AI Agent能力扩展MCP工作机制实现方式 Skill渐进式披露codex 接入代码实操深度应用全流程1. 引言AI Agent 能力扩展的三大支柱随着大模型能力的持续提升AI Agent 已经从「单轮问答」走向「多步骤任务执行」。要让 Agent 真正落地到复杂业务场景必须解决三个核心问题工具接入如何调用外部系统、能力渐进式披露如何让模型在合适的时机使用合适的能力、工程化落地如何与现有开发工具链打通。本文围绕 MCP 工作机制、Skill 渐进式披露、Codex 接入三条主线配合完整代码实操带你走通 AI Agent 能力扩展的全流程。2. MCP 工作机制Agent 与外部世界的「标准化接口」2.1 什么是 MCPMCPModel Context Protocol模型上下文协议是 Anthropic 于 2024 年底提出的开放协议旨在为 AI 应用与外部数据源、工具之间建立一套标准化的通信方式。你可以把它理解为 AI 世界的「USB-C 接口」——无论底层是哪种模型、哪种工具只要双方都遵循 MCP 协议就能即插即用。2.2 MCP 的核心架构MCP 采用客户端-服务器架构包含三个关键角色MCP Host运行 AI 模型的主程序如 Claude Desktop、IDE 插件负责发起请求并处理结果。MCP Client嵌入在 Host 中的协议客户端负责与 Server 建立连接、协商能力、转发调用。MCP Server暴露工具、资源和提示词的独立服务可以是本地进程也可以是远程服务。一次完整的 MCP 调用流程如下Host 启动时Client 向 Server 发送initialize请求协商协议版本与能力。Client 通过tools/list获取 Server 暴露的工具清单。模型根据用户意图选择合适的工具Client 通过tools/call发起调用。Server 执行工具逻辑将结果以结构化 JSON 返回给模型。2.3 MCP 的传输层与消息格式MCP 支持两种传输方式stdio本地进程间通信适合与 IDE 插件、本地 CLI 集成和Streamable HTTP远程服务适合跨网络调用。所有消息均采用 JSON-RPC 2.0 格式封装保证跨语言、跨平台的兼容性。3. MCP 实现方式从零搭建一个 MCP Server3.1 技术选型官方提供 TypeScript 和 Python 两种 SDK。本文以 Python 为例因为它生态成熟、上手快适合快速验证。先安装依赖pip install mcp fastmcp3.2 实现一个「天气查询」MCP Server下面实现一个最简单的 MCP Server暴露一个get_weather工具from mcp.server.fastmcp import FastMCP 创建 MCP Server 实例 mcp FastMCP(WeatherServer) mcp.tool() def get_weather(city: str) - str: 查询指定城市的天气信息 # 这里替换为真实天气 API 调用 return f{city} 今天晴气温 18-25℃空气质量优。 if name main: mcp.run()启动后该 Server 会通过 stdio 监听来自 Client 的 JSON-RPC 请求。你可以用官方mcp-inspector工具可视化调试npx modelcontextprotocol/inspector python weather_server.py3.3 在 Claude Desktop 中接入自定义 MCP Server编辑 Claude Desktop 的配置文件macOS 路径为~/Library/Application Support/Claude/claude_desktop_config.json{ mcpServers: { weather: { command: python, args: [/path/to/weather_server.py] } } }重启 Claude Desktop 后模型即可通过自然语言调用get_weather工具实现「帮我查一下北京的天气」这类交互。4. Skill 渐进式披露让 Agent 能力「按需可见」4.1 为什么需要渐进式披露如果把所有工具一次性暴露给模型会产生两个问题一是上下文窗口被大量工具描述占满挤压有效推理空间二是模型在无关工具间犹豫降低任务执行准确率。Skill 渐进式披露Progressive Disclosure的核心思想是先暴露少量核心能力根据任务进展动态加载更多技能。4.2 分层披露策略推荐采用三层结构L1 常驻工具高频、轻量的基础能力如文本处理、计算始终在上下文中。L2 按需加载低频但可能用到的能力如数据库查询、文件读写通过关键词匹配或意图识别动态注入。L3 深度技能特定领域的复杂工作流如数据分析报告生成仅在用户明确表达相关需求时加载。4.3 代码实操基于 MCP 实现 Skill 动态加载下面演示如何在 MCP Server 端实现「按需暴露工具」。核心思路是Server 维护一个技能注册表根据 Client 传入的上下文标签动态决定tools/list的返回结果。from mcp.server.fastmcp import FastMCP mcp FastMCP(SkillServer) 技能注册表技能名 - 工具函数 SKILL_REGISTRY { basic: [echo, add], database: [query_sql], report: [generate_report], } 当前会话已激活的技能 active_skills {basic} mcp.tool() def echo(text: str) - str: 回显输入文本 return text mcp.tool() def add(a: float, b: float) - float: 计算两个数字之和 return a b mcp.tool() def query_sql(sql: str) - str: 执行 SQL 查询需激活 database 技能 return f执行查询{sql} mcp.tool() def generate_report(topic: str) - str: 生成数据分析报告需激活 report 技能 return f已生成关于 {topic} 的报告 动态控制 tools/list 返回 mcp.list_tools() def list_tools(): tools [] for skill in active_skills: for name in SKILL_REGISTRY[skill]: tools.append(mcp.get_tool(name)) return tools 模拟根据用户意图激活技能 def activate_skill(skill_name: str): if skill_name in SKILL_REGISTRY: active_skills.add(skill_name) if name main: mcp.run()通过这种机制模型在对话初期只看到echo和add两个工具当用户提到「查数据库」时Host 调用activate_skill(database)后续tools/list才会返回query_sql。这样既节省了上下文又避免了工具误用。5. Codex 接入把 Agent 能力嵌入开发工作流5.1 Codex 是什么Codex 是 OpenAI 推出的 AI 编程智能体能够理解代码仓库、自主完成多文件修改、运行测试并迭代修复。将 MCP 与 Codex 结合可以让 Codex 在编码之外还能调用企业内部的业务系统、数据库和运维平台真正成为「全栈开发助手」。5.2 在 Codex 中配置 MCP ServerCodex CLI 支持通过配置文件声明 MCP Server。编辑~/.codex/config.toml[mcp_servers.weather] command python args [/path/to/weather_server.py] [mcp_servers.internal_api] command npx args [-y, your-org/mcp-internal-api]配置完成后在 Codex 会话中直接输入自然语言指令请查询订单表结构并帮我写一个分页查询接口。Codex 会先通过 MCP 调用query_sql获取表结构再基于返回结果编写代码实现「理解业务 → 生成代码」的闭环。5.3 代码实操Codex MCP 实现自动化运维下面演示一个更完整的场景让 Codex 通过 MCP 调用部署平台的 API完成服务状态检查和自动重启。# deploy_mcp_server.py from mcp.server.fastmcp import FastMCP import requests mcp FastMCP(DeployServer) mcp.tool() def check_service(service_name: str) - str: 检查指定服务的运行状态 resp requests.get(fhttp://ops.internal/status/{service_name}) return f服务 {service_name} 状态{resp.json()[status]} mcp.tool() def restart_service(service_name: str) - str: 重启指定服务 resp requests.post(fhttp://ops.internal/restart/{service_name}) return f服务 {service_name} 重启结果{resp.json()[result]} if name main: mcp.run()在 Codex 中发起指令检查 payment-service 的状态如果异常就重启它。Codex 会依次调用check_service和restart_service并根据返回结果决定是否执行重启整个过程无需人工介入。6. 深度应用全流程从需求到落地的完整链路6.1 场景定义假设我们要构建一个「智能运维助手」能够理解自然语言运维指令查询服务状态、日志和指标执行重启、扩缩容等操作生成运维报告。6.2 架构设计整体架构分为四层交互层Codex CLI / Claude Desktop 作为 Host接收用户指令。协议层MCP Client 负责与各 Server 通信。能力层多个 MCP Server 分别暴露监控、日志、部署、报表能力。执行层底层对接 Prometheus、ELK、K8s 等真实系统。6.3 技能渐进式披露设计针对运维场景设计如下技能分层L1 常驻check_service高频查询。L2 按需get_logs、get_metrics排查问题时加载。L3 深度restart_service、scale_service用户明确授权后加载并二次确认。6.4 完整代码实现下面给出一个整合了渐进式披露的运维 MCP Serverfrom mcp.server.fastmcp import FastMCP mcp FastMCP(OpsAssistant) 技能注册 SKILLS { l1_basic: [check_service], l2_troubleshoot: [get_logs, get_metrics], l3_operation: [restart_service, scale_service], } active {l1_basic} mcp.tool() def check_service(name: str) - str: 检查服务健康状态 return f{name}: healthy mcp.tool() def get_logs(name: str, lines: int 100) - str: 获取服务最近日志 return f--- {name} 最近 {lines} 行日志 --- mcp.tool() def get_metrics(name: str) - str: 获取服务核心指标 return f{name}: CPU 12%, MEM 34%, QPS 2300 mcp.tool() def restart_service(name: str) - str: 重启服务危险操作需授权 return f{name} 已重启 mcp.tool() def scale_service(name: str, replicas: int) - str: 扩缩容服务危险操作需授权 return f{name} 已扩容至 {replicas} 个副本 mcp.list_tools() def list_tools(): result [] for skill in active: for tool_name in SKILLS[skill]: result.append(mcp.get_tool(tool_name)) return result def activate(skill: str): if skill in SKILLS: active.add(skill) if name main: mcp.run()6.5 效果验证在 Codex 中依次输入以下指令观察工具加载变化1. 检查 payment-service 状态。仅加载 L1 工具 2. 查看 payment-service 最近的错误日志。触发 L2 技能加载 3. 重启 payment-service。触发 L3 技能加载并要求二次确认通过这种设计模型始终只看到当前任务所需的工具既保证了响应速度又降低了误操作风险。7. 最佳实践与踩坑指南7.1 工具描述要「面向模型」MCP 工具的描述不是给人看的而是给模型看的。描述要包含功能边界做什么、输入输出格式参数类型和返回结构、使用场景什么时候该调用。例如mcp.tool() def get_user_orders(user_id: str, date_from: str None) - str: 查询用户订单列表。当用户询问我的订单买了什么时使用。 参数user_id 用户IDdate_from 起始日期YYYY-MM-DD可选。 返回JSON 数组每个元素包含 order_id、amount、status。 ...7.2 错误处理要「可恢复」工具调用失败时返回的错误信息要能让模型理解并尝试修复。推荐返回结构化错误mcp.tool() def query_sql(sql: str) - str: try: result db.execute(sql) return json.dumps(result) except SyntaxError as e: return json.dumps({error: SQL语法错误, detail: str(e), suggestion: 检查表名和字段名})7.3 权限控制要「分层」危险操作删除、重启、写操作必须放在 L3 技能层并增加二次确认机制。可以在工具内部增加confirm参数mcp.tool() def delete_user(user_id: str, confirm: bool False) - str: 删除用户危险操作。confirm 必须为 True 才会执行。 if not confirm: return 已取消删除用户为危险操作请设置 confirmTrue 确认。 # 执行删除 return f用户 {us
AI Agent能力扩展：MCP工作机制+实现方式+ Skill渐进式披露+codex 接入+代码实操，深度应用全流程！
AI Agent能力扩展MCP工作机制实现方式 Skill渐进式披露codex 接入代码实操深度应用全流程1. 引言AI Agent 能力扩展的三大支柱随着大模型能力的持续提升AI Agent 已经从「单轮问答」走向「多步骤任务执行」。要让 Agent 真正落地到复杂业务场景必须解决三个核心问题工具接入如何调用外部系统、能力渐进式披露如何让模型在合适的时机使用合适的能力、工程化落地如何与现有开发工具链打通。本文围绕 MCP 工作机制、Skill 渐进式披露、Codex 接入三条主线配合完整代码实操带你走通 AI Agent 能力扩展的全流程。2. MCP 工作机制Agent 与外部世界的「标准化接口」2.1 什么是 MCPMCPModel Context Protocol模型上下文协议是 Anthropic 于 2024 年底提出的开放协议旨在为 AI 应用与外部数据源、工具之间建立一套标准化的通信方式。你可以把它理解为 AI 世界的「USB-C 接口」——无论底层是哪种模型、哪种工具只要双方都遵循 MCP 协议就能即插即用。2.2 MCP 的核心架构MCP 采用客户端-服务器架构包含三个关键角色MCP Host运行 AI 模型的主程序如 Claude Desktop、IDE 插件负责发起请求并处理结果。MCP Client嵌入在 Host 中的协议客户端负责与 Server 建立连接、协商能力、转发调用。MCP Server暴露工具、资源和提示词的独立服务可以是本地进程也可以是远程服务。一次完整的 MCP 调用流程如下Host 启动时Client 向 Server 发送initialize请求协商协议版本与能力。Client 通过tools/list获取 Server 暴露的工具清单。模型根据用户意图选择合适的工具Client 通过tools/call发起调用。Server 执行工具逻辑将结果以结构化 JSON 返回给模型。2.3 MCP 的传输层与消息格式MCP 支持两种传输方式stdio本地进程间通信适合与 IDE 插件、本地 CLI 集成和Streamable HTTP远程服务适合跨网络调用。所有消息均采用 JSON-RPC 2.0 格式封装保证跨语言、跨平台的兼容性。3. MCP 实现方式从零搭建一个 MCP Server3.1 技术选型官方提供 TypeScript 和 Python 两种 SDK。本文以 Python 为例因为它生态成熟、上手快适合快速验证。先安装依赖pip install mcp fastmcp3.2 实现一个「天气查询」MCP Server下面实现一个最简单的 MCP Server暴露一个get_weather工具from mcp.server.fastmcp import FastMCP 创建 MCP Server 实例 mcp FastMCP(WeatherServer) mcp.tool() def get_weather(city: str) - str: 查询指定城市的天气信息 # 这里替换为真实天气 API 调用 return f{city} 今天晴气温 18-25℃空气质量优。 if name main: mcp.run()启动后该 Server 会通过 stdio 监听来自 Client 的 JSON-RPC 请求。你可以用官方mcp-inspector工具可视化调试npx modelcontextprotocol/inspector python weather_server.py3.3 在 Claude Desktop 中接入自定义 MCP Server编辑 Claude Desktop 的配置文件macOS 路径为~/Library/Application Support/Claude/claude_desktop_config.json{ mcpServers: { weather: { command: python, args: [/path/to/weather_server.py] } } }重启 Claude Desktop 后模型即可通过自然语言调用get_weather工具实现「帮我查一下北京的天气」这类交互。4. Skill 渐进式披露让 Agent 能力「按需可见」4.1 为什么需要渐进式披露如果把所有工具一次性暴露给模型会产生两个问题一是上下文窗口被大量工具描述占满挤压有效推理空间二是模型在无关工具间犹豫降低任务执行准确率。Skill 渐进式披露Progressive Disclosure的核心思想是先暴露少量核心能力根据任务进展动态加载更多技能。4.2 分层披露策略推荐采用三层结构L1 常驻工具高频、轻量的基础能力如文本处理、计算始终在上下文中。L2 按需加载低频但可能用到的能力如数据库查询、文件读写通过关键词匹配或意图识别动态注入。L3 深度技能特定领域的复杂工作流如数据分析报告生成仅在用户明确表达相关需求时加载。4.3 代码实操基于 MCP 实现 Skill 动态加载下面演示如何在 MCP Server 端实现「按需暴露工具」。核心思路是Server 维护一个技能注册表根据 Client 传入的上下文标签动态决定tools/list的返回结果。from mcp.server.fastmcp import FastMCP mcp FastMCP(SkillServer) 技能注册表技能名 - 工具函数 SKILL_REGISTRY { basic: [echo, add], database: [query_sql], report: [generate_report], } 当前会话已激活的技能 active_skills {basic} mcp.tool() def echo(text: str) - str: 回显输入文本 return text mcp.tool() def add(a: float, b: float) - float: 计算两个数字之和 return a b mcp.tool() def query_sql(sql: str) - str: 执行 SQL 查询需激活 database 技能 return f执行查询{sql} mcp.tool() def generate_report(topic: str) - str: 生成数据分析报告需激活 report 技能 return f已生成关于 {topic} 的报告 动态控制 tools/list 返回 mcp.list_tools() def list_tools(): tools [] for skill in active_skills: for name in SKILL_REGISTRY[skill]: tools.append(mcp.get_tool(name)) return tools 模拟根据用户意图激活技能 def activate_skill(skill_name: str): if skill_name in SKILL_REGISTRY: active_skills.add(skill_name) if name main: mcp.run()通过这种机制模型在对话初期只看到echo和add两个工具当用户提到「查数据库」时Host 调用activate_skill(database)后续tools/list才会返回query_sql。这样既节省了上下文又避免了工具误用。5. Codex 接入把 Agent 能力嵌入开发工作流5.1 Codex 是什么Codex 是 OpenAI 推出的 AI 编程智能体能够理解代码仓库、自主完成多文件修改、运行测试并迭代修复。将 MCP 与 Codex 结合可以让 Codex 在编码之外还能调用企业内部的业务系统、数据库和运维平台真正成为「全栈开发助手」。5.2 在 Codex 中配置 MCP ServerCodex CLI 支持通过配置文件声明 MCP Server。编辑~/.codex/config.toml[mcp_servers.weather] command python args [/path/to/weather_server.py] [mcp_servers.internal_api] command npx args [-y, your-org/mcp-internal-api]配置完成后在 Codex 会话中直接输入自然语言指令请查询订单表结构并帮我写一个分页查询接口。Codex 会先通过 MCP 调用query_sql获取表结构再基于返回结果编写代码实现「理解业务 → 生成代码」的闭环。5.3 代码实操Codex MCP 实现自动化运维下面演示一个更完整的场景让 Codex 通过 MCP 调用部署平台的 API完成服务状态检查和自动重启。# deploy_mcp_server.py from mcp.server.fastmcp import FastMCP import requests mcp FastMCP(DeployServer) mcp.tool() def check_service(service_name: str) - str: 检查指定服务的运行状态 resp requests.get(fhttp://ops.internal/status/{service_name}) return f服务 {service_name} 状态{resp.json()[status]} mcp.tool() def restart_service(service_name: str) - str: 重启指定服务 resp requests.post(fhttp://ops.internal/restart/{service_name}) return f服务 {service_name} 重启结果{resp.json()[result]} if name main: mcp.run()在 Codex 中发起指令检查 payment-service 的状态如果异常就重启它。Codex 会依次调用check_service和restart_service并根据返回结果决定是否执行重启整个过程无需人工介入。6. 深度应用全流程从需求到落地的完整链路6.1 场景定义假设我们要构建一个「智能运维助手」能够理解自然语言运维指令查询服务状态、日志和指标执行重启、扩缩容等操作生成运维报告。6.2 架构设计整体架构分为四层交互层Codex CLI / Claude Desktop 作为 Host接收用户指令。协议层MCP Client 负责与各 Server 通信。能力层多个 MCP Server 分别暴露监控、日志、部署、报表能力。执行层底层对接 Prometheus、ELK、K8s 等真实系统。6.3 技能渐进式披露设计针对运维场景设计如下技能分层L1 常驻check_service高频查询。L2 按需get_logs、get_metrics排查问题时加载。L3 深度restart_service、scale_service用户明确授权后加载并二次确认。6.4 完整代码实现下面给出一个整合了渐进式披露的运维 MCP Serverfrom mcp.server.fastmcp import FastMCP mcp FastMCP(OpsAssistant) 技能注册 SKILLS { l1_basic: [check_service], l2_troubleshoot: [get_logs, get_metrics], l3_operation: [restart_service, scale_service], } active {l1_basic} mcp.tool() def check_service(name: str) - str: 检查服务健康状态 return f{name}: healthy mcp.tool() def get_logs(name: str, lines: int 100) - str: 获取服务最近日志 return f--- {name} 最近 {lines} 行日志 --- mcp.tool() def get_metrics(name: str) - str: 获取服务核心指标 return f{name}: CPU 12%, MEM 34%, QPS 2300 mcp.tool() def restart_service(name: str) - str: 重启服务危险操作需授权 return f{name} 已重启 mcp.tool() def scale_service(name: str, replicas: int) - str: 扩缩容服务危险操作需授权 return f{name} 已扩容至 {replicas} 个副本 mcp.list_tools() def list_tools(): result [] for skill in active: for tool_name in SKILLS[skill]: result.append(mcp.get_tool(tool_name)) return result def activate(skill: str): if skill in SKILLS: active.add(skill) if name main: mcp.run()6.5 效果验证在 Codex 中依次输入以下指令观察工具加载变化1. 检查 payment-service 状态。仅加载 L1 工具 2. 查看 payment-service 最近的错误日志。触发 L2 技能加载 3. 重启 payment-service。触发 L3 技能加载并要求二次确认通过这种设计模型始终只看到当前任务所需的工具既保证了响应速度又降低了误操作风险。7. 最佳实践与踩坑指南7.1 工具描述要「面向模型」MCP 工具的描述不是给人看的而是给模型看的。描述要包含功能边界做什么、输入输出格式参数类型和返回结构、使用场景什么时候该调用。例如mcp.tool() def get_user_orders(user_id: str, date_from: str None) - str: 查询用户订单列表。当用户询问我的订单买了什么时使用。 参数user_id 用户IDdate_from 起始日期YYYY-MM-DD可选。 返回JSON 数组每个元素包含 order_id、amount、status。 ...7.2 错误处理要「可恢复」工具调用失败时返回的错误信息要能让模型理解并尝试修复。推荐返回结构化错误mcp.tool() def query_sql(sql: str) - str: try: result db.execute(sql) return json.dumps(result) except SyntaxError as e: return json.dumps({error: SQL语法错误, detail: str(e), suggestion: 检查表名和字段名})7.3 权限控制要「分层」危险操作删除、重启、写操作必须放在 L3 技能层并增加二次确认机制。可以在工具内部增加confirm参数mcp.tool() def delete_user(user_id: str, confirm: bool False) - str: 删除用户危险操作。confirm 必须为 True 才会执行。 if not confirm: return 已取消删除用户为危险操作请设置 confirmTrue 确认。 # 执行删除 return f用户 {us
![You Don‘t Know JS Yet（Objects Classes）：深入对象机制 —— 属性描述符、对象子类型与 `[[Prototype]]` 原型链](http://pic.xiahunao.cn/yaotu/You Don‘t Know JS Yet（Objects Classes）：深入对象机制 —— 属性描述符、对象子类型与 `[[Prototype]]` 原型链)
