mcp

当 AI 从聊天工具走向 Copilot 和 Agent，真正卡住交付质量的，往往不是模型本身，而是缺少一套能重复、能维护、也能沉淀经验的执行路径。本文从 Agent Skills 的定义、工作机制、与 MCP 的关系以及落地方式出发，解释为什么 Skill 正在变成 Agent 系统里的能力封装层。

大多数 AI Agent 框架用 TypeScript 或 Python 构建，Claw Code 选择了 Rust 并基于 Trait 泛型设计了一套完全解耦的运行时架构。这篇文章深入拆解它的核心设计决策：依赖倒置、分层工具系统、分级权限模型、Hook 机制和 MCP 集成。

MCP 被反复类比为 AI 世界的 USB-C，但真正值得关注的不是这个比喻本身，而是它试图解决一个更现实的问题：当 AI Agent、AI IDE 和企业系统开始同时接入越来越多工具、数据源和上下文时，如何把这些连接关系从一次性集成变成可组合、可迁移、可治理的协议层。