如沙箱脚本），智能体可以生成一段短脚本，用 MCP Client 库只调用必要工具，并在内存中处理数据，而不是把大段输出全部塞进 prompt。
例如在 Anthropic 的 Claude Code 环境里，智能体可以生成脚本来调用 MCP 工具，并在代码层处理返回结果，从而避免把大量中间数据挤进模型上下文。

二、这种模式带来的收益

• 工具定义按需加载，而不是全量加载

• 大数据处理在代码侧完成，减少上下文膨胀

• 智能体可以连接几十甚至几千个工具，而不会拖慢每次对话

• 只在需要时调用工具 API，并以更高效方式处理结果

结果就是：更可扩展的工作流——工具数量增长不会让每次对话变得臃肿低效。

============================================================

【MCP 网关：规模化与安全治理的关键层】
当 MCP 进入真实应用（尤其是企业场景）时，往往需要额外基础设施来管理大量集成的复杂性。这就引出了 MCP 网关（MCP Gateway） 的概念。

MCP 网关是一层集中式中间件，位于 AI 智能体（clients）与多个 MCP servers（工具与数据源）之间，目标是统一、加固与治理工具连接。与其让智能体直接连接组织内四散的多个 MCP server，不如让它连接一个网关，由网关负责代理与编排实际工具访问。
这个中心层能提供关键企业能力：认证、权限控制、使用监控，以及更易扩展的基础设施管理。

============================================================

【以 Peta 为例：MCP 网关与控制平面如何带来价值】
Peta 是一个实现 MCP 网关与控制平面的项目，能直观展示这种架构如何帮助智能体开发者与 IT 团队。

一、统一接入与路由编排
Peta 的网关（Peta Core）终止来自智能体的请求，并将其路由到对应的 MCP server；甚至可以把某些非 MCP 的 API“虚拟化”为工具，通过网关提供给智能体使用。

二、密钥不出网关：服务端注入凭证
Peta 在安全上强调：外部服务的 API key 与凭证不会暴露给智能体，也不会进入 prompts。它们被安全存储在 Vault 中，仅在调用时在内存中注入使用。
Peta 会向智能体发放短期服务 token，采用零信任模型：智能体永远看不到原始密钥。

三、细粒度策略与审批
网关会对每一次工具调用执行细粒度策略，例如：

• 哪些智能体/用户可以调用 deleteUser 这类动作

• 某些操作只能在工作时间执行

• 高风险动作需要人工审批后才能继续

四、按需编排 MCP servers，降低运维与成本
在运维层面，像 Peta 这样的网关还可以按需拉起连接器实例：需要时启动，不用时关闭，减少常驻服务带来的成本与维护压力。
同时它也能把传统 REST/gRPC API 包装成“虚拟 MCP server”，避免你为每个服务都手写一套 MCP 集成。

============================================================

【总结：为什么网关模式让 MCP 进入企业可用状态】
MCP 网关把 MCP 的核心思想（多工具、统一协议）推进到下一阶段：加上一层管理与治理。
对于开发者而言，使用网关并非强制——你可以直接连特定 MCP servers；但当智能体要接入关键系统、或工具数量很多时，网关能提供更“企业级”的路径。

像 Peta 这样的项目展示了：如何让自治智能体在生产环境里“可放心上线”：

• 智能体通过网关获得所需工具能力

• 安全与合规团队得到集中化控制：智能体能做什么、何时能做、是否需要审批

• 所有工具使用都有完整审计日志

• 具备介入机制与严格护栏
  这使 AI 智能体能够安全地处理敏感数据并执行真实操作，同时不牺牲监督与可控性。

============================================================

【智能体技能（Agent Skills）：给 AI 装上领域能力】
如果说 MCP 关注的是把智能体连接到外部能力，那么 Anthropic 的 Agent Skills 则关注让智能体本身具备可复用的“内化技能与知识”。
Skill 本质上是一份模块化知识包：一个文件夹，包含说明、示例，以及可选代码，用来教 AI 如何以可重复、可靠的方式完成某类专门任务。
可以这样类比：

• MCP 像给智能体“工具”

• Skills 像给智能体“作业手册/训练模块（playbook）”

每个技能封装一个专业领域的流程：例如按公司格式生成报告、特定方法分析财务数据、或执行某套应用测试步骤。安装技能后，智能体就具备该流程的操作方法与规范。

============================================================

【Skill 的定义：SKILL.md 的结构】
从技术上看，一个 skill 由 SKILL.md 文件定义（Markdown 格式），由两部分组成：YAML 头部（frontmatter）+ 正文说明。

一、YAML 头部提供元数据
至少包含：

• skill 的唯一名称

• skill 的描述：做什么、何时使用
  这些元数据决定了智能体如何识别与选择技能。

二、正文是详细“操作手册”
YAML 之后的正文包含：

• 详细步骤

• 使用准则

• 示例与注意事项
  这些内容就是技能要教给 AI 的“标准流程”。

三、技能文件夹还可包含其他资源
例如参考文档、模板、脚本等。整个文件夹作为一个自包含模块，可版本管理与共享。Anthropic 也提供了公开的示例技能仓库供参考与复用。

============================================================

【Skills 如何被智能体使用：渐进式披露（Progressive Disclosure）】
Skills 引入了一个关键机制：渐进式披露上下文。它避免把所有可能用到的内容一次性塞进 prompt（对复杂系统这是不可能的），而是分层加载。

一、启动时只加载“目录级信息”
当智能体（例如 Claude）启动或开始会话时，只会把每个技能的：

• 名称

• 描述
  加载到系统提示词中。
  这相当于一个轻量的“目录（table of contents）”，让模型知道有哪些技能可用、各自大概干什么。

例如：有个 skill 名为 excel-reporting，描述为“如何按企业品牌规范生成 Excel 表格并包含公式”。模型看到这条元信息后，就知道需要时可以调用该技能。

二、需要时再加载技能全文
当智能体判断某个技能对当前任务有用，就会“激活”技能并读取 SKILL.md 全文（通过文件读取工具/命令）。这时，技能的详细步骤与示例才进入模型上下文。

三、引用的大文件再按需加载
如果技能还引用了额外文件（比如大型参考手册或可选子流程），智能体也会只在确实需要时再读取。
例如：SKILL.md 里有核心流程，但把“填写 PDF 表单”放在 forms.md 中，只有进入表单填写步骤才会读 forms.md。
这种方式就像一本组织良好的手册：目录随手可查，真正用到的章节才翻开细读。

四、为什么这让规模化成为可能
通过按需加载，技能库不会因为数量增多而膨胀系统 prompt。智能体可以拥有大量技能，而只在调用时付出 token 与延迟成本。
由于技能依赖文件系统访问与（可能的）代码执行，一个技能能包含的信息总量几乎不受限制：智能体可以分批读入技能内容，远超单次 prompt 能承载的信息量。这也是技能对可扩展 AI 工作流极具吸引力的原因之一。

============================================================

【Skills 还能包含代码：用确定性程序提高可靠性】
技能不只是自然语言说明，还可以打包可执行代码，供智能体运行。现代智能体常具备沙箱工具执行能力（如运行 Python），因此技能可以携带脚本，让某些步骤更可靠、更高效。

例如：Anthropic 内置的 PDF 处理技能包含一个 Python 脚本，用于从 PDF 中提取表单字段。智能体需要提取数据时，不必让语言模型硬解析整个 PDF（大且可能非纯文本），也不必在推理里写复杂算法（很费 token），而是直接运行脚本。
通过在关键步骤使用确定性代码，智能体行为会更可靠、更可复现。开发者可以在技能中加入各种 helper 程序，使智能体在技能激活时拥有更多“内置工具”。

============================================================

【开发自定义 Skills：把组织经验变成可复用能力】
对开发者而言，自定义 skill 很直接：

• 用 Markdown 写清楚步骤与规范

• 加一个简短 YAML 头部

• 打包为一个文件夹

例如你可以创建 financial-modeling 文件夹，SKILL.md 的 name 为 financial-modeling，描述为“如何按标准金融实践进行 DCF 折现现金流分析”，并写清流程、示例输入输出；必要时附一个 Python 脚本做精确计算或生成图表。

上传到 Claude（或你的智能体平台）后，当用户提出相关请求，智能体就能利用该 skill 以专家方式完成任务，即使基础模型本身并未被训练过你这套具体流程。Anthropic 也指出，这种方式可以把组织最佳实践沉淀下来，让“新成员从第一天起就能拿到专家级结果”，因为所有人用的是同一套 skills。
技能还可叠加：复杂任务中，智能体可能连续使用多个技能（比如先用 data-cleaning，再用 report-writing），无需你显式指令切换。

值得注意的是：截至 2025 年末，Anthropic 将 Skills 格式以 Agent Skills 形式开源，并提供了跨平台规范（agentskills.io）。这意味着 skills 不仅属于 Claude：其他框架也可以采用同一标准，实现“写一次，到处用”。同一 skill 定义已经可在 Claude 网页端、Claude Code、API 等多个界面复用，这种可移植性对开发者是巨大优势。

============================================================

【对比 MCP 与 Skills：差异与最佳用法】
MCP 与 Agent Skills 是互补的两类工具，目标都是增强智能体能力，但解决的问题不同。可以从功能、灵活性、模块化与典型场景来对比：

一、功能：外部工具 vs 内部知识

• MCP：给智能体外部能力（“手和脚”）。需要实时数据、发邮件、查数据库、调用内部 API、执行交易等，都属于 MCP 的范围：它把智能体通过标准化工具接口连接到外部系统。

• Skills：给智能体内部专业能力（“大脑与作业手册”）。Skill 通常不直接连接外部服务（尽管可包含代码去调用），而是提供结构化指导、领域逻辑与操作标准。例如：MCP 让智能体能连 CRM；Skill 让智能体知道如何按公司规范完成销售沟通或按公司政策生成 CRM 报告。Skills 用显式步骤与标准补足基础模型可能没有、或无法稳定执行的流程性知识。

二、灵活性与可扩展性：向外扩展 vs 向内加深

• MCP 扩展的是“能做什么/能访问什么”（广度）：只要有 MCP server（没有也可以写或由网关包装），几乎任何服务都能接入，智能体可获取实时信息与执行操作。

• Skills 扩展的是“知道什么/怎么做”（深度）：你可以不断添加/更新技能，教智能体新方法或改进行为；且因渐进式披露，技能库规模增长不会压垮基础 prompt。

总结：MCP 让智能体向外“触达”更广；Skills 让智能体在特定领域“做得更对、更一致”。

三、模块化与维护：集成模块化 vs 认知模块化

• MCP 让外部集成模块化：每个工具/服务用独立 connector（server）实现，智能体用统一接口调用，便于增删改。

• Skills 让知识与流程模块化：每个 skill 是自包含插件，可独立开发测试、随时启停，组织内部可复用同一 skill 保持一致性（例如全公司共用“公司写作风格”技能）。

两者都提高可维护性：

• MCP 避免为每个 agent/场景重复写集成逻辑

• Skills 避免在多个场景重复粘贴长 prompt 或操作说明

四、典型使用场景：什么时候用 MCP，什么时候用 Skills，什么时候一起用

• MCP 适合：实时数据访问、交易、工具调用、外部动作执行（研究助手的检索、客服接工单系统、运维做部署/通知等）。

• Skills 适合：流程一致性、领域推理、格式与标准（法律文书结构、代码审查清单、数据分析步骤等）；也适合解决大知识库的上下文窗口问题（技能可按需读取大量参考材料）。

• 最佳实践通常是两者结合：例如“自动生成业务报告”的智能体，可以用 MCP 抓数据、拉文件、执行外部命令，再用 Skills 按公司规范分析并写报告。MCP 解决连接与动作，Skills 保证方法与输出质量。

============================================================

【结论】
Anthropic 的 MCP 与 Agent Skills 代表构建更强大 AI 智能体的两项重要进展。

• MCP 通过标准化接口让智能体走出“模型沙箱”，与软件与数据世界交互：检索信息、调用 API、修改外部系统状态，从而把聪明聊天机器人升级为真正能执行工作流的智能体。

• Skills 则把现实任务的细节与复杂性，通过“人类式步骤与组织经验”注入智能体推理：让智能体更一致、更可靠、更专业，而无需重新训练模型。

对开发者而言，两者都强调“配置与组合”而非硬编码：让 MCP 负责工具连接，让 Skills 负责任务流程。模块化带来的收益是可演进：你可以独立替换某个 MCP connector，或单独升级某个 skill 的流程，而无需推翻整个智能体系统。开放标准也促进了生态与复用：你能使用别人做的连接器与技能，也能分享自己的能力，加速创新。

总之，MCP 与 Skills 分别从“行动能力”与“专业知识”两个维度增强智能体，二者互补。下一代智能体产品往往会同时使用它们：

• 用 MCP 把智能体接入 API 与数据库世界

• 用 Skills 把领域经验与流程知识接入智能体“脑中”
  两者结合，我们离真正能在复杂环境中自治运行的智能体更近一步：它们不仅知道该做什么、怎么做，还能用对的工具在对的时机把事情真正做完。