从概念到代码：Agent、Skill 与 MCP 的核心关系及开发实战(Agent 如何通过 MCP 调用 Skill)

加入知识星球，添加微信号:cd_ccms_sec

基于大模型的智能体（Agent）开发

Agent（智能体）：自主决策与执行的主角，它用大模型当“大脑”来规划、推理、调用工具。
Skill（技能）：Agent 能用的“能力包”，封装了专业知识、指令、API 或工具。
MCP（Model Context Protocol，模型上下文协议）：连接 Agent 和 Skill/工具的标准化协议，让 Agent 能动态发现和调用各种技能。

简单说：Agent 通过 MCP 协议来使用 Skill。MCP 像神经通路，让大脑（Agent）可以指挥手脚（Skill）。

1. 三者关系图解

┌─────────────────────────────────────────┐│  Agent（智能体）                          ││  ┌─────────────┐    ┌─────────────────┐ ││  │ 大模型 (LLM) │───▶│ MCP 客户端       │ ││  └─────────────┘    └────────┬────────┘ │└──────────────────────────────┼──────────┘                               │ MCP 协议          ┌────────────────────┼────────────────────┐          ▼                    ▼                    ▼  ┌───────────────┐  ┌───────────────┐  ┌───────────────┐  │ MCP 服务器 A   │  │ MCP 服务器 B   │  │ MCP 服务器 C   │  │ (天气查询 Skill)│  │ (数据库 Skill) │  │ (邮件发送 Skill)│  └───────────────┘  └───────────────┘  └───────────────┘

一个 Agent 可以同时连接多个 MCP 服务器。
每个 MCP 服务器暴露一个或多个工具（即Skill 的具体实现）。
Skill 本身还可以包含提示词/知识（例如 Claude 的 Skill 文件），直接注入 Agent 的 system prompt，改变其行为。

2. 如何开发

下面以 Anthropic Claude 生态为例，展示一个最小闭环。

2.1 开发一个 Skill / MCP 服务器

用 Python（mcp 库）快速创建一个提供“获取天气”技能的服务器。

# weather_server.pyfrom mcp.server.fastmcp import FastMCPmcp = FastMCP("Weather")@mcp.tool()async def get_weather(city: str) -> str:    """查询指定城市的实时天气"""    # 这里接入真实天气 API，用模拟数据替代    return f"{city}：晴，26°C，湿度 60%"if __name__ == "__main__":    mcp.run(transport="stdio")   # 通过标准输入输出通信

如果你用的是 Claude Skills 格式（Anthropic 在 2025 年推出的可分享技能包），则可以在一个目录里创建 SKILL.md 文件：

# weather-skill查询全球城市天气的技能。## 指令当用户询问天气时，使用 get_weather 工具。

然后把上面的 weather_server.py 作为该技能的后端工具。这样 Skill 就同时包含了知识指令 + 可执行工具。

2.2 开发一个使用 MCP 的 Agent

Agent 负责调用 LLM，并根据 LLM 的决策去请求 MCP 服务器上的工具。这里用 Python + Claude SDK 示意：

import asyncioimport osfrom anthropic import Anthropicfrom mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_clientasync def main():    # 1. 启动 MCP 客户端，连接到刚才的天气技能服务器    server_params = StdioServerParameters(command="python", args=["weather_server.py"])    async with stdio_client(server_params) as (read, write):        async with ClientSession(read, write) as session:            await session.initialize()            # 2. 从 MCP 服务器获取可用工具列表（即 Skill）            tools = await session.list_tools()            # 3. 创建 Claude 客户端，并带上这些工具定义            client = Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])            messages = [{"role": "user", "content": "北京今天天气怎么样？"}]            response = client.messages.create(                model="claude-sonnet-4-20250514",                max_tokens=1024,                messages=messages,                tools=tools,          # 告诉模型它可以用的技能            )            # 4. 如果模型决定调用工具，则执行并返回结果            if response.stop_reason == "tool_use":                tool_call = response.content[-1]                tool_name = tool_call.name                tool_args = tool_call.input                # 通过 MCP 调用技能                result = await session.call_tool(tool_name, tool_args)                # 把工具执行结果返回给模型，生成最终回复                messages.append({"role": "assistant", "content": response.content})                messages.append({"role": "user", "content": [{                    "type": "tool_result",                    "tool_use_id": tool_call.id,                    "content": result.content                }]})                final_response = client.messages.create(                    model="claude-sonnet-4-20250514",                    max_tokens=1024,                    messages=messages,                )                print(final_response.content[0].text)asyncio.run(main())