1. 从困惑到理解:MCP、Skill与CLI的技术本质解析
作为一名长期从事AI工具开发的工程师,我最近在项目实践中遇到了一个颇具代表性的技术路线选择问题:当我们需要为大型语言模型(LLM)扩展外部能力时,究竟应该采用Model Context Protocol(MCP)、Skill模式还是直接对接CLI工具?这个问题困扰了我整整两周时间,期间经历了多次技术验证和方案迭代。现在,我将这段探索历程整理成文,希望能为面临同样技术选型困惑的同行提供参考。
1.1 问题起源:上下文窗口的异常消耗
项目初期,我们团队选择使用MCP协议为Claude模型扩展数据库查询能力。但在实际测试中,一个奇怪的现象引起了我的注意:明明只进行了3-4轮简单对话,上下文Token消耗却已接近8000。这显然不符合预期,因为纯文本对话通常每轮只需消耗200-300 Token。
通过深入分析MCP协议的工作机制,我发现问题的根源在于协议设计本身。MCP采用"全量声明"模式,即在每次对话初始化时,客户端会将所有可用工具的JSON Schema定义一次性注入系统提示词。在我们的测试环境中,仅5个工具的Schema定义就占用了约6500 Token。这解释了为何对话刚开始,上下文窗口就已被大量占用。
关键发现:MCP协议的工具声明采用"全有或全无"模式,这种设计虽然保证了模型对能力的完整认知,但也带来了显著的上下文开销。
1.2 渐进式加载的诱惑与限制
面对上下文消耗问题,我的第一反应是:能否借鉴Skill模式的渐进式加载机制?即只在用户显式请求某个功能时,才注入对应的工具定义。这种按需加载的方式理论上可以大幅节省上下文资源。
然而,经过技术验证,我发现这个方案存在根本性限制。当前主流LLM的function calling机制要求所有可用工具必须在API请求时完整声明。模型不会主动询问"还有哪些可用工具",这意味着如果采用渐进式加载,模型实际上无法感知那些未被提前声明的工具能力。
python复制# 典型LLM函数调用请求结构示例
{
"model": "claude-3-opus",
"messages": [...],
"tools": [ # 必须在此处声明所有可用工具
{
"name": "query_dat
