如何构建生产级 AI Agent：MCP、CLI 与 Skills 的正确选择

发布时间：2026/7/29 19:48:51

2024 年，我们做了演示。2025 年，我们做了编码代理。2026 年，我们要把通用型知识工作者真正投入生产环境。

Anthropic 的 David Soria Parra 称，Model Context Protocol（MCP）的月下载量已达到惊人的 1.1 亿——达成这一里程碑的速度比 React 还快。但当我们将代理扩展到跨多个 SaaS 应用与共享网盘处理复杂的企业级工作流时，一个关键的认识浮现出来：连接不是单一的东西。

如果有人告诉你有一种方案能包打所有连接问题——不论是 computer use、MCP，还是 CLI——那就是错的。顶级代理不会在工具之间二选一，而是同时、毫不费力地使用整个 Connectivity Stack。

以下是掌握 2026 年 Connectivity Stack（Skills、MCP 与 CLI）的逐步指南。

注：文中 MCP、CLI、Skills、JSON-RPC、OAuth、REPL、SSO 等专业术语保留英文原文；首次出现处酌情附中文释义。

理解 Connectivity Stack

在写代码之前，你必须先理解现代代理连接的三个不同层次。Skills、CLI 和 MCP 到底是什么，它们又是如何构成的？

Skills（领域知识）：可复用的流程性说明与 Markdown 文档，教模型如何使用工具。它们可在不同客户端之间移植，并为复杂任务提供必要上下文。Skills 通常由人类编写或由代理生成，可从本地.claude/skills/目录或远程仓库加载。我个人喜欢的项目有 superpowers 和 everything-claude-code。
CLI / Computer Use（本地执行）：类 Unix 的连接方式。高度可组合、token 高效（每次响应约 ~200 tokens），并能利用模型在git、gh、curl等现有工具上的预训练知识。CLI 工具通常通过包管理器安装标准二进制而形成。
MCP（连接“组织”/Connective Tissue）：提供丰富语义、平台无关性，以及企业必需能力如 OAuth、治理策略与审计追踪（audit trails）的集成协议。MCP 服务器通过在代码中（如server.py或server.ts）定义 tools、resources 与 prompts，并使用 JSON-RPC 2.0（基于 HTTP 或 SSE）进行通信而形成。

使用 MCP 执行任务

当你需要丰富语义、授权（authorisation）与平台无关性时，MCP 是合适的工具。它提供以 schema 为先、确定性的工具选择方式。

MCP 提供确定性的 schema-first（以 schema 为先）方法，并内置治理与审计追踪。

但这也有取舍。在朴素实现中，预先加载所有工具 schema 会极大消耗上下文（例如 44,000–55,000 个 token）。响应会是完整、带类型的 JSON 对象，虽然非常利于程序化解析，却也较为“吃 token”。

专业提示（给 Server 作者）：

始终使用有描述性的函数名、参数名，并为参数添加描述。若 LLM 明确知道预期，它会更快且更容易成功。

# Annotated Tool Definitions from typing import Annotated from datetime import date from enum import Enum class Category(str, Enum): TRAVEL = "travel" MEALS = "meals" OFFICE = "office" def submit_expense( amount: Annotated[float, "The expense amount in USD"], date: Annotated[date, "Date of the expense in YYYY-MM-DD format"], category: Annotated[Category, "The expense category"] ) -> str: """Submits a new expense report for approval.""" pass

使用 CLI 执行任务

当工具已在模型的预训练数据中（如 GitHub CLI 或 Git），CLI 执行就会非常强大。它允许模型使用管道与重定向来组合命令，并以 token 高效的方式在错误上迭代。

CLI 执行利用预训练知识实现 token 高效、可组合的工作流。

与其返回庞大的 JSON 负载，模型可以使用jq等工具精确筛选所需内容，将响应压缩到约 ~200 tokens。

Progressive Discovery

我们必须对代理“harness”（运行框架）做的首要改进就是 Progressive Discovery（渐进式发现）。与其把所有工具一次性塞进上下文窗口，不如把工具加载延后到模型真正需要它们的时候。

通过工具搜索按需加载，渐进式发现能降低上下文膨胀。

提供tool_search能力后，模型可以动态查找工具。这个模式可将上下文使用量减少约 5 倍。

Programmatic Tool Calling（Code Mode）

如果你希望模型编排多个工具，不要强迫它进行串行的逐次工具调用。串行调用会让编排的每一步都依赖推理时延。

改为使用 Programmatic Tool Calling（或 Code Mode）。为模型提供一个 REPL（Read-Eval-Print Loop）环境——如 V8 isolate 或 Python 沙箱——让它编写脚本来将工具组合在一起。

Code Mode 让模型编写编排脚本，大幅降低时延。

// Programmatic Tool Calling (Code Mode) // Instead of multiple sequential LLM turns, the model writes this script once: const issue = await mcp.call_tool("linear_get_issue", { id: "ENG-5121" }); const prs = await mcp.call_tool("github_list_prs", { repo: "frontend" }); // Use structured output to enforce types const expectedType = z.object({ title: z.string(), status: z.string() }).passthrough(); const typedIssue = await extract("claude-haiku-4-5", expectedType, issue);py

为代理而建

作为 Server 作者，我们必须停止把 REST API 一比一地机械映射成 MCP servers。我们需要自底向上以“为代理而设计”的方式来构建。

以清晰意图设计工具，暴露用于编排的沙箱，并下发 UI 资源。

为代理而设计：像为人类设计界面一样，以清晰的意图来构建工具。

倾向使用 Code Mode：暴露执行环境（如 Cloudflare MCP），让模型可以编排复杂工作流。

下发一个 MCP App：利用 MCP 的丰富语义，直接通过“线”发送 UI 资源（HTML + JS + CSS），让服务器能在客户端渲染自己的界面。

MCP 今年动向——接下来有什么

MCP 生态正在快速演进，以满足企业需求并扩展规模。

2026 年的路线图包括 Stateless Transport、Cross-App Access，以及 Skills over MCP。

Improved Core：全新的 Stateless Transport 协议（由 Google 提议）将使 MCP servers 更易部署到 Kubernetes 与 Cloud Run。预计会有 TypeScript 与 Python SDK v2.0 的发布。
Integrate Everywhere：Cross-App Access 将允许基于公司身份提供商进行单点登录（SSO），跨 MCP servers 访问。通过.well-known/mcp-server-card/server.json实现自动化的服务器发现。
Pushing the Boundary：Skills over MCP 将允许 servers 通过skills/list与skills/getendpoints 随工具一并下发领域知识。

应根据上下文与需求在 MCP、CLI 与 Skills 之间做出选择。下图展示了端到端流程。

要点

2026 年代理连接方式的演进证明，并不存在“银弹”。关于 MCP 与 CLI 的争论是个伪二分；现实是，达到生产级的代理需要一种细腻、多层次的路径。

对 MCP 的质疑——token 开销、认证缺口与 server 质量——确实存在，但都是可解的工程问题，而非生存威胁。生态系统已经在自我校正。像 Progressive Discovery 与 Programmatic Tool Calling（Code Mode）这样的技术能显著降低 token 膨胀与时延，证明我们可以在不放弃标准的情况下对其优化。

此外，在企业环境中放弃 MCP 只会带来更糟的问题：认证碎片化、零审计追踪，以及厂商锁定。MCP 所提供的连接纽带对规模化治理与安全至关重要。

未来属于这样一类代理：它们无缝融合 Skills 的领域知识、MCP 的安全连接能力，以及 CLI 的 token 高效执行。最好的代理会把这些全部用起来。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇