CP 进化：让静态 Tool 进化为具备“上下文感知”的远程 Skills

一、静态 Tools 的三大痛点传统的 MCP 交互类似于一个“无法关闭的工具箱”无论场景如何所有工具一涌而上上下文噪音Context Noise即使是一个简单的问候模型也会被注入成百上千行的工具 Schema 定义白白浪费 Token更干扰模型的推理专注度。权限真空Security Risks模型对工具的可见性是“全量”的。难以根据当前登录用户的角色如普通用户 vs 管理员动态隐藏敏感操作如删除订单。行为失控Instruction Gap工具只提供了“能做什么”却无法告诉模型“在当前背景下该怎么做”。模型缺乏针对特定业务场景的即时指令约束。二、核心解决方式感知、挂载与动态分发Solon AI 通过引入 SkillSolon AI Skills 生命周期 来包裹 MCP 协议实现以下机制解决上述痛点A. 智能准入 (isSupported)只有当 Prompt 上下文意图、租户信息、环境变量满足条件时技能才会被激活。B. 指令注入 (getInstruction)在技能挂载时自动为模型注入针对当前上下文的“行为准则”System Message。C. 三态路由 (getToolsName)服务端根据 Prompt 属性动态决定给模型展示哪些工具。支持三种形态的路由方式全量使用未定义过滤逻辑时显示所有业务工具。精准授权仅展示当前用户权限范围内的工具。完全拒绝即便技能激活也可能因安全策略在此时封锁所有工具调用。三、实战示例1. 客户端像本地技能一样调用开发者只需关注业务属性的注入无需操心工具的过滤逻辑一切由 MCP Skill 代理与远程服务端约定与协商。import org.noear.solon.ai.chat.ChatModel; import org.noear.solon.ai.chat.prompt.Prompt; import org.noear.solon.ai.mcp.McpChannel; import org.noear.solon.ai.mcp.client.McpClientProvider; import org.noear.solon.ai.mcp.client.McpSkillClient; //构建 mcp 客户端 McpClientProvider mcpClient McpClientProvider.builder() .channel(McpChannel.STREAMABLE) .url(http://localhost:8081//skill/order) .build(); // 构建带有业务属性的提示词 Prompt prompt Prompt.of(帮我取消订单 A001) .attrPut(tenant_id, solon_001) .attrPut(user_role, ADMIN); // 模拟管理员身份 // 注入技能模型将只看到“管理员”权限下的工具 chatModel.prompt(prompt) .options(o - o.skillAdd(new McpSkillClient(mcpClient))) //将 mcp 客户端 包装为 Solon AI Skills .call();2. 服务端实现具备“感知力”的技能服务端不再是盲目响应而是通过解析 Prompt 决定自己的表现。import org.noear.solon.ai.annotation.ToolMapping; import org.noear.solon.ai.chat.prompt.Prompt; import org.noear.solon.ai.mcp.McpChannel; import org.noear.solon.ai.mcp.server.McpSkillServer; import org.noear.solon.ai.mcp.server.annotation.McpServerEndpoint; import java.util.ArrayList; import java.util.List; McpServerEndpoint(channel McpChannel.STREAMABLE_STATELESS, mcpEndpoint /skill/order) public class OrderSkillServer extends McpSkillServer { Override public boolean isSupported(Prompt prompt) { // 感知意图只有涉及“订单”且租户合规时才激活 return prompt.getUserContent().contains(订单) prompt.attr(tenant_id) ! null; } Override public String getInstruction(Prompt prompt) { // 动态指令注入租户特定的业务规则 return 你现在是租户[ prompt.attr(tenant_id) ]的订单助手。; } Override public ListString getToolsName(Prompt prompt) { // 权限隔离根据用户角色动态下发工具名 ListString tools new ArrayList(); tools.add(OrderQuery); // 基础权限 if (ADMIN.equals(prompt.attr(user_role))) { tools.add(OrderCancel); // 仅管理员可见 } return tools; } ToolMapping(description 查询订单) public String OrderQuery(String id) { ... } ToolMapping(description 取消订单) public String OrderCancel(String id) { ... } }四、Skills 架构反思与局限性补充尽管将 MCP 进化为 Skills 带来了显著的工程优势但开发者仍需理清其技术边界非标准化的架构增强LLM 的底层标准仅包含 Prompt 和 Tool-Call。Skills 并非模型原生标准也不属于 MCP 的公共协议规范而是一种 架构设计模式模式是通用的。它通常由 AI 开发框架如 Solon AI在消费侧实现用于解决复杂业务下的能力调度问题。消费侧驱动的定制MCP 向 Skills 的进化本质上是“业务驱动”或“领域驱动”的。在设计远程 MCP Skill 时必须参考消费侧即 Agent 执行引擎的具体规范进行深度定制。适用场景的选择Tool适用于原子化、无状态、全量公开的简单功能插件。Skill适用于需要上下文感知、多租户隔离、动态指令约束的复杂业务逻辑块。五、 好处总结将 MCP 进化为 Skills 之后您的 AI Agent 架构将获得极致的上下文纯净度模型只看到此时此刻该看的工具通过 getToolsName 实现按需加载或权限控制。天然的权限安全通过服务端感知的动态分发实现真正的跨进程角色权限控制RBAC for Tools。