本文解析Anthropic三大Agent开发机制：MCP+PTC提供标准化工具访问和程序化调用；Skills以"知识胶囊"形式注入专业技能；Subagents实现"分而治之"的任务拆分。三者分别作为连接层、认知层和组织层协同工作，帮助开发者构建高效、可维护的Agent系统，拓展构建Agent系统的思维方式。

Anthropic 这家“AI 后期之秀”擅长在 Agent 工程领域“整活”。除了大家熟知的MCP（模型上下文协议）外，前两个月抛出了两个新概念：Skills （技能）与 程序化工具调用（PTC），并在自身的Claude开发平台落地支持。

虽然目前 Skills 、PTC主要在 Claude 生态中可用，但从它们的设计理念来看，不排除未来会成为各大Agent框架的“标配”。本文将带你聚焦拆解：MCP + PTC、Skills 与 Subagents 三者的定位、联系与应用，相信可以拓展你构建Agent系统的思维方式。

本文内容：

  • MCP+PTC：会“连招”的Agent工具箱
  • Skills：给Agent配备的“知识胶囊”
  • Subagents：“分而治之”的Agent架构
  • 联系、区别与协同

001

MCP + PTC：会”连招“的Agent工具箱

时至今日，MCP 已经可以说是 Agent 开发领域最重要的开放协议之一，甚至可能是“最”重要的那个。它由 Anthropic 在 2024 年底提出，目前已经完成了两次规范的版本迭代，可见其在生态中的地位。

【MCP再回顾】

在 MCP 出现之前，如果你希望让 AI 访问你的本地文件、企业数据库或者第三方API，你需要为每个外部资源写“胶水代码”。这就像以前手机充电器接口各异，极难通用。

而 MCP 就是 AI 时代的 “USB-C”：

它标准化了 AI 与外部世界的连接方式。

开发者可以把数据库、业务系统、API等访问等封装成一个 MCP Server，一次暴露，多处复用。任意一个具备 MCP 客户端能力的 Agent，都可以直接接入并使用这些能力，无需再次开发。

MCP的核心架构与能力用下图总结：

【PTC：程序化工具调用】

有了MCP，你可以给Agent“插上”大量工具，但是新的问题来了：在一次复杂的任务中，流程很容易变成这样：

LLM推理->工具调用->结果塞入上下文->LLM再推理->下一个工具调用…

这种反复来回的“乒乓球效应”，带来的缺陷主要是：

  • 高延迟：大量的网络往返与LLM推理，可能让响应从几秒变成几分钟

  • 高成本：大量中间结果被塞入上下文，占Token，还影响推理质量

Anthropic 对此的解法是：一种新的工具调用方式 — 程序化工具调用（PTC, Programmatic Tool Calling），用来优化上述场景中的问题。

其核心理念是：

让LLM编写一段完整的Python代码，并在安全的沙箱环境中运行，代码中直接包含了对多次MCP 工具的调用、逻辑循环、条件判断以及数学计算等。即：Agent通过编写程序来调用工具，而不是通过对话逐步推理出来。

举个简单例子：

“使用工具A从数据库查询所有订单，再用工具B生成分析图表”

如果通过传统方式，LLM 需要先拿到工具 A 的结果（大量订单记录），塞进上下文，再思考要不要调用 B — 又慢又贵。而在PTC模式下：

orders = await toolA.query_orders()chart = await toolB.generate_chart(orders)return chart

沙箱一次性执行完，由于少了中间结果的反复，响应与Tokens成本大大降低。

【MCP+PTC：工具调用的“连招”】

如果说MCP工具是招式，那么PTC就是一口气打出多个“连招”：

  • MCP提供了“原子化”的工具能力（查询、读写文件、API调用）
  • PTC提供了基于代码的“粘合剂”（工具调用、循环、条件判断、过滤）

但，PTC 本质上是“自动写代码”，适合执行确定性强、流程相对固定的任务，但不是所有的任务都适合PTC。特别是：当工具调用结果需要依赖LLM来进行推理、理解以判断下一步行为时，PTC可能就不适合。比如：

“帮我分析这份商务合同，如果有严重风险，生成一份免责说明；否则给出修改建议。”

由于这里需要LLM作语义判断以推理风险等级，这是一个典型的“LLM决策点”，无法用PTC代码来直接写死，因此更适合经典的Agent循环模式。

002

Skills：给Agent的“知识胶囊”

在理想世界里，我们希望Agent什么都会。但现实是（特别是在专业领域），Agent往往缺乏足够的”知识“来知道”怎么做“，比如操作流程、应该使用的Python模块、采用的模板等。而且你无法把所有的经验与指南都塞入上下文 — 毕竟空间有限。

【Skills：模块化的”知识胶囊“】

Skills是一种用来以模块化方式给 LLM 注入专业技能的机制。它在物理上是一个“文件夹”，里面包含：

  • 一个核心说明文件 SKILL.md
  • 相关的脚本/代码
  • 其他资源文件（文档、模板、示例等）

这些内容告诉LLM：“遇到这类任务时该怎么做”。这是一个官方处理PDF文件的技能目录：

当用户输入任务“请把我上传的PDF文件提取成文本”时，LLM 会自动匹配到这个Skill，阅读其中的指南，然后根据其中的说明编写代码或调用工具、运行并获得结果。

在整个过程中，操作细节不是靠LLM自行“猜”，而是由Skill中的文档给出指示。

【Skills核心机制：“渐进式披露”】

那么LLM是如何知道用哪个Skill的？难道要把所有Skill资料一股脑塞进上下文？显然不是。这涉及到Skills的核心理念：渐进式披露(Progressive Disclosure)，即：LLM对Skills的了解是一种“渐进式”的方式。

这种方式的出发点仍然来自于“上下文危机”：在复杂Agent运行时，由于不断注入大量的专业知识、工具信息、调用结果、对话历史等。你可能会面临：

  • 上下文爆炸，有用信息被挤出

  • Tokens成本飙升，且存在浪费

  • 信息被稀释，LLM推理出错概率增大

  • 性能下降，Agent响应延迟

想象下，如果你需要把上百个MCP Server中的工具说明、流程指引等加载进上下文，Agent将会“记忆过载”。

当前应对上下文危机的主要方法是借助上下文工程的长期Memory方案。

Skills采用的策略是：

让Agent可以访问大量技能，但不会一次性“灌输式”教学，而是“按需加载”。

这种渐进式披露的运作机制如下：

第一层：技能发现

会话开始时从SKILL.md文件的元数据区域加载名称与描述，用于发现技能。具体来说就是把name和description注入系统Prompt。

第二层：技能理解

当LLM识别需要使用某个Skill时，会加载该技能的完整SKILL.md，以了解真正的技能指南。

第三层：资源按需加载

在使用技能时，如果发现有额外的动态资源需要读取（文档、模板、脚本等），则按需加载对应资源。

以下是官方的PDF技能在每个阶段被注入到上下文的内容：

注意到，对于需要编程处理的任务，开发者可以在Skill目录放置 Python 脚本。当Agent使用该Skill时，可以加载这些代码在安全沙盒中执行，这样比让LLM生成代码更高效、更可控。

003

Subagents：”分而治之“的Agent架构

当面对一个复杂的任务 — 比如“对整份文档做全面审核并给出修复建议”时，单一的Agent（即使配备 MCP+Skills）会遇到麻烦：

  • 角色混乱 ：一个 System Prompt 同时包含“专业的创作者”和“严苛的审核员”两种截然不同的人设，容易造成混乱。

  • 上下文污染：各种任务指令、文档内容、工具说明、调用结果等挤在同一个上下文里，LLM可能会忘记最初目标。

【Subagents：“分而治之”】

Claude开发平台的Subagents就是旨在通过“分而治之”的策略来解决上述问题：

把复杂任务拆成几个可控的子任务，由不同的 Agent 专家分别处理，各司其职，互不干扰。

Subagents本质是多智能体系统的一种实现，并非Claude独有。其好处是：

  • 上下文隔离：每个 Subagent 都在独立环境中运行。主Agent将子任务指派给 Subagent，Subagent 可能会开展大量的中间处理。但最终只会向主Agent返回一个“精炼”结果，主Agent上下文不会被“污染”。子Agent之间也不会相互干扰 — AI“测试员”的几千条错误日志不会塞满AI“架构师”的思考空间。

  • 专业化配置：每个 Subagent 可以拥有自己独立的 System Prompt、模型选择、可用工具，Skills等。

  • 独立权限控制：你可以创建给不同的Subagent只赋予其某些工具权限，从而最大限度降低误操作风险 。

下面是定义两个Subagents的例子：

......subagents_config = {    # 子智能体 1：安全审计专家    'security-auditor': AgentDefinition(        description='Expert in identifying security vulnerabilities (OWASP Top 10). Use this agent for code review.',        prompt='You are a rigorous security auditor. Focus ONLY on SQL injection, XSS, and auth bypass. Be extremely critical.',        tools=['read_file', 'grep'], # 限制工具：只读，不可修改代码        model='claude-3-5-sonnet-20240620'# 使用最强模型进行深度分析    ),        # 子智能体 2：测试运行员    'test-runner': AgentDefinition(        description='Executes test suites and reports results. Use this agent after code changes.',        prompt='You are a QA engineer. Your job is to run tests, analyze failure logs, and report pass/fail rates.',        tools=['bash', 'read_file'], # 允许运行 bash 命令        model='claude-3-haiku-20240307'# 使用快速模型处理简单执行任务    )}

最新LangChain的DeepAgents框架中也有用来完成子任务的Subagent机制。

004

联系、区别与协同

现在我们来总结这三种不同的Agent机制。

【MCP+PTC：连接层机制】

它们更多的是一种基础设施。它给Agent提供了更简洁与丰富的访问外部资源的能力，并通过 PTC 提高执行效率。后续的Skills 和 Subagents 都可以依赖 MCP/PTC/工具调用之上来实现。

当需要让LLM访问某个外部数据/API，应优先想到MCP。

比如：我要让AI查询公司的CRM数据库。

【Skills：认知层机制】

Skills用来告诉LLM在面对某类问题“怎么做”，其定位在于提供标准、可复用的“知识胶囊”。很适合特定领域内的单一、明确、通用、可复用的小任务，比如转换文档、生成模板报告、规范化代码等这类任务。

当希望为Agent注入特定任务的知识时，可以编写Skill。

比如：我要让AI了解如何创建规范的React项目结构。

【Subagents：组织层机制】

该机制让Agent从独立工作的个人过渡到带领团队工作。适合复杂、多步骤、多子任务／子流程、大 context 或需要角色分工 (比如“代码审查专家”、“数据分析专家”、“研究专家”) 的任务。

当发现Agent承担了太多的职责而难以管理时，考虑Subagents。

比如：我要构建一个开发智能体，既能做架构、又能写代码、还能做测试。

表格总结如下：

【Subagent + Skill + MCP/PTC 的协同】

最后，我们用三者间的一个协同场景来结束本文：

  1. 主 Agent 接到一个复杂任务 ( “给这个项目生成完整报告 + 做代码审查 + 更新文档 + 汇总结果”)。
  2. 主 Agent 将“代码审查”子任务交给 Review Subagent — 它用独立 Context +专属工具去分析代码库，不污染主 Context，也能并行处理多个文件。
  3. 子任务里若需要格式化 /转换 /模板生成 (例如把分析结果生成 Markdown 报告)，Subagent 内部可以使用一个 Skill来完成。
  4. 若子任务还需访问公司数据库 / APIs 获取数据 (例如Bug跟踪, 提交历史)，Subagent (或 Skill) 通过 MCP 工具/PTC 来获得这些数据。
  5. 子代理处理完，把最终结果以简洁总结形式返回给主 Agent。主 Agent 收集多个 Subagent 的结果，整合 / 合成最终输出给用户。

这种组合方式将 分工 (Subagent) 、 领域技能 (Skill) 和 工具 (MCP +PTC) 三层有机结合，既保证效率、可维护性，也保证系统灵活与扩展性。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）
在这里插入图片描述

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。
在这里插入图片描述

在这里插入图片描述

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

在这里插入图片描述

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）
在这里插入图片描述

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）
在这里插入图片描述

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）
在这里插入图片描述

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

在这里插入图片描述
在这里插入图片描述

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）
# 人工智能 # 大数据 # 数据库 # transformer # 深度学习 # 开源
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

Jetbrains Fleet:倒下了!

avatar 2048 AI社区
cover

防止 Go 资源泄漏：从常见陷阱到 GoLand 的实时防护

avatar 2048 AI社区
cover

Java Web 大学生选修选课系统系统源码-SpringBoot2+Vue3+MyBatis-Plus+MySQL8.0【含文档】

avatar 2048 AI社区