简介:MCP解决了工具接入标准化,但企业Agent常面临工具过多导致Token膨胀、上下文污染和多Agent治理困难。Agent Skills通过技能封装、注册发现、路由编排、权限治理与评测,把能力变成可复用、可组合、可观测的工程对象,并结合模型选型与调用管理给出落地方法。
MCP 的价值在于把工具接入标准化,但企业真正落地时,问题往往不是“没有工具”,而是工具太多、Agent 太多、上下文太杂。Agent Skills 的核心,是把能力从一次性提示词和散乱工具调用中抽离出来,做成可注册、可发现、可路由、可组合、可治理的技能单元。对于需要同时评估模型能力、调用成本和接入方式的团队,可以先通过百度智能云词元所了解模型选型、价格对比与统一 API 接入,再建设自己的技能层。
MCP 的意义在于让大模型与外部工具之间有了更标准的交互方式:工具提供方暴露能力,客户端负责组织调用,模型负责判断使用哪个工具。但当企业场景中的工具数量从几个增长到几十甚至上百个后,如果仍然把所有工具名称、参数说明和调用规则一次性放入上下文,会带来三类问题:
同时,Agent 应用本身也分为自主规划型和工作流型,前者灵活,后者可控。如果企业没有统一的技能层,不同部门往往会各自建设 Agent,最终形成新的“烟囱式”系统。
Agent Skills 不是简单新增一个工具,而是把一项业务能力封装成标准化技能包。一个完整的技能通常包含:
与单纯的 MCP Tool 相比,Skills 更强调工程治理。它不仅要能被模型调用,还要能被检索、被授权、被监控、被复用、被组合。
例如,一个“发票识别”技能不应只是一段 OCR 接口,而应包含文件输入、字段抽取、异常图片处理、敏感信息脱敏、输出 JSON 结构以及评测样例。这样,不同 Agent 都可以复用同一技能,而不是各自重复开发。
一个可落地的 Agent Skills 架构通常包含六层:
技能注册表示例:
{"name": "invoice_extract","description": "从发票图片中提取金额、税号、日期和销售方","input_schema": {"file_url": "string"},"output_schema": {"amount": "number","tax_id": "string"},"permissions": ["file.read", "ocr.invoke"],"model_policy": {"simple": "light_model","complex": "strong_model"}}
Token 爆炸的根源不是工具本身,而是“一次性把所有能力说明交给模型”。Agent Skills 应采用分层加载:
路由逻辑可以简化为:
def select_skills(query, registry, top_k=5):candidates = registry.search(query, top_k=top_k)return llm_choose(query, candidates)
这样模型不需要理解全部工具,只需在候选技能中做选择。上下文更短,成本更低,路由也更稳定。
企业常见误区是每个需求都新建一个 Agent。短期看很快,长期会造成流程、数据和权限割裂。更合理的方式是把共性能力沉淀为 Skills,把 Agent 变成面向场景的编排层。多 Agent 架构可以提升复杂任务完成度,但必须配合状态共享、权限统一和流程治理。
例如:
当技能被统一注册后,新增场景更多是组合已有技能,而不是重复造轮子。
建议按以下流程落地:
不是所有技能都需要最强模型。简单分类、字段抽取、格式转换可以使用轻量模型;复杂推理、长文档分析、多工具协同则需要更强模型。团队可以在技能评测阶段对比不同模型的任务成功率、延迟和成本。通过词元所模型服务了解模型能力、价格与调用管理方式,有助于建立更理性的选型机制。
最终,Agent Skills 的目标不是让模型“知道更多工具”,而是让企业拥有可复用、可治理、可度量的能力体系。当技能、模型和 Agent 分层解耦后,企业才能同时兼顾效果、成本与维护效率。