在探索AI Agent的技术架构时，我们可以从成熟的互联网工程实践中找到极具启发性的类比。MCP（模型上下文协议）就像是整个互联网的“标准化数据传输层”，而Agent的Skill则对应着不同逻辑负载的“后端服务”——从简单的工具函数到复杂的微服务。

MCP：标准化的数据来源与连接层

MCP在AI Agent生态中的核心定位，就是标准化的数据来源与工具接入层。它由Anthropic于2024年11月推出，旨在解决大模型与外部数据源、工具之间的“M×N集成难题”——当M个大模型需要连接N个工具时，传统方式需要开发M×N个连接器，而MCP只需要M+N个适配器。

这让人自然联想到互联网工程中的TCP/IP协议栈——它屏蔽了底层物理网络的差异，为上层应用提供标准化的数据传输能力。正如HTTP协议统一了Web应用的信息交换方式，MCP为AI应用定义了统一的JSON-RPC 2.0通信格式，无论连接的是本地文件系统、数据库还是第三方API，开发者都通过同一套接口进行交互。行业普遍将其比喻为“AI应用的USB-C接口”，形象地说明了其标准化连接的本质。

从工程实践看，MCP服务器封装了各种数据源的访问细节。Anthropic维护的开源MCP服务器存储库支持Google Drive、Slack、GitHub、Postgres和Puppeteer等流行系统。复旦大学MCPZoo项目的研究显示，当前生态中数量最多的就是“数据管理与处理”类服务器，这类服务器将结构化数据的获取、转换环节标准化，供AI模型统一调用。国内首个产业可信数据空间也通过MCP Server封装了涵盖6000万家企业的60类高质量数据集，为大模型提供标准化的数据服务。

Skills：按逻辑负载程度划分的工程单元

如果说MCP解决了“怎么连”的问题，那么Skill解决的就是“连起来做什么”的问题——它承载了业务逻辑与领域知识。正如Anthropic提出的理念：“MCP处理连接性，Skill处理专业知识”。

从逻辑负载的复杂度视角，Skill可以清晰地划分为两个层次：

第一层是功能简单的工具类Skill。这类Skill逻辑单一、职责明确，类似于后端架构中的工具函数或公共库。例如OpenSkill项目中实现的get-skill工具，功能就是“从skills目录读取技能信息”，输入简单、输出确定。这类Skill通常封装一次性的原子操作，如计算器、格式转换、特定API调用等，被大模型作为基本操作单元直接调用。

第二层是复杂度高的微服务式Skill。这类Skill承载着完整的业务流程，可能涉及多个MCP服务器的协同调用。一个成熟的Skill通常包含三层定义：语义层（给LLM看的认知协议）、执行层（给系统跑的业务代码和安全防线）、感知层（反馈给LLM的结构化结果）。以Claude官方展示的“可比公司分析”Skill为例：它会先通过MCP连接S&P Capital IQ、Daloopa等多个数据源获取实时财务数据，然后应用估值方法论进行计算，最后按合规要求格式化输出——整个过程涉及多源数据聚合、业务逻辑处理、输出标准化等多个环节，完全符合微服务的定义。

在多服务架构实践中，Skill还支持模块化设计：一个复杂Skill可以拆分为主Skill和多个辅助脚本，通过“渐进式披露”机制按需加载，这类似于微服务架构中的服务拆分与按需调用策略。例如，一个跨服务API开发Skill可以自动激活后端开发指南、安全验证、性能优化等多个子模块，协同完成复杂任务。

大脑的智能调用

在这个类比框架中，大模型扮演的就是“大脑”的角色——它不需要关心MCP底层的数据传输细节，也不需要理解Skill内部的具体实现，只需要知道“有哪些能力可用、能解决什么问题”。通过MCP的标准接口发现可用工具，根据任务需求选择合适的Skill（无论是简单工具还是复杂微服务），然后组合调用完成目标。

这种分层解耦的架构带来了工程上的清晰性：MCP团队可以专注于数据源的稳定性与安全性，Skill开发者可以聚焦业务逻辑的正确性与效率，而模型团队则持续优化调用策略与推理能力。正如行业共识所指出的：“一个Skill可以协调多个MCP服务器，一个MCP服务器可以支持几十个不同的Skill”——这种多对多的灵活组合，正是标准化连接与模块化逻辑单元协同的价值所在。

了解更多内容，关注公众号：计算机知识的传播者