如何构建生产级别的智能体：MCP、CLI 和 Skills——让正确的工具做正确的事

2026年连接技术栈的逐步指南支撑企业级智能体每月1.1亿次下载。架构图2024年我们构建了AI产品的演示。2025年我们构建了编码智能体。2026年我们正在将通用知识工作者投入生产。据 Anthropic 公司的 David Soria Parra 所说模型上下文协议Model Context ProtocolMCP已达到每月1.1亿次的下载量——比 React 更快地实现了这一里程碑。但随着我们将智能体扩展到处理跨多个 SaaS 应用和共享驱动器的复杂企业工作流一个关键的认识已经浮现连接并不是一件简单的事。如果有人告诉你有一个单一的解决方案可以解决你所有的连接问题——无论是计算机使用、MCP 还是 CLI——那他们就错了。顶级智能体不会在工具之间做选择——它们会同时、毫不费力地使用整个连接技术栈。以下是掌握2026年连接技术栈的逐步指南Skills、MCP 和 CLI。理解连接技术栈在编写代码之前你必须理解现代智能体连接的三个不同层次。什么是 Skills、CLI 和 MCP它们是如何形成的三层架构图•Skills领域知识可重用的程序性指令和 Markdown 文件用于教模型如何使用工具。它们可以在不同客户端之间移植并为复杂任务提供必要的上下文。Skills 通常由人类编写或由智能体生成从本地的.claude/skills/目录或远程仓库加载。我喜欢 superpowers 和 everything-claude-code。•CLI / 计算机使用本地执行Unix 风格的连接方式。它具有高度可组合性、令牌效率高每次响应约200个令牌并利用模型在现有工具如git、gh和curl上的预训练。CLI 工具通过包管理器安装标准二进制文件来形成。•MCP连接组织集成协议提供丰富的语义、平台独立性以及关键的企业功能如 OAuth、治理策略和审计追踪。MCP 服务器通过在代码中定义工具、资源和提示如server.py或server.ts来形成并通过 HTTP 或 SSE 上的 JSON-RPC 2.0 进行通信。使用 MCP 执行任务当你需要丰富的语义、授权和平台独立性时MCP 是正确的工具。它提供了一种模式优先、确定性优先的工具选择方法。MCP架构图MCP 提供确定性、模式优先的方法以及内置的治理和审计追踪。然而这伴随着权衡。在简单实现中提前加载所有工具模式会消耗大量上下文例如4.4万至5.5万个令牌。响应是一个完整的类型化 JSON 对象非常适合程序化解析但令牌消耗量大。服务器作者的提示始终使用描述性的函数名、参数名并为参数添加描述。如果 LLM 清楚地知道预期是什么它们会更快、更成功。# 带注解的工具定义from typing import Annotatedfrom datetime import datefrom enum import Enumclass Category(str, Enum): TRAVEL travel MEALS meals OFFICE officedef submit_expense( amount: Annotated[float, 费用金额美元], date: Annotated[date, 费用日期YYYY-MM-DD格式], category: Annotated[Category, 费用类别]) - str: 提交新的费用报告以供审批。 pass使用 CLI 执行任务当工具已经在模型的预训练数据中时如 GitHub CLI 或 GitCLI 执行非常强大。它允许模型使用管道和重定向组合命令以令牌高效的方式迭代处理错误。CLI执行图CLI 执行利用预训练知识实现令牌高效、可组合的工作流。模型不需要返回大量 JSON 载荷而是可以使用jq等工具精确过滤所需内容返回约200个令牌的紧凑响应。渐进式发现我们必须对智能体框架进行的最重要的改进是渐进式发现。不是将所有工具一次性放入上下文窗口而是将工具加载推迟到模型真正需要它们的时候。渐进式发现图渐进式发现通过按需工具搜索加载工具减少上下文膨胀。通过提供tool_search能力模型可以动态查找工具。这种模式可以将上下文使用量减少5倍。程序化工具调用代码模式如果你想让模型编排多个工具不要强迫它进行顺序工具调用。顺序调用在编排的每一步都依赖推理延迟。相反使用程序化工具调用或代码模式。为模型提供REPL读取-求值-打印循环环境——如 V8 隔离区或 Python 沙箱——让它编写脚本将工具组合在一起。代码模式图代码模式允许模型编写编排脚本大幅降低延迟。// 程序化工具调用代码模式// 不是多次顺序的 LLM 调用模型编写这个脚本一次const issue await mcp.call_tool(linear_get_issue, { id: ENG-5121 });const prs await mcp.call_tool(github_list_prs, { repo: frontend });// 使用结构化输出来强制类型const expectedType z.object({ title: z.string(), status: z.string() }).passthrough();const typedIssue await extract(claude-haiku-4-5, expectedType, issue);为智能体构建作为服务器作者我们必须停止将 REST API 一对一地映射到 MCP 服务器。我们需要从零开始为智能体设计。为智能体设计图用清晰的意图设计工具为编排暴露沙箱并交付 UI 资源。为智能体设计构建具有清晰意图的工具就像你为人类设计界面一样。采用代码模式暴露执行环境如 Cloudflare MCP让模型可以编排复杂的工作流。交付 MCP 应用使用 MCP 的丰富语义直接通过线路传输 UI 资源HTML JS CSS允许服务器在客户端中渲染自己的界面。今年 MCP 的发展——即将到来MCP 生态系统正在快速发展以满足企业需求和规模化。2026路线图2026年路线图包括无状态传输、跨应用访问和 MCP 上的 Skills。•改进核心新的无状态传输协议由 Google 提出将使其更容易将 MCP 服务器部署到 Kubernetes 和 Cloud Run。预计将发布 TypeScript 和 Python SDK 2.0版本。•全面集成跨应用访问将允许使用公司的身份提供商在 MCP 服务器之间进行单点登录SSO。服务器发现将通过.well-known/mcp-server-card/server.json自动化。•突破边界MCP 上的 Skills 将允许服务器使用skills/list和skills/get端点随工具一起交付领域知识。根据上下文和需求在 MCP、CLI 和 Skills 之间进行选择。下方是端到端流程。端到端流程图要点总结2026年智能体连接的演进证明没有银弹。MCP 与 CLI 之间的争论是一个错误的二分法现实是生产级智能体需要一种细致入微的多层次方法。对 MCP 的批评——令牌开销、认证差距和服务器质量——是真实的但是可解决的工程挑战而不是存在性威胁。生态系统已经在自我纠正。像渐进式发现和程序化工具调用代码模式这样的技术大幅减少了令牌膨胀和延迟证明了我们可以优化标准而不必放弃它。此外在企业环境中放弃 MCP 会引入更糟糕的问题认证碎片化、零审计追踪和供应商锁定。MCP 提供的连接组织对于大规模治理和安全至关重要。未来属于那些无缝融合 Skills 的领域知识、MCP 的安全连接和 CLI 的令牌高效执行的智能体。最好的智能体会使用所有这些。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】