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

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👇👇

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2026行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇