I still prefer MCP over skills

来源：HackerNews

I still prefer MCP over skills：为什么在AI代理架构中，模型上下文协议仍是更优解？

背景与概述

在AI应用开发领域，一个核心问题是如何让大语言模型（LLM）与外部工具、数据源和系统进行有效交互。近年来，两种主流方案逐渐成形：一种是各大AI平台（如OpenAI、Anthropic）推出的“技能”（Skills）或“工具”（Tools）框架，另一种是开源的模型上下文协议（Model Context Protocol，MCP）。

最近，一篇在HackerNews上引发热议的技术文章《I still prefer MCP over skills》深入探讨了这一选择。作者David基于实际开发经验，阐述了为什么在许多场景下，MCP相比平台特定的技能框架更具优势。这一讨论触及了AI应用架构的核心：我们应该选择封闭但易用的平台方案，还是开放但需要更多投入的标准化协议？

随着AI代理（AI Agents）从概念验证走向生产环境，这一选择变得尤为关键。开发者需要权衡开发效率、系统灵活性、供应商锁定风险以及长期维护成本。本文将深入分析MCP与技能框架的差异，并解释为什么MCP正在成为越来越多开发者的首选。

核心内容

1. 平台技能框架的局限性

各大AI平台提供的技能框架（如OpenAI的Function Calling、Anthropic的Tools）确实降低了入门门槛。开发者只需按照平台规定的格式定义函数，模型就能自动调用这些功能。然而，这种便利性背后隐藏着几个关键问题：

供应商锁定：为OpenAI GPTs编写的技能无法直接迁移到Claude或本地部署的模型中
功能受限：平台通常对技能的类型、调用频率和复杂度设有限制
透明度不足：技能调用过程像黑盒，调试和监控困难
扩展性差：难以集成复杂的业务逻辑或需要状态管理的工具

2. MCP的开放性与标准化优势

MCP由Anthropic提出，是一个开放协议，定义了AI模型与外部资源交互的标准方式。它的核心优势在于：

跨模型兼容：同一套MCP服务器可以在不同模型间复用
协议标准化：明确定义的HTTP/SSE接口和JSON Schema
开发灵活性：可以用任何编程语言实现MCP服务器
生态系统丰富：开源社区已经贡献了大量现成的MCP服务器实现

# 一个简单的MCP服务器示例（Python）
from mcp import Server, StdioServerTransport
import asyncio

server = Server("example-server")

@server.list_tools()
async def handle_list_tools():
    return [{
        "name": "get_weather",
        "description": "获取指定城市的天气信息",
        "inputSchema": {
            "type": "object",
            "properties": {
                "city": {"type": "string"}
            }
        }
    }]

@server.call_tool()
async def handle_call_tool(name: str, arguments: dict):
    if name == "get_weather":
        city = arguments.get("city", "北京")
        # 实际调用天气API
        return f"{city}的天气是晴朗，25°C"
    
async def main():
    async with StdioServerTransport() as transport:
        await server.run(transport)

if __name__ == "__main__":
    asyncio.run(main())

3. 实际开发中的对比体验

在实际项目中，MCP的优势更加明显：

调试体验：MCP服务器可以独立运行和测试，不依赖特定的AI平台
版本控制：MCP配置可以像普通代码一样进行版本管理
本地开发：完全可以在本地环境中开发和测试AI代理，无需API密钥
性能优化：可以针对特定工具进行缓存、批处理等优化

4. 长期维护的考量

从项目生命周期角度看，MCP提供了更好的长��维护性：

技术债务可控：避免被特定平台的API变更所绑架
团队协作顺畅：前后端团队可以并行开发，通过MCP协议对接
迁移成本低：更换底层模型时，工具层基本无需改动

5. 社区与生态系统的力量

MCP作为开放协议，正在吸引越来越多的贡献者：

官方和社区维护的工具库不断丰富
开发工具和调试工具日益完善
最佳实践和设计模式逐渐形成

技术分析

MCP架构解析

MCP采用客户端-服务器架构，其中：

MCP客户端：通常是AI模型或代理框架，通过标准协议与服务器通信
MCP服务器：提供工具、数据源等能力的后端服务
传输层：支持stdio、HTTP、SSE等多种传输方式

协议设计亮点

资源（Resources）与工具（Tools）分离

资源：只读数据源，如数据库查询结果、API数据
工具：可执行操作，可能产生副作用

增量更新机制

支持服务器主动推送资源更新
减少轮询开销，提高实时性

强类型接口定义

使用JSON Schema明确定义输入输出
提供更好的开发体验和错误处理

与技能框架的技术对比

特性	MCP	平台技能框架
协议开放性	开放标准	私有实现
传输协议	HTTP/SSE/stdio	通常为HTTP
身份验证	灵活支持多种方案	平台特定方案
工具发现	动态发现	静态配置
状态管理	服务器端管理	通常无状态

性能考虑

MCP的额外协议层确实引入了一些开销，但这些开销在实际应用中通常是可接受的：

连接建立后，通信开销很小
可以批量处理工具调用
支持连接复用和持久化

实践建议

1. 何时选择MCP？

在以下场景中，MCP是更好的选择：

项目需要支持多个AI模型或供应商
工具逻辑复杂，需要独立部署和扩展
团队已有后端服务，希望复用现有能力
对供应商锁定有顾虑

2. 快速上手指南

# 1. 安装MCP开发工具
pip install mcp

# 2. 创建简单的MCP服务器（参考上面的代码示例）

# 3. 使用MCP客户端进行测试
npm install @modelcontextprotocol/sdk

# 4. 集成到AI代理框架中
# 大多数现代AI框架（如LangChain、LlamaIndex）已支持MCP

3. 开发最佳实践

工具设计：保持工具单一职责，输入输出明确
错误处理：提供有意义的错误信息，帮助模型理解失败原因
文档完善：为每个工具编写清晰的描述和示例
版本管理：为MCP服务器定义版本号，支持平滑升级

4. 生产环境部署建议

安全性：

实施适当的身份验证和授权
对工具调用进行限流和审计
敏感操作需要二次确认

可观测性：

记录所有工具调用的日志
监控响应时间和成功率
设置告警机制

性能优化：

对频繁使用的资源进行缓存
考虑使用连接池
实施负载均衡

5. 迁移策略

如果已有基于平台技能的项目，可以逐步迁移：

先为非关键功能实现MCP版本
并行运行两套系统进行对比
逐步将更多功能迁移到MCP
最终完全切换到MCP架构

总结

在AI应用快速发展的今天，架构选择往往决定了项目的长期成功。虽然平台提供的技能框架在入门阶段更加便捷，但MCP以其开放性、标准化和灵活性，为严肃的AI应用开发提供了更坚实的基础。它不仅是技术上的优化，更是对开发自主权和项目可持续性的投资。随着AI生态的不断成熟，像MCP这样的开放标准将越来越重要，它们确保了创新不会被单一平台所限制，而是能够在整个生态系统中自由流动和进化。对于正在构��下��代AI应用的开发者来说，现在投入时间学习和采用MCP，将是面向未来的明智选择。