MCP（Model Context Protocol）是一种开放协议，让 AI 模型安全地访问外部工具和数据源。随着 Claude Code、Cursor 等 Agent 的普及，MCP 成为连接 LLM 与真实世界的关键接口，显著提升 Agent 的实用性与自主性。
当前 MCP 生态快速膨胀：既有官方规范，也有社区贡献的数千个 MCP 服务器，覆盖文件操作、API 集成、数据库查询等场景。Skills（或 Agent 技能）则是对 MCP 的高层封装，便于组合和复用。AWS、NVIDIA 等大厂已入场，开源社区涌现出 Golang、Python 等语言实现。
怎么上手、怎么选
上手第一步：选择一个支持 MCP 的客户端（如 Claude Desktop、Cursor），配置 MCP 服务器。例如在 Claude Desktop 的配置文件中添加一行："mcpServers": {"excel": {"command": "node", "args": ["excel-mcp-server"]}}。推荐从轻量级服务器开始，如 Markdownify MCP。
选型核心：评估 MCP 服务器的维护活跃度、文档质量、协议兼容性。GitHub Stars 是参考但不是唯一标准，优先选择有 CI/CD、定期更新的仓库。对于生产环境，考虑官方或大厂维护的版本，避免过度依赖个人项目。
常见坑：1）MCP 服务器启动后客户端无法发现——检查路径和权限；2）协议版本不匹配——确保客户端与服务器使用相同 MCP 版本；3）安全风险——MCP 服务器可执行任意代码，务必隔离运行环境。
进阶：使用多模型后端（如 Pal MCP Server）统一管理多个 LLM；利用 Skills 将常用工作流封装成可插拔模块。例如将“文件转 Markdown→分析→生成报告”打包为一个 Skill，一键复用。
常见问题
MCP 与 Function Calling 有什么区别？
MCP 是标准化的开放协议，定义了客户端、服务器如何通信，而 Function Calling 是具体模型的实现方式。MCP 更通用，可跨模型；Function Calling 通常依赖特定 API。
MCP 服务器安全吗？
它拥有对主机系统的完全访问权限，不安全。务必在沙箱或容器中运行，仅授予必要权限。社区服务器存在恶意风险，使用前审查代码。
如何编写自己的 MCP 服务器？
使用官方 SDK（Python、TypeScript、Java、Go）快速开发。核心是实现一组工具（tools）和资源（resources），并遵循 MCP 协议。可从模板项目 fork。
Skills 与 MCP 的关系是什么？
Skills 是基于 MCP 的高层封装，将多个 MCP 工具组合成可复用的任务单元。例如一个“数据提取 Skill”可能调用文件 MCP、数据库 MCP 和 API MCP。
MCP 适合哪些场景？
适合需要让 Agent 执行实际操作的场景，如自动化工作流、代码审查、数据流水线。不适合纯聊天或无需外部交互的场合。
MCP 的替代方案有哪些？
OpenAI 的 Plugin 协议、Anthropic 的工具使用 API、以及各个框架的自定义工具系统。MCP 的优势在于开放和跨平台。