通过MCP构建触达生产系统的Agent:MCP到底死没? ✍ AI少年🕐 2026-04-24📦 10.6 KB 🟢 已读 𝕏 文章列表 文章探讨了智能体接入生产系统的三种方式(API、CLI、MCP),并深入分析了MCP协议如何通过统一中间层解决连接难题。针对MCP被诟病的Token消耗问题,介绍了“按需加载工具定义”和“程序化工具调用”两大优化方案。同时,文章总结了构建优秀MCP服务器的五大原则,并阐述了MCP与Skills结合的“组合拳”模式,指出MCP正成为云端智能体的标准化接入层。 MCPClaudeAgentSDK系统集成架构设计Tool UseSkills # 2026年4月22日Claude 官网博客:通过MCP构建能触达生产系统的Agent 智能体,详述MCP到底死了没 **作者**: AI少年 **日期**: 2026-04-24T00:14:32.000Z **来源**: [https://x.com/aehyok/status/2047469202198650900](https://x.com/aehyok/status/2047469202198650900) ---  MCP死了多少了回?只要模型能力一提升,前端工程师们就要死多一次。一次又一次,不过前端开发者确实在减少或者一部分合并到全栈工程师当中了。然而MCP SDK的月下载量由今年年初的1亿次,变成了最近的3亿次了,数据来自的Claude官网博客。 官网博客地址:https://claude.com/blog/building-agents-that-reach-production-systems-with-mcp 先说一句大实话:智能体有多好用,完全取决于它能连上多少东西。 就像一个再聪明的助理,她要是进不了公司系统、打不开邮箱、看不到日历——那它也干不了什么活儿。 目前让智能体连上外部系统一般有三种方法:直接调 API、用命令行工具CLI、用 MCP。本文讲清楚三者分别适合哪种场景,MCP 被骂过哪些问题、有没有答案,以及正式上线的智能体Agent该怎么选。 本文内容目录如下,可进行选看 - 一、三条路,各有各的天花板 - 二、MCP 被骂得最狠的问题 - 三、Token 问题的两个解法 - 四、怎么做出一个好用的 MCP 服务器 - 五、MCP 服务器 + Skills 的组合拳 - 六、三条路,各回各家 ## 一、三条路,各有各的天花板 三种办法的核心差异:智能体和外部服务之间,有没有一个"统一的中间层"? 方法一:直接调 API 起步最简单一个API对应一个场景,那么一个Agent对接一个API就完事了。但规模一大,每新增一个"Agent × A PI服务"的组合,都得从头写一套认证和工具描述。这是经典的"M×N 集成难题":M 个Agent × N 个API服务 = M×N 套代码。 方法二:命令行工具(CLI) CLI 更快、更轻,直接复用现成工具链,本地环境里非常好使,Agent天生就会使用命令行语言的。当然了它的天花板也非常明显:移动端、网页端、云端没有 shell,就会遇到严重的限制。这类平台的身份验证由 CLI 自身的机制处理——通常是通过磁盘上的凭证文件来实现。这种方式最适合在本地环境中的集成,不适合正经生产场景。 方法三:模型上下文协议(MCP) 把"统一中间层"做成了协议。认证、工具发现、语义表达全都标准化——建好一台远程服务器,Claude、ChatGPT、Cursor、VS Code 等所有兼容客户端都能直接用,部署在哪儿都行。 三条路不是非此即彼。成熟的集成往往三者都有。 ## 二、MCP 被骂得最狠的那些问题 在聊怎么用好 MCP 之前,先来看看看它为什么被骂过。 问题:不仅仅占用了超长上下文而且token 死贵。 ScaleKit 做了一组严格的 benchmark,拿 GitHub 官方 MCP 服务器和 gh CLI 对照跑了实验。  问题出在 schema 膨胀上。GitHub 的 MCP 服务器带了很多个工具定义,每次对话都得把这些工具的描述塞进上下文。你只是想查个仓库语言,但模型得先读完所有工具的说明书——光一个工具定义就需要占用几百上千个tokens。 ## 三、Token 问题的两个解法 解法一:按需加载工具定义(Tool Search) 之前的做法是一上来就把所有工具定义塞进上下文——43 个工具、55,000 tokens,还没开始干活,工作台就被说明书堆满了。 工具搜索(Tool Search) 把这步推迟了:智能体先描述它想做什么,系统在运行时搜索相关工具,只把匹配的几个拉进来。 测试数据:工具定义的 token 消耗减少 85% 以上,工具选择准确率没有下降。 用 ScaleKit 的数据来估算:之前查仓库语言 MCP 需要 44,026 tokens,CLI 只要 1,365 tokens,差 32 倍。Tool Search 砍掉 85% 的工具定义 token 后,MCP 的总消耗大约降到 10,000 tokens 左右——差距从 32 倍缩到约 7 倍。还是比 CLI 贵,但不再是数量级的差距了。 解法二:用代码处理工具结果(程序化工具调用) 工具返回的结果不再直接丢给模型,而是扔进代码执行沙箱里处理。智能体在沙箱里循环、过滤、聚合,只把最终结果返回到上下文——中间的原始数据不经过模型。 在复杂多步骤工作流中,token 使用量可减少约 37%。 两个解法叠加,上下文更瘦、往返更少、响应更快。 ## 四、怎么做出一个好用的 MCP 服务器 我们目录里已有超过 200 个 MCP 服务器,每天数百万人在用。结合大量实践,总结出几个关键设计原则。 ① 做成"远程服务器",触达面才大 远程服务器是唯一能同时被网页端、移动端、云端智能体调用的形态,也是所有主流客户端都专门优化过的。 想让智能体无论跑在哪儿都能用上你的系统?做远程的,没别的选择。 ② 按"用户意图"组织工具,别按 API 端点 很多人第一反应是把 API 一对一翻译成工具——这是个陷阱。少而精、描述清晰的工具,远比一堆细碎的工具好用。 与其给智能体四个工具——获取消息串 + 解析消息 + 创建工单 + 关联附件,让它自己拼,不如直接给一个 从消息串创建工单,一步到位。 思路:围绕"用户想完成什么",而不是"API 有哪些方法"。 ③ 接口非常多时,改成"代码编排" 如果你的服务有几百个操作——比如 Cloudflare、AWS、Kubernetes——"意图分组"也包不完。这时换个思路:只暴露一两个接受代码的工具。 Cloudflare 的 MCP 服务器就是典型案例:只有两个工具(search 和 execute)。智能体先用 search 找到需要的 API,然后写一段脚本,通过 execute 在服务端沙箱里跑,整个工具定义只占大约 1K tokens,却覆盖了约 2,500 个端点。  这个模式叫"代码编排"——把 CLI 的哲学搬进了 MCP 协议里。区别在于:它跑在云端,走的是 MCP 协议,而不是本地命令行。 ④ 在关键时刻,给用户更丰富的交互 MCP Apps 允许工具直接返回可交互界面——图表、表单、仪表盘,直接渲染在聊天里,不用让用户跳出去。会用 MCP Apps 的服务器,采用率和留存率都明显更高。 Elicitation(征询用户) 让服务器可以在工具调用进行到一半时暂停,向用户要信息: - 表单模式:发个 schema,客户端自动渲染成原生表单。适合补充缺失参数、确认危险操作、在几个选项里选一个。 - URL 模式:把用户送到浏览器去。适合 OAuth 授权、支付,或任何不应该经过 MCP 客户端的凭据收集。 两种方式的共同好处:用户不用跑去"设置页"折腾一圈再回来,流程是连贯的。 ⑤ 认证用标准方案,别自己造轮子 认证是否标准化,直接决定云端智能体能不能用起来。最新 MCP 规范支持 CIMD(Client ID Metadata Documents)客户端注册方式,用户首次登录快,后面也不容易突然被要求重新授权。MCP SDK、Claude.ai、Claude Code 都支持,行业里也在普遍采用。 用户授权之后,Claude Managed Agents 的 Vaults(保险库) 帮你管令牌:用户登记一次,之后每次会话平台自动注入正确凭据并帮你刷新——不用自己搭密钥存储,也不用每次调用都传令牌。 ## 五、MCP 服务器 + Skills 的组合拳 Skills 和 MCP 是互补的两件事: - MCP:给智能体"工具和数据的访问权"——能做什么。 - Skills:给智能体"怎么用这些工具完成真实工作的流程知识"——怎么做。 MCP 和 CLI 并不对立——好的 MCP 服务器应该像 CLI 一样设计。最强的智能体Agents两者都用。 方式一:打包成 Plugin 一起分发 Claude 的插件(Plugins) 可以把 skills、MCP 服务器、hooks、LSP 服务器、子智能体全打进一个包里,一键安装,一次搞定。 MCP + Skills 的组合效果:让 Claude 更像一个领域专家——MCP 把专业工具递给它,Skills 教它怎么用这些工具端到端地干活。 比如我们为 Cowork 做的 data 插件,包含 10 个 skills + 8 个 MCP 服务器,打通了 Snowflake、Databricks、BigQuery、Hex 等。  方式二:从 MCP 服务器直接分发 Skills 服务提供方发布 MCP 服务器时,顺手附送一份 skill——客户端拿到的不只是原始能力,还有一本"最佳使用手册"。Canva、Notion、Sentry 今天都在这么干。 MCP 社区正在做一个扩展,支持从服务器直接交付 skills,客户端自动继承领域知识,版本还和 API 绑定,稳定后应该会被广泛采用。 ## 六、三条路,各回各家 最后说清楚三条路该怎么分工: 本地开发环境 → CLI + Skills,轻量、快速、上下文干净。 云端生产环境 → MCP + Skills,标准化、跨平台、认证完备。 简单场景 → 直连 API,别瞎折腾。 MCP 并没有死。它当然不是万能方案,但它正在成为云端智能体的标准化接入层。 今天建好一台远程 MCP 服务器,就能触达所有兼容客户端、所有部署环境,认证、交互、语义全部由协议兜底。更妙的是:随着规范支持的客户端越来越多、协议扩展越来越多,你那台老服务器会自动变强,什么新东西都不用额外写。 目标是让云端生产级智能体用上你的系统?写一个 MCP 服务器,然后照上面这些模式把它做到极致。 每一个基于 MCP 建成的集成,都在让整个生态更强一点。 ## 相关链接 - [AI少年](https://x.com/aehyok) - [@aehyok](https://x.com/aehyok) - [4.6K](https://x.com/aehyok/status/2047469202198650900/analytics) - [https://claude.com/blog/building-agents-that-reach-production-systems-with-mcp](https://claude.com/blog/building-agents-that-reach-production-systems-with-mcp) - [Claude.ai](https://claude.ai/) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [8:14 AM · Apr 24, 2026](https://x.com/aehyok/status/2047469202198650900) - [4,647 Views](https://x.com/aehyok/status/2047469202198650900/analytics) - [View quotes](https://x.com/aehyok/status/2047469202198650900/quotes) --- *导出时间: 2026/4/24 20:23:31*
A Anthropic内部分享:别再造Agent了,造Skills就够了 Anthropic 内部分享指出,与其为每个场景构建新 Agent,不如给通用 Agent 配置“Skills”。Skills 是打包程序化知识的文件夹,通过渐进式加载解决上下文窗口问题。文章介绍了 Skills 与 MCP 的互补关系,及其在金融、科研等领域的生态发展,类比将其比作“应用层”,强调通过知识积累让模型不断进化。 技术 › Agent ✍ Jason Zhu🕐 2026-04-03 AnthropicClaudeAgentSkillsMCP架构设计软件开发LLM生态技术趋势
如 如何在 AI Agents 中正确使用 MCP 服务器 文章讨论了 MCP 服务器在 AI Agents 中的应用。盲目启用 MCP 会导致上下文膨胀、成本增加和性能下降。文章提出了两种有效的使用模式:一是显式 MCP 服务器(内联工具注入),通过 @mention 按需加载工具,适合用户驱动的临时需求;二是子代理 MCP 服务器,将 MCP 服务器声明在子代理定义中,利用 allowed_tools 进行最小权限范围限定,适合代码审查或支持代理等特定场景。 技术 › Agent ✍ Philipp Schmid🕐 2026-04-28 MCPAI AgentTool UseLLM架构设计开发指南SubagentClaude
看 看完 Anthropic Academy 13 门课后,我对 openclaw 系统做了 17 个改动 作者基于 Anthropic Academy 的 13 门课程,对 openclaw 系统进行了 17 项深度优化。核心收获包括:采用 Adaptive Thinking 替代固定预算,可降低 30-50% 成本;引入 Think Tool 解决多步推理中的思考缺失;重构 Prompt 工程技巧(如 XML 标签分离、防幻觉指令);以及挖掘 MCP 的高级特性(Sampling、Roots)。文章按 ROI 排序提供了详细的改动清单。 技术 › Openclaw ✍ xiyu🕐 2026-03-03 AnthropicClaudeAgentPrompt EngineeringMCP优化架构设计Openclaw
B BestBlogs 早报 · 07-29|MCP 无状态化与多智能体编排成本 本期早报探讨 MCP 协议的无状态核心变化与 Claude 的生产化接入,分析 Codex 与 ChatGPT Work 共用的执行框架差异,并审视多智能体并行中上下文搬运的隐性成本“编排器的税”。同时涵盖图工程、vLLM 商业化及 Uber 零增长架构等速览内容。 技术 › LLM ✍ ginobefun🕐 2026-07-29 MCPAgentOpenAI架构多智能体上下文Claude早报DevOps工程化
T The complete Graph Engineering playbook for Claude Code 本文介绍了Graph Engineering(图工程)的概念,阐述如何利用Claude Code构建分布式Agent系统。通过将任务分解为线性、分发、规约和验证等节点,实现高效、可靠的AI工作流,优化计算成本和结果质量。 技术 › Claude Code ✍ Gyomei🕐 2026-07-24 图工程AI工作流ClaudeAgent架构设计编程分布式系统自动化
H How to master graph engineering 本课程教授如何构建 AI 智能体图,涵盖图的基本概念、关键模式(如菱形模式)、停止规则及人工审批环节。包含三个实战案例:深度研究台、SEO 内容生成器和市场推广套件,旨在提升业务效率并控制成本。 技术 › Agent ✍ Machina🕐 2026-07-23 AgentGraphLLMClaudeWorkflow工程化自动化架构设计效率实战
G Graph Engineering with Claude: the 11-Step Roadmap From Loops to Graph Architect 本文阐述了从单一循环工程向图工程演进的必要性。针对单一 Agent 在处理复杂任务时上下文混淆和幻觉问题,作者提出了由节点、边、路由器和状态四大基础构建块组成的图架构,并通过序贯链和路由器等模式,展示如何协调多 Agent 系统以实现高效输出。 技术 › Claude ✍ 0xRafy🕐 2026-07-22 Agent图工程多Agent系统架构设计Claude
G Graph Engineering with Claude: 14-Step roadmap from 0 to graph architect 本文介绍了如何使用 Claude 构建图结构的 Agent,替代传统的线性执行模式。文章详细阐述了节点与边的定义、契约设计、并行化执行等核心概念,通过动态工作流实现任务的分发、验证与聚合,从而提升效率与系统的鲁棒性。 技术 › Claude ✍ Codez🕐 2026-07-21 ClaudeAgent图工程并行化工作流编程架构设计JavaScript
A A2A:当 Agent 开始自己找人干活 文章探讨了 A2A 协议如何让不同框架的 Agent 实现跨系统协作,以及 Agent 进入组织所需的六项情境信息。指出光有知识和工具不够,Agent 还需理解角色、目标、规则等动态上下文。未来组织需将人治转变为 Agent 可读的结构。 技术 › Agent ✍ Miles.Ma🕐 2026-07-20 A2AAgent组织架构情境感知协议MCPSkills
C Claude Skills: 如何通过 Anthropic 的新功能节省 Token 并提升效率 文章介绍了 Anthropic 推出的 Claude Skills 功能,通过文件夹和 YAML 配置实现渐进式披露,显著减少 Token 消耗和重复解释。详细说明了技能的构建规则、命名规范、测试方法及分发策略,帮助用户将聊天机器人转化为高效的专业工程团队。 技术 › Skill ✍ Mr. Buzzoni🕐 2026-07-17 ClaudeSkillTokenAnthropicDevOps工具与效率LLMMCPAgent
使 使用 Fable 5 构建自我改进 Agent 系统的 14 步指南 文章深入探讨了如何充分利用 Claude Fable 5 的潜能,而非仅仅将其视作上下文窗口更大的 Sonnet。作者提出了构建“自我改进系统”的 14 步路线图,区分了自我学习与自我改进,并详细阐述了基于 Loops、Dynamic Workflows 和 Routines 的三层架构。文章还提供了 Fable 5、Opus 和 Sonnet 在系统中的成本与任务分配策略。 技术 › LLM ✍ Codez🕐 2026-07-09 Fable 5AgentClaude架构设计提示工程工作流自动化自我改进系统架构最佳实践
终 终于!!AI Agent 也能开口说话了:这个开源工具把语音克隆、听写、MCP 全打通 文章介绍了一款名为 Voicebox 的开源 AI 语音工作室工具。它不仅支持语音克隆、生成和全局听写,更关键的是通过内置 MCP Server,让 Claude Code、Cursor 等 AI Agent 能够调用本地语音层,实现“能听、能说”的交互闭环,弥补了 Agent 只能文字交互的短板。 技术 › TTS ✍ AFei Liang🕐 2026-07-08 VoiceboxMCP语音克隆Agent开源听写Claude本地部署AI语音工作流