MCP / Agent / Skill 技术生态分类汇总文档

本文档系统梳理2026年AI Agent技术栈三大核心层级——MCP（模型上下文协议） 、Agent框架与Skill（技能） 的开源项目、商业产品及其协作关系，为技术选型与架构设计提供参考。

一、概述：三层架构的定位与关系

在2026年的AI Agent技术生态中，MCP、Agent、Skill三者构成了清晰的分层协作关系：

层级	定位	核心问题	驱动者
MCP（平台治理层）	标准化通信协议	“能不能做”——安全连接外部工具与数据	工程师、SRE
Agent（执行调度层）	智能体编排框架	“谁来协调”——多角色分工与任务流转	开发者、架构师
Skill（业务聚合层）	可复用能力封装	“怎么做才对”——业务规则与流程规范	产品经理、业务专家

三者并非替代关系，而是协作关系。MCP解决“触达”问题，Agent解决“调度”问题，Skill解决“规范”问题。MCP官方文档如今也推荐使用Skill来构建MCP服务器。

二、MCP（Model Context Protocol）：标准化能力接入层

2.1 协议概述

MCP是由Anthropic推出的开放标准协议，让LLM应用通过标准化接口安全连接外部数据源、API和服务。它被定位为“AI助手的通用插件系统”——在此之前，每个AI工具（Claude、Cursor、Copilot等）都需要为每个外部服务做定制集成；MCP改变了一切：一个MCP服务器暴露一组tools和resources，任何MCP兼容客户端都能自动发现和调用。

MCP协议基于JSON-RPC 2.0，采用客户端-服务器架构。2026年7月28日，MCP发布了重大更新，从有状态连接升级为无状态连接，为高性能集成奠定了基础。企业级授权扩展（Enterprise-Managed Authorization）已于2026年6月18日稳定发布。

MCP Server向Client暴露三种核心原语：

• Tools：可执行的函数/操作（双向，可修改外部状态），启动时批量注册并注入system prompt
• Resources：只读数据（单向），按需惰性拉取，适合表schema、文档等大量参考数据
• Prompts：预定义提示词模板（单向），用于标准化引导重复性任务

2.2 支持MCP的主流客户端

MCP已获得广泛生态支持，以下客户端均已集成MCP：

客户端	类型	说明
Claude Desktop	桌面应用	Anthropic官方客户端，MCP首发支持
Cursor	IDE	主流AI编程IDE，完整MCP支持
VS Code	IDE	通过Copilot Chat支持MCP Server
Zed Editor	IDE	原生MCP集成
Sourcegraph Cody	编程助手	Cody x MCP
Continue	编程助手	开源IDE插件，支持MCP
Gemini CLI	CLI工具	Google Gemini命令行工具
Qwen Code CLI	CLI工具	通义千问代码CLI
Google Antigravity IDE	IDE	Google云端IDE
LibreChat	对话平台	开源ChatGPT替代，支持MCP Agent
Goose	扩展平台	Block开源扩展框架
Enconvo	桌面应用	AI助手平台

2.3 MCP Server开源实现（按语言/框架分类）

Python实现

项目	说明	特点
zeromcp	零依赖MCP服务器实现	纯Python，轻量级，聚焦工具暴露
dedalus-mcp-python	简单高性能MCP框架	高性能Python框架

Go实现

项目	说明	特点
mcp-go	Go语言MCP实现	支持2025-11-25及多个历史版本规范
viant/mcp	Go MCP客户端/服务端	含bridge和auth helpers

.NET实现

项目	说明	特点
dotnet-mcp-server	.NET MCP参考实现	无状态HTTP传输，含tools/resources/prompts
Microsoft.Agents.AI.Mcp	微软官方MCP包	支持Agent从MCP Server发现和加载Skill

TypeScript/Node.js实现

项目	说明	特点
mcp-stdio	极简stdio MCP服务器	~150行代码，仅依赖serde_json
midsane/mcp	TypeScript文件系统MCP	暴露4个工具，stdio传输

其他语言实现

项目	语言	说明
mcp-server-bash-sdk	Bash	纯Bash实现，零开销
tiny-mcp	C++	最小C++框架，处理JSON-RPC 2.0
R-based MCP Server	R	R语言MCP服务器
stateless-mcp-starter	多语言	对齐2026-07-28规范，纯HTTP水平扩展

2.4 MCP Server生态目录

多个社区维护了MCP Server的精选目录：

• awesome-mcp-servers（appcypher）：精选MCP服务器列表，按文件系统、沙箱、版本控制等分类
• awesome-mcp-servers（habitoai）：按AI服务、浏览器自动化、数据库、开发者工具等20+分类整理
• MCP-Directory：最全面的社区驱动目录，收录100+ MCP服务器，支持Claude Code、Gemini CLI、Qwen Code、Cursor、VS Code等客户端配置
• PolicyLayer MCP Server Catalogue：风险分类目录，覆盖2,031个服务器、31,000个工具（2026年6月数据）

2.5 MCP Server功能分类（精选）

基于社区目录整理的主要类别：

类别	代表项目	功能
文件系统	官方filesystem Server	文件读写、目录操作
版本控制	GitHub MCP Server	PR、Issue、代码搜索
数据库	PostgreSQL MCP	数据库查询与操作
搜索	Exa MCP Server、DuckDuckGo MCP	网页搜索
浏览器自动化	Puppeteer MCP	浏览器控制与页面交互
云平台	4EVERLAND Hosting MCP	云部署
AI服务	E2B MCP Server	安全运行AI生成代码
知识/记忆	Langfuse MCP Server	Prompt管理
金融	Plaid MCP、Stripe MCP	支付与金融数据

三、Agent框架：智能体编排与执行层

3.1 技术演进脉络

Agent框架经历了三代技术演进：

世代	时期	代表框架	核心思想
第一代	2023年	LangChain	链式调用，将LLM、工具、记忆串联成线性工作流
第二代	2023末-2024年	AutoGen、CrewAI	对话式多Agent，角色分工与任务分解
第三代	2024-2026年	LangGraph	状态机图编排，确定性流程控制、断点续跑、可观测性

3.2 主流框架全景对比

2026年，四大框架主导Python多Agent协调市场：

框架	开发者	GitHub Star	核心定位	协议	最佳场景
LangGraph	LangChain	90K+	状态机图编排	MIT	生产级有状态Agent
CrewAI	CrewAI	45K+	角色型多Agent协作	MIT	快速原型、团队模拟
AutoGen (AG2)	Microsoft	—	多Agent对话协作	—	人机协同工作流
Claude Agent SDK	Anthropic	—	安全优先的Agent运行时	—	Claude模型专用

LangChain / LangGraph

LangChain生态由三大核心组件构成：

• LangChain：基础组件库（LLM封装、Prompt模板、工具调用、向量存储、记忆系统）
• LangGraph：基于状态机的有向图编排引擎，支持循环、条件分支、断点续跑、子图嵌套
• LangSmith：可观测性平台（调试、追踪、评估、监控）

LangGraph采用 “状态机+有向图” 的核心抽象，适合需要确定性强、可观测性好的生产环境。

CrewAI

CrewAI以 “角色+任务+团队” 为核心范式，上手最快、最贴近真实协作。月下载量达520万。适合让多个AI Agent分工合作（如一个负责调研、一个负责写作、一个负责审核）。缺点是灵活度有限，复杂分支处理弱。

AutoGen（AG2）

AutoGen（现已更名为AG2）由微软研究院推出，主打多Agent对话协作模式。特点是协作自然、人机协同好。2026年微软将其拆分为4个独立模块。

Claude Agent SDK

Anthropic出品，Safety-first设计理念，内置8个开箱即用工具（Read、Write、Edit、Bash、Glob、Grep、WebSearch、WebFetch）。MCP集成是所有框架里最深的。缺点是只能使用Claude模型。

3.3 新兴与垂直领域框架

框架	开发者	核心定位	亮点
DeerFlow 2.0	字节跳动	超级Agent框架（复杂长任务）	MIT协议，GitHub Trending榜首，基于LangGraph构建，整合子Agent编排、沙盒执行、长期记忆、可扩展技能系统
Hermes Agent	Nous Research	自进化个人智能体	60K+ Star，首创“闭环学习回路”，五层记忆系统、自主技能生成
OpenClaw	OpenClaw Inc.	AI编程助手	300K+ Star，主打IDE编程集成，已发布iOS/Android原生App
AutoGPT	AutoGPT Team	通用任务自动化	160K+ Star，擅长多步骤网页操作、信息采集
EvoAgentX	—	自进化AI Agent生态系统	开源框架，自动化、模块化构建和演化LLM Agent
PraisonAI	—	AI Agent开发框架	10K+ Star
Micro-Agent	—	轻量级垂域Agent框架	面向垂直领域应用
AI-Agent-Node	—	Node.js Agent脚手架	基于LangChain，集成RAG、工具调用、技能编排、长期记忆

3.4 框架选型决策指南

根据场景选择框架：

场景	推荐方案	原因
单轮问答/简单RAG	直接调API	无需框架，避免额外开销
调用2-3个工具	Function Calling	够用且轻量
多步骤任务编排	LangGraph / Claude Agent SDK	状态管理与流程控制强
多Agent协作	CrewAI / AutoGen(AG2)	角色分工与对话驱动
非技术人员搭建	Dify / Coze	低代码/无代码

关键提醒：CrewAI在简单任务上的Token消耗是LangGraph的3倍。80%的团队高估了自己对Agent框架的需求，但剩下20%的团队低估了选错框架的代价。

四、Skill（技能）：业务能力封装层

4.1 Skill概述

Agent Skill是一种便携式能力包，包含指令、资源和脚本，通过渐进式披露模式为Agent提供专项能力——Agent先看到技能的简短广告，只有在任务匹配时才加载完整指令和资源。

Skill解决的是 “怎么做才对” 的问题——将业务规则、决策逻辑与合规要求以声明式、可读、可维护的方式注入AI代理。

4.2 主流Skill生态

项目	开发者	说明	规模
Hermes Agent Skills	Nous Research	Hermes Agent内置+可选技能	内置90个，官方Hub 70+可选，覆盖15+类别
SkillClaw	阿里高德DreamX团队	AI Agent技能集体进化框架	让Agent从真实交互中自动进化技能——自动去重、补全、跨设备同步
SkillX	ZJUNLP	自动化Skill知识库构建框架	从经验中自动构建可复用、即插即用的技能知识库，三层架构：战略规划→功能技能→原子技能
COLLEAGUE.SKILL	—	自动化技能生成系统	通过专家知识蒸馏生成人格化AI技能
skills.sh	Vercel	AI Agent技能市场	上线当天2万次安装，目前600+社区技能
ai-skills-for-everyone	Datawhale	开源AI技能库（中文）	面向普通学习者，按场景提供教程和开箱starter
khazix-skills	—	AI Skills合集	含AI HOT资讯查询、横纵分析报告、卡兹克写作等

4.3 Skill与MCP的协同

最值得关注的是Skill与MCP的协同模式：

• Skill定义业务流程：告诉Agent“要做什么、按什么顺序做、失败怎么办”
• MCP提供原子能力：让Agent“能做什么”——抓数据、调接口、跑命令

实践中，Skill可以调用MCP工具来完成具体操作。例如：一个“代码评审Skill”定义评审流程和规范，其中每一步通过MCP调用GitHub API、代码扫描工具等具体能力。

微软官方已支持Agent从MCP服务器发现和加载Skill——“Author once, serve everywhere”：平台团队将Skill发布到MCP服务器，任何连接的Agent都能自动获取，无需重新打包或重新部署。

五、三者协同：完整技术栈架构

5.1 分层架构图

┌─────────────────────────────────────────────────────────────┐
│                     人类调度员（驾驶舱）                      │
│              “确认 / 驳回 / 修改参数 / 紧急接管”             │
└─────────────────────────────────────────────────────────────┘
                              │
┌─────────────────────────────────────────────────────────────┐
│              Agent框架层（调度与编排）                       │
│   LangGraph / CrewAI / AutoGen / DeerFlow / Hermes Agent   │
│          “谁来协调、任务如何流转、状态如何管理”              │
└─────────────────────────────────────────────────────────────┘
                              │
┌─────────────────────────────────────────────────────────────┐
│                Skill层（业务规范与流程）                     │
│   SkillX / SkillClaw / Hermes Skills / 自定义Skill         │
│          “怎么做才对——业务规则、决策逻辑、合规”             │
└─────────────────────────────────────────────────────────────┘
                              │
┌─────────────────────────────────────────────────────────────┐
│              MCP层（标准化能力接入）                         │
│   文件系统 / 数据库 / GitHub / 浏览器 / 云平台 / 搜索       │
│          “能不能做——安全连接外部工具与数据”                 │
└─────────────────────────────────────────────────────────────┘

5.2 协作流程示例

以一个完整的“代码审查与自动修复”任务为例：

1. 人类在驾驶舱下达指令：“审查PR #123并修复发现的问题”
2. Agent框架（如CrewAI） 启动多Agent协作：
   • 架构Agent分配任务
   • 审查Agent执行代码扫描
   • 修复Agent生成补丁
3. Skill层提供规范：
   • “代码审查Skill”定义审查标准（命名规范、安全规则、性能阈值）
   • “合规Skill”检查是否违反数据安全条款
4. MCP层提供能力：
   • GitHub MCP Server拉取PR内容
   • 代码扫描MCP Server执行静态分析
   • 数据库MCP Server查询相关数据表结构

整个过程人类只需在关键节点确认，其余由三层协同自动完成。

5.3 安全与治理

MCP Server若不进行适当沙箱隔离，可能执行任意代码。最佳实践：

• 使用官方实现
• 在VM或隔离环境运行
• 审查代码后再安装
• 权限最小化
• 监控Server活动

MCP的企业级授权扩展已于2026年6月18日稳定发布，为大规模企业部署提供了细粒度权限控制。

六、技术选型建议

6.1 按需求场景选型

需求场景	MCP选型	Agent框架选型	Skill选型
快速验证概念	使用现成MCP Server（文件系统、GitHub等）	CrewAI（上手最快）	使用社区已有Skill
企业级生产部署	自建MCP Server + 官方SDK	LangGraph（状态管理最强）	自建业务Skill + SkillX管理
IDE编程集成	Cursor/VS Code MCP支持	OpenClaw	Hermes Agent Skills
多Agent复杂协作	多MCP Server组合	AutoGen(AG2)或DeerFlow 2.0	SkillClaw（技能自进化）
国产模型优先	Qwen Code CLI MCP	DeerFlow 2.0（字节）	中文Skill库

6.2 关键技术指标参考

• MCP生态规模：2,031个服务器、31,000个工具（2026年6月）
• Hermes Agent：60K+ Star，内置90+技能
• OpenClaw：300K+ Star
• AutoGPT：160K+ Star
• LangGraph：90K+ Star
• CrewAI月下载量：520万
• Skill市场：600+社区技能（skills.sh）

七、结语

2026年的AI Agent技术栈已形成 “MCP做触达、Agent做调度、Skill做规范” 的清晰分层。三者各司其职、协同工作，共同构成了从“一句话需求”到“完整应用交付”的全链路基础设施。

正如你之前所构想的“AI社会分工”——MCP是各个“部门”的标准化接口，Agent是“管理层”的调度系统，Skill是每个岗位的“作业指导书”。三者结合，正在将你设想的透明驾驶舱从蓝图变为现实。

未来已来，只是尚未均匀分布。