MCP协议

MCP（Model Context Protocol，模型上下文协议）是由Anthropic公司推出的一个开放标准协议。它就像一个“通用插头”或者“USB接口”，制定了统一的规范。无论是连接数据库、第三方API，还是本地文件等各种外部资源，都可以通过这个“通用接口”来完成。这使得AI模型与外部工具或数据源之间的交互更加标准化和可复用。

因此，MCP 的本质在于“标准化”，它使得 AI 扩展外部能力变得更加“标准化”。

如果你的 Agent连接了多个MCP，似乎也能实现“按需加载”（根据用户的意图决定调用哪个工具），但这个“按需加载”背后的代价是非常巨大的。在MCP的架构下，仅仅是“连接”这个动作就已经在透支你的额度了，这是由LLM的工具调用机制决定的。为了让AI知道它有哪些能力可用，每一个连接的MCP Server必须在对话开始前，将其所有工具的完整定义（名称、详细描述、参数Schema、使用示例）一次性注入LLM的上下文中。每个MCP Server一般都会包含大量的工具，比如Github MCP，它自己就包含了30多个工具。

如果每个工具消耗 500 个 Token，那么仅链接一个工具就需要消耗近 20000 个 Token。在实际应用中，一个 Agent 通常会链接多个 MCP Server。如果只向 AI 提出一个简单的问题（例如 1+1=？），Agent 可能已经消耗了数万个 Token，这笔成本是非常高的。

此外，更深层的问题是，链接过多的 MCP Server 可能导致 LLM 的“注意力”下降，从而降低工具调用的准确性。而我们之前提到的 Skills 核心机制——渐进式披露，恰好可以解决这两个问题。

• 节省Token：首次链接时，相比MCP需要将40多个MCP Server下300个工具全部塞进模型上下文（消耗数万Token），模型只需要加载40个Skills的元数据（几千Token）。
• 提升注意力：面对几百个工具，AI很容易分心。Skills采用的是“漏斗式”引导，即先通过目录判断大方向，再加载具体的说明，最后通过说明找到详细的文档和脚本，从而让AI每次只专注于当前任务。即使是能力稍弱的模型，在这种机制下也能保持极高的调用准确率。