MCP 与 AI Agent Skills 深度解析：让 AI 连接万物的协议与技能系统

AI 模型的强大毋庸置疑，但它们面临两个根本局限：知识有截止日期，无法主动操作外部世界。MCP（Model Context Protocol）和 Skill 系统分别从"连接"和"能力封装"两个维度解决这一困境。本文系统解析 MCP 协议原理与 2026 最新无状态架构演进、主流 MCP Server 生态，以及 AI Agent Skill 系统的设计范式与工程实践。

一、MCP 协议：AI 世界的 USB-C

1.1 为什么需要 MCP？

在 MCP 出现之前，AI 应用连接外部工具需要为每个工具单独开发适配代码：

传统方式（每个工具独立适配）：
AI → 定制代码A → 工具A
AI → 定制代码B → 工具B
AI → 定制代码C → 工具C
（n 个工具 = n 套定制代码）

MCP 方式（统一协议）：
AI → MCP Client → MCP Server A → 工具A
                  → MCP Server B → 工具B
                  → MCP Server C → 工具C
（n 个工具 = n 个 MCP Server，共用同一协议栈）

MCP 的本质：像 USB-C 一样——一个接口，连接万物。一次开发，处处可用。

1.2 核心架构

MCP 采用经典的客户端-服务器架构：

┌──────────────────────────────────────────────────────────┐
│                      AI 宿主应用 (Host)                    │
│                                                            │
│   Claude Desktop / Cursor / VS Code / OpenClaw / ...      │
│                                                            │
│   ┌──────────────────────────────────────────────────┐    │
│   │              MCP Client                           │    │
│   │  ┌─────────┐  ┌─────────┐  ┌─────────┐          │    │
│   │  │Client A │  │Client B │  │Client C │          │    │
│   │  └────┬────┘  └────┬────┘  └────┬────┘          │    │
│   └───────┼────────────┼────────────┼────────────────┘    │
└───────────┼────────────┼────────────┼─────────────────────┘
            │            │            │
    stdio / HTTP+SSE     │            │
            │            │            │
┌───────────┼────────────┼────────────┼─────────────────────┐
│           ▼            ▼            ▼                      │
│  ┌──────────────┐ ┌──────────┐ ┌────────────┐             │
│  │  MCP Server  │ │  MCP     │ │  MCP       │             │
│  │  (文件系统)   │ │  Server  │ │  Server    │             │
│  │              │ │  (数据库) │ │  (API服务) │             │
│  │  • 工具      │ │  • 工具   │ │  • 工具     │             │
│  │  • 资源      │ │  • 资源   │ │  • 资源     │             │
│  │  • 提示模板  │ │  • 提示模板│ │  • 提示模板 │             │
│  └──────────────┘ └──────────┘ └────────────┘             │
│      文件系统        PostgreSQL       GitHub / Slack        │
└──────────────────────────────────────────────────────────┘

1.3 三大核心能力

MCP Server 向 AI 暴露三种能力：

工具（Tools）—— AI 可执行的函数

typescript

// MCP Server 定义工具
const tools = {
  name: "send_email",
  description: "发送电子邮件",
  inputSchema: {
    type: "object",
    properties: {
      to: { type: "string", description: "收件人邮箱" },
      subject: { type: "string", description: "邮件主题" },
      body: { type: "string", description: "邮件正文" },
    },
    required: ["to", "subject", "body"],
  },
};

AI 调用时，会收到结构化的调用结果：

AI: "帮我发一封邮件给 zhangsan@example.com"
MCP Server 返回:
{
  "content": [
    { "type": "text", "text": "✅ 邮件已发送至 zhangsan@example.com" }
  ]
}

资源（Resources）—— AI 可读取的数据

typescript

// MCP Server 定义资源
const resources = [
  {
    uri: "file:///project/src/app.tsx",
    name: "app.tsx 源码",
    mimeType: "text/typescript",
  },
  {
    uri: "db://users/count",
    name: "用户总数",
    mimeType: "application/json",
  },
];

提示模板（Prompts）—— 可复用的提示词

typescript

const prompts = [
  {
    name: "code_review",
    description: "代码审查模板",
    arguments: [
      { name: "language", description: "编程语言" },
      { name: "code", description: "待审查代码" },
    ],
  },
];

二、MCP 2026 无状态架构重大更新

2.1 为什么需要无状态化？

MCP 早期版本依赖有状态会话，每次请求需要绑定到特定服务器实例，导致：

水平扩展困难：多实例部署时，会话路由复杂
连接管理开销：需要维护长连接生命周期
故障恢复复杂：断连后状态同步困难

2.2 新版无状态架构

2026 年 7 月，MCP 核心规范正式升级为无状态架构：

旧架构（有状态）：
Client ──→ Session ──→ Server Instance
            (维护状态)

新架构（无状态）：
Client ──→ Request ──→ Any Server Instance
            (每次独立)

核心变化：

移除会话机制：不再依赖 sessionId，每次请求完全独立
初始化握手简化：initialize 流程压缩为单次元数据交换
弃用三项功能：长期会话状态、超时重连、同步状态推送

无状态架构的优势：

维度	有状态	无状态
水平扩展	需要会话亲和性	任意实例可处理
部署复杂度	高（状态同步）	低（无状态）
故障恢复	需重建会话	自动重试
适用场景	本地桌面应用	云端服务部署

三、构建自己的 MCP Server

3.1 Python 实现（推荐）

使用官方 mcp Python 包：

bash

pip install mcp

python

# server.py
from mcp.server.fastmcp import FastMCP

# 创建 MCP Server 实例
mcp = FastMCP("MyToolServer")

# 定义工具
@mcp.tool()
def search_pubmed(query: str, max_results: int = 10) -> list:
    """搜索 PubMed 论文数据库
    
    Args:
        query: 搜索关键词
        max_results: 最大返回数量
    """
    # 实际调用 PubMed API
    results = pubmed_search(query, max_results)
    return [
        {
            "title": r["title"],
            "authors": r["authors"],
            "abstract": r["abstract"],
            "pmid": r["pmid"],
            "url": f"https://pubmed.ncbi.nlm.nih.gov/{r['pmid']}/"
        }
        for r in results
    ]

@mcp.tool()
def query_database(sql: str) -> list:
    """执行只读 SQL 查询"""
    if sql.strip().upper().startswith("SELECT"):
        return db.execute(sql).fetchall()
    raise ValueError("仅支持 SELECT 查询")

# 定义资源
@mcp.resource("file://{path}")
def read_file(path: str) -> str:
    """读取项目文件"""
    with open(path, "r") as f:
        return f.read()

@mcp.resource("db://schema")
def db_schema() -> dict:
    """返回数据库 schema"""
    return {"tables": db.get_tables(), "columns": db.get_columns()}

# 定义提示模板
@mcp.prompt()
def code_review(language: str, code: str) -> str:
    """代码审查提示"""
    return f"""请审查以下 {language} 代码，关注：
1. 潜在的 bug 和安全问题
2. 性能优化建议
3. 代码风格和可读性

```{language}
{code}
```"""

if __name__ == "__main__":
    mcp.run(transport="stdio")  # 本地进程通信
    # 或使用 HTTP
    # mcp.run(transport="streamable-http", host="0.0.0.0", port=3000)

3.2 TypeScript/Node.js 实现

bash

npm install @modelcontextprotocol/sdk

typescript

// server.ts
import { Server } from "@modelcontextprotocol/sdk/server/stdio.js";
import {
  CallToolRequestSchema,
  ListToolsRequestSchema,
  ListResourcesRequestSchema,
} from "@modelcontextprotocol/sdk/types.js";

const server = new Server(
  { name: "github-mcp-server", version: "1.0.0" },
  {
    capabilities: {
      tools: {},
      resources: {},
    },
  }
);

// 注册工具列表
server.setRequestHandler(ListToolsRequestSchema, async () => ({
  tools: [
    {
      name: "create_issue",
      description: "在 GitHub 仓库创建 Issue",
      inputSchema: {
        type: "object",
        properties: {
          owner: { type: "string", description: "仓库所有者" },
          repo: { type: "string", description: "仓库名" },
          title: { type: "string", description: "Issue 标题" },
          body: { type: "string", description: "Issue 正文" },
          labels: { type: "array", items: { type: "string" }, description: "标签" },
        },
        required: ["owner", "repo", "title"],
      },
    },
    {
      name: "search_repos",
      description: "搜索 GitHub 仓库",
      inputSchema: {
        type: "object",
        properties: {
          q: { type: "string", description: "搜索关键词" },
          per_page: { type: "number", default: 10 },
        },
        required: ["q"],
      },
    },
  ],
}));

// 处理工具调用
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  const { name, arguments: args } = request.params;

  if (name === "create_issue") {
    const issue = await githubApi.createIssue(args);
    return {
      content: [
        {
          type: "text",
          text: `✅ Issue 创建成功\n#${issue.number} ${issue.title}\n${issue.html_url}`,
        },
      ],
    };
  }

  if (name === "search_repos") {
    const results = await githubApi.searchRepos(args.q, args.per_page);
    return {
      content: [
        {
          type: "text",
          text: results.map(r => `- [${r.full_name}](${r.html_url}): ${r.description}`).join("\n"),
        },
      ],
    };
  }

  throw new Error(`Unknown tool: ${name}`);
});

server.run();

3.3 配置到 Claude Desktop / Cursor

json

// ~/.config/claude-desktop/claude_desktop_config.json
{
  "mcpServers": {
    "my-tool-server": {
      "command": "node",
      "args": ["/path/to/server/dist/index.js"],
      "env": {
        "API_KEY": "your-api-key"
      }
    },
    "pubmed-server": {
      "command": "python",
      "args": ["/path/to/server.py"]
    },
    "github-server": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"]
    }
  }
}

四、MCP 生态现状

4.1 官方与热门 MCP Servers

类别	代表	说明
官方	`@modelcontextprotocol/server-*`	GitHub、Filesystem、AWS、Memory 等
数据库	`mcp-sql-server`	PostgreSQL、MySQL、MongoDB
搜索	`mcp-pubmed-server`	PubMed 论文检索
协作	`mcp-slack-server`	Slack 消息与频道管理
开发	`mcp-code-review`	自动代码审查
云服务	`mcp-aws-server`	AWS 资源操作
向量库	`mcp-chroma-server`	Chroma 向量数据库

4.2 MCP Registry 生态

主流 MCP 注册平台：

官方 Registry：Anthropic 维护的标准化注册表
Smithery：社区驱动的 MCP Server 发现平台
Glama：AI 工具与 MCP Server 搜索引擎

截至 2026 年，GitHub 上已有 900+ MCP 相关开源项目

五、AI Agent Skill 系统

5.1 为什么需要 Skill？

大语言模型知道"发送邮件"的概念，但不知道你的企业系统如何发邮件：

LLM 的局限：
✅ 知道"发送邮件"的语义
✅ 能生成"发送邮件"的通用流程
❌ 不知道你的飞书/钉钉/自建邮件系统的具体 API
❌ 不知道操作顺序、参数格式、错误处理

Skill 的价值：
给 LLM 一本"企业系统操作手册"，让它按手册执行。

5.2 Skill 的结构

一个标准 Skill 包含以下文件：

my-skill/
├── SKILL.md          # 核心：Skill 的元数据 + 使用说明
├── scripts/
│   └── deploy.sh     # 可选：辅助脚本
├── references/
│   └── api-ref.md    # 可选：参考资料
└── assets/            # 可选：图片、模板等

5.3 SKILL.md 规范

markdown

---
name: deploy-to-production
description: 将应用部署到生产环境，包含构建、测试、发布全流程
category: devops
triggers:
  - "部署"
  - "上线"
  - "发布"
  - "deploy to production"
version: "1.0.0"
author: "platform-team"
---

# Deploy to Production Skill

## 概述

本 Skill 用于将应用安全地部署到生产环境。

## 前置条件

- 必须通过 CI/CD 流水线验证
- 需要两名工程师确认 review
- 禁止在非工作时间部署

## 执行流程

### Step 1: 环境检查

```bash
# 检查当前分支
git branch --show-current

# 检查是否有未合并的 PR
gh pr status

Step 2: 构建镜像

bash

docker build -t registry.example.com/app:$TAG .
docker push registry.example.com/app:$TAG

Step 3: 更新 Kubernetes

bash

kubectl set image deployment/app app=registry.example.com/app:$TAG
kubectl rollout status deployment/app

错误处理

错误码	含义	处理方式
E001	构建失败	检查 Dockerfile 和依赖
E002	镜像拉取失败	检查 registry 凭证
E003	健康检查超时	回滚并告警

示例

用户: 帮我部署 v2.1.0 到生产环境
Skill → 触发 deploy-to-production → 执行上述流程

注意事项

⛔ 禁止直接修改生产数据库
⛔ 禁止跳过测试步骤
⛔ 紧急修复需要走紧急发布通道


### 5.4 Skill 与 MCP 的关系

┌─────────────────────────────────────────────────┐ │ AI Agent │ │ │ │ ┌─────────────┐ ┌────────────────────────┐ │ │ │ Skill │ │ MCP │ │ │ │ (知识/流程) │ │ (工具/操作) │ │ │ │ │ │ │ │ │ │ • 操作手册 │ │ • 执行函数 │ │ │ │ • 业务规则 │ │ • 外部系统连接 │ │ │ │ • 流程规范 │ │ • 数据读写 │ │ │ └──────┬──────┘ └───────────┬───────────┘ │ │ │ │ │ │ └──────────┬─────────────┘ │ │ │ │ │ Skill + MCP = 完整 AI 能力 │ └──────────────────────────────────────────────────┘


**简单区分**：
- **MCP** = 让 AI **操作**外部系统（调用函数）
- **Skill** = 让 AI **理解**业务规则和流程（knowing how）

## 六、Skill 开发最佳实践

### 6.1 意图匹配设计

Skill 的触发需要精确的意图匹配：

```python
# intent_matcher.py
class SkillMatcher:
    def __init__(self, skills: list[Skill]):
        self.skills = skills
        self.exact_map = {}   # 精确关键词 → Skill
        self.fuzzy_index = {} # 模糊语义索引

    def register(self, skill: Skill):
        for trigger in skill.triggers:
            # 精确匹配
            self.exact_map[trigger.lower()] = skill
            # 语义索引
            self.fuzzy_index.add(skill, trigger)

    def match(self, user_message: str) -> Skill | None:
        msg = user_message.lower().strip()

        # 1. 精确匹配
        if msg in self.exact_map:
            return self.exact_map[msg]

        # 2. 包含匹配
        for trigger, skill in self.exact_map.items():
            if trigger in msg:
                return skill

        # 3. 语义相似度匹配
        scores = self.fuzzy_index.score(user_message)
        best = max(scores.items(), key=lambda x: x[1])
        return best[1] if best[1] > 0.7 else None

6.2 Skill 版本管理

yaml

# SKILL.yaml - Skill 的版本规范
apiVersion: agent.skills/v1
kind: Skill

metadata:
  name: deploy-to-production
  version: "1.2.0"
  deprecates: ["deploy-prod-v1"]

spec:
  triggers:
    - deploy to production
    - 上线
  
  runtime:
    # Skill 执行时的上下文要求
    requires:
      env:
        - DEPLOY_ENV
        - KUBECONFIG
      tools:
        - kubectl
        - docker
      permissions:
        - write:production
        - read:kubernetes

  guardrails:
    # 安全限制
    max_execution_time: 600  # 最多 10 分钟
    require_human_approval: true
    blocked_environments:
      - non-prod  # 仅限生产环境使用

  outputs:
    - type: log
      destination: slack:#deployments
    - type: artifact
      path: deploy-report.json

6.3 技能编排

多个 Skill 可以组合成复杂的工作流：

python

# skill_orchestrator.py
class SkillOrchestrator:
    def execute_workflow(self, workflow_name: str, context: dict) -> list[ToolResult]:
        workflow = self.workflows[workflow_name]
        results = []
        ctx = context.copy()

        for step in workflow.steps:
            skill = self.matcher.match(step.trigger)
            if not skill:
                raise SkillNotFoundError(f"No skill for: {step.trigger}")

            # 注入前置步骤的结果作为上下文
            ctx[f"step_{step.id}_result"] = results[-1] if results else None

            # Skill 级别的准入检查
            self.guardrails.check(skill, ctx)

            # 执行
            result = await skill.execute(ctx, step.params)
            results.append(result)

            # 失败停止
            if not result.success and workflow.stop_on_error:
                break

        return results

# 定义工作流
workflows = {
    "full-deploy": Workflow(
        steps=[
            Step(id=1, trigger="run-tests", params={"suite": "integration"}),
            Step(id=2, trigger="build-docker-image", params={"tag": "{{step_1.tag}}"}),
            Step(id=3, trigger="deploy-canary", params={"percentage": 10}),
            Step(id=4, trigger="smoke-test", params={"env": "production"}),
            Step(id=5, trigger="deploy-full", condition="step_4.all_passed"),
            Step(id=6, trigger="notify-slack", params={"channel": "#deployments"}),
        ],
        stop_on_error=True,
    ),
}

七、MCP vs Skill vs Function Calling

维度	MCP	Skill	Function Calling
定位	协议标准	能力封装	模型能力
核心作用	连接外部工具	封装业务知识	调用外部函数
标准化	开放协议（通用）	平台相关（定制）	模型内置（通用）
适用场景	工具接入	业务流程	简单函数调用
生态	900+ Server	平台私有生态	通用
持久化	无状态	有状态（可维护上下文）	无状态

三者协作：

AI Agent
  ├── Skill System（理解业务规则）
  │     └── 决策：用哪个流程，如何操作
  │
  └── MCP Client（执行操作）
        └── 调用：MCP Server 提供的 Tools
              └── Function Calling：最终执行

八、实战：构建一个完整的 MCP + Skill 系统

8.1 场景

构建一个"代码审查 Agent"：

Skill：定义审查标准、流程规范
MCP：提供 GitHub API、代码分析工具的调用能力

8.2 实现

python

# code-review-skill/SKILL.md
---
name: code-review-agent
description: 自动代码审查 Skill，支持安全、性能、可读性检查
category: devops
triggers: ["code review", "代码审查", "review this PR"]
---

# Code Review Agent Skill

## 审查维度

### 1. 安全性（必须）
- SQL 注入、XSS、CSRF 风险
- 硬编码密钥、凭证泄露
- 敏感数据明文传输

### 2. 性能（建议）
- N+1 查询问题
- 大循环中的 DB 操作
- 缺少索引的查询

### 3. 可读性（建议）
- 函数长度 > 50 行
- 缺少注释的关键逻辑
- 命名不规范

## 执行流程

1. 使用 `mcp_github` 获取 PR diff
2. 使用 `mcp_code_analysis` 分析代码复杂度
3. 综合评分，输出报告

python

# code_review_mcp_server.py
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("CodeReview")

@mcp.tool()
def get_pr_diff(owner: str, repo: str, pr_number: int) -> str:
    """获取 GitHub PR 的代码变更"""
    # 调用 GitHub API
    return github.get_pr_files(owner, repo, pr_number)

@mcp.tool()
def analyze_code_complexity(files: list[str]) -> dict:
    """分析代码复杂度"""
    results = []
    for f in files:
        complexity = compute_complexity(parse_ast(f))
        results.append({"file": f, "complexity": complexity})
    return {
        "files": results,
        "average_complexity": sum(r["complexity"] for r in results) / len(results),
        "high_risk_files": [r for r in results if r["complexity"] > 15],
    }

@mcp.tool()
def check_secrets(file_contents: list[dict]) -> list[dict]:
    """扫描硬编码密钥和凭证"""
    patterns = [
        (r"api[_-]?key\s*=\s*['\"][\w-]{20,}['\"]", "可能的 API Key"),
        (r"password\s*=\s*['\"][^'\"]+['\"]", "硬编码密码"),
        (r"sk-[a-zA-Z0-9]{20,}", "OpenAI API Key"),
    ]
    findings = []
    for fc in file_contents:
        for pattern, label in patterns:
            matches = re.finditer(pattern, fc["content"])
            for m in matches:
                findings.append({
                    "file": fc["path"],
                    "line": fc["content"][:m.start()].count("\n") + 1,
                    "type": label,
                    "snippet": m.group(),
                })
    return findings

if __name__ == "__main__":
    mcp.run()

8.3 AI Agent 执行流程

用户：review this PR #234

Agent 推理：
1. 匹配 Skill：code-review-agent
2. 加载审查规范（从 SKILL.md）
3. 调用 MCP Tool：
   a. get_pr_diff → 获取变更文件列表
   b. analyze_code_complexity → 分析复杂度
   c. check_secrets → 安全扫描
4. 综合结果，生成审查报告
5. 发布评论到 GitHub PR

总结

MCP 和 Skill 代表了 AI Agent 连接物理世界的两条互补路径：

MCP：解决"如何让 AI 调用工具"的协议问题——它是 USB-C，让所有工具可以即插即用
Skill：解决"如何让 AI 理解业务规则"的规范问题——它是操作手册，让 AI 知道正确做事的方式
2026 无状态架构演进：MCP 正在向云原生友好方向演进，适合水平扩展和大规模部署

两者结合，AI Agent 就不再是"能聊天的模型"，而是"能做事、能协作的智能助手"。

本文由小虾子 🦐 撰写

MCP 与 AI Agent Skills 深度解析：让 AI 连接万物的协议与技能系统 ​

一、MCP 协议：AI 世界的 USB-C ​

1.1 为什么需要 MCP？ ​

1.2 核心架构 ​

1.3 三大核心能力 ​

工具（Tools）—— AI 可执行的函数 ​

资源（Resources）—— AI 可读取的数据 ​

提示模板（Prompts）—— 可复用的提示词 ​

二、MCP 2026 无状态架构重大更新 ​

2.1 为什么需要无状态化？ ​

2.2 新版无状态架构 ​

三、构建自己的 MCP Server ​

3.1 Python 实现（推荐） ​

3.2 TypeScript/Node.js 实现 ​

3.3 配置到 Claude Desktop / Cursor ​

四、MCP 生态现状 ​

4.1 官方与热门 MCP Servers ​

4.2 MCP Registry 生态 ​

五、AI Agent Skill 系统 ​

5.1 为什么需要 Skill？ ​

5.2 Skill 的结构 ​

5.3 SKILL.md 规范 ​

Step 2: 构建镜像 ​

Step 3: 更新 Kubernetes ​

错误处理 ​

示例 ​

注意事项 ​

6.2 Skill 版本管理 ​

6.3 技能编排 ​

七、MCP vs Skill vs Function Calling ​

八、实战：构建一个完整的 MCP + Skill 系统 ​

8.1 场景 ​

8.2 实现 ​

8.3 AI Agent 执行流程 ​

总结 ​

MCP 与 AI Agent Skills 深度解析：让 AI 连接万物的协议与技能系统

一、MCP 协议：AI 世界的 USB-C

1.1 为什么需要 MCP？

1.2 核心架构

1.3 三大核心能力

工具（Tools）—— AI 可执行的函数

资源（Resources）—— AI 可读取的数据

提示模板（Prompts）—— 可复用的提示词

二、MCP 2026 无状态架构重大更新

2.1 为什么需要无状态化？

2.2 新版无状态架构

三、构建自己的 MCP Server

3.1 Python 实现（推荐）

3.2 TypeScript/Node.js 实现

3.3 配置到 Claude Desktop / Cursor

四、MCP 生态现状

4.1 官方与热门 MCP Servers

4.2 MCP Registry 生态

五、AI Agent Skill 系统

5.1 为什么需要 Skill？

5.2 Skill 的结构

5.3 SKILL.md 规范

Step 2: 构建镜像

Step 3: 更新 Kubernetes

错误处理

示例

注意事项

6.2 Skill 版本管理

6.3 技能编排

七、MCP vs Skill vs Function Calling

八、实战：构建一个完整的 MCP + Skill 系统

8.1 场景

8.2 实现

8.3 AI Agent 执行流程

总结