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MN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SP 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