来源：技术分析文章
主题：Anthropic 的 AI 基础设施架构设计
适用场景：企业 AI 落地、Skill 体系建设、系统集成
---
一、结论总览（供快速阅读）
结论一：Claude 的 Skills + MCP 代表了一套新型 AI 基础设施架构
Skills 用于沉淀"人类最佳实践"和业务流程，MCP 用于标准化连接各类内部系统和外部工具，两者共同构成可复用、可治理、可跨产品迁移的 AI 能力层。
结论二：从"提示词工程"升级到"技能工程 + 协议工程"
通过 Agent Skills 标准和 Model Context Protocol 标准，将"如何做事"（技能）与"接入什么系统"（协议）从模型内部抽离出来，以文件和协议的形式明确化、结构化、标准化。
结论三：对机审项目的三类直接借鉴
1. 用 Skills 形式固化机审规则 - 构建"机审技能库" 2. 用 MCP 统一暴露系统接口 - 为 AI 机审提供可信、可审计的数据通路 3. 推动协同平台 MCP 接入 - 让钉钉等办公平台提供标准化 AI 接口
结论四：Skills + MCP 将成为企业级 AI 平台的"标配架构"
MCP 在工具接入层的角色接近 HTTP + OpenAPI 在互联网时代的地位，Skills 则对应应用层的"剧本化业务逻辑"。
二、核心概念详解
2.1 Claude Skills：把"最佳实践"变成结构化技能
形式层面：
一个 Skill 是一个文件夹，至少包含一个 `SKILL.md` 文件
可选包含模板文件、示例输出、脚本等资源
``` my-skill/ ├── SKILL.md # 主入口：元数据 + 指令 ├── template.md # 输出模版（可选） ├── examples/ # 示例输出（可选） │ └── sample.md └── scripts/ # 可执行脚本（可选） └── validate.sh ```
本质层面：
Skill 是一组"结构化指令 + 上下文资源"
用来教 Claude 在特定任务上以稳定、专业、可控的方式执行工作
对模型而言，Skill 更接近"可随时加载的任务剧本（playbook）"
功能层面：
把"如何撰写一类报告""如何执行一类审核""如何跑一类测试"这类经验固化下来
一旦 Skill 设计完成，后续每次任务只需调用该 Skill
业务类比： 把原本只在资深同事脑子里的"潜规则"和做事窍门，整理成连锁门店统一执行的《标准菜谱 + 操作手册》。
2.2 Agent Skills 标准：让技能具备跨工具可移植性
标准规定：
`SKILL.md` 中 YAML frontmatter 的字段结构
`name`：技能名，对应 `/skill-name` 命令
`description`：技能做什么、在何种场景使用
控制字段：是否允许模型自动触发、允许使用哪些工具等
指令正文的组织方式
如何描述任务目标、输入输出要求、步骤拆解
如何附带模板和示例
战略价值：
同一套技能定义，不必绑定某一个具体客户端
只要其他工具也支持该标准，就可以加载这些 Skills
减少企业在多产品、多模型环境中的迁移成本
2.3 MCP（Model Context Protocol）：AI 与工具/数据之间的统一协议
MCP 是什么：
一套面向 AI 助手的开放协议，用于以统一方式连接外部数据源和工具
目标是替代传统"每个系统一套私有插件"的碎片化模式
用"一个协议 + 多个 server 实现"的方式实现规模化集成
业务类比： MCP 更像是"企业内部的信息高速公路标准"：
原来每接一个系统都要拉一条单独专线（各自定义接口和权限）
现在改为所有系统都接入同一套高速公路入口
车辆（AI Agent）只要遵守统一交通规则就可以在不同系统之间高效往返
角色划分：
Host：AI 应用本身（Claude Desktop、Claude Code、各类 IDE）
Server：与具体系统对接的 MCP 服务器（GitHub MCP server、Slack MCP server 等）
Protocol：Host 与 Server 之间的通信规则
Server 可提供的能力：
`tools`：具名工具，带有输入输出 JSON Schema
`resources`：可被读取的资源（配置、文档片段等）
`prompts`：可复用的提示模板（可选）
部署形态：
HTTP server：推荐方式，适合云端服务
SSE server：较早方案，逐步被 HTTP 替代
本地 stdio server：以本地进程运行，适合访问本机文件或脚本
三、技术原理
3.1 Skill 的执行链路
1. 技能发现：基于当前对话上下文，与各个可用 Skills 的 `description` 做匹配 2. 技能加载：将 `SKILL.md` 的 frontmatter 与正文加载到系统提示中 3. 任务执行：按正文中规定的步骤执行任务，可以调用 MCP 工具或本地工具 4. 结果输出与复用：执行结果以统一格式输出，后续类似任务可以重用同一 Skill
关键洞察： Skill 把"行为模式"与"模型参数"解耦，将行为变成可以被检查、评审和版本管理的文件。
3.2 MCP 的调用链路
1. Server 注册与配置： ```bash claude mcp add --transport http notion https://mcp.notion.com/mcp claude mcp add --transport stdio airtable -- npx -y airtable-mcp-server ```
2. 工具发现：Host 与 MCP server 通过统一的 `list_tools` / `list_resources` 接口获取可用工具和资源列表
3. 工具选择与调用：模型根据任务需要选择某个 tool，并通过 `call_tool` 调用
4. 结果返回与上下文整合：MCP server 返回结构化结果，Host 将结果整合进对话上下文
优势：
对 Host 而言，只需要实现一次 MCP 客户端能力，即可连接任意符合协议的 server
对 Server 而言，只需按照 MCP 协议暴露工具，无需关心各类 AI 客户端的差异
四、生态现状
4.1 Skills 生态
覆盖领域：
创意类：艺术创作、音乐、视觉设计等
开发与技术类：Web 应用测试、MCP server 生成、代码重构等
企业工作流类：文档创建与编辑、品牌沟通、报告撰写等
生产级组件：
`skills/docx`、`skills/pdf`、`skills/pptx`、`skills/xlsx` 等技能
支撑 Claude 在 Office 文档上的核心能力
以"源代码可见"的方式公开，结构复杂，包含多级指令、模板和示例
关键洞察： Anthropic 内部已经采用"能力拆解为 Skills"的方式来构建产品，而非在单一模型上堆叠越来越长的系统提示。
4.2 MCP 生态
Anthropic 官方 MCP server：
Google Drive
Slack
GitHub
Git 通用仓库
Postgres 数据库
Puppeteer 浏览器自动化等
IDE 侧：
Claude Desktop / Claude Code
Cursor、Zed、Sourcegraph 等多款开发工具
用于在本地开发环境中统一接入 GitHub、数据库、监控等工具
知识与协同侧：
Notion 官方推出 Notion MCP
GitHub 为 Copilot 发布了 GitHub MCP server
Slack 官方文档已发布 Slack MCP server
Feishu/Lark 存在多种基于其 OpenAPI 的 MCP server 项目
趋势判断： MCP 正在从单一厂商协议，逐步演化为跨厂商、跨工具的通用标准。
4.3 工具聚合与编排层
问题背景： 随着 MCP server 数量增多，模型面对的工具列表会越来越长：
工具 Schema 被频繁加载，消耗大量上下文窗口
模型在"选工具"上耗费显著的推理能力
企业难以对多工具调用链进行统一监控和治理
解决方案： 社区开始出现各类"工具聚合与编排"项目：
对上对模型只暴露少量抽象能力
对下自动选择和组合多个具体 MCP 工具
显著减少 token 消耗，提升响应速度和稳定性
架构视角： 这是一种典型的"网关 + 服务发现 + 调度"模式回归。
五、深度思考
5.1 从"提示词工程"到"技能工程"
传统 prompt 工程的三个结构性问题： 1. 高度依赖个人经验，难以沉淀为组织资产 2. 缺少统一结构与版本管理，变更不可控 3. 难以进行系统化评审和审计，合规风险较高
Skills 的解决方案：
将任务目标、步骤、注意事项、输出格式、示例全部写入文件
通过 Agent Skills 标准约束结构，便于工具之间共享与复用
结合 Git 等版本管理工具，实现"技能级"的版本控制和回滚
核心判断： 在企业级场景中，真正需要长期积累和治理的不是单次 prompt，而是"如何稳定地做好一类任务"的技能体系。
5.2 从"插件"到"协议"
插件模式的问题：
每个 AI 客户端都需要为同一系统写一套插件，重复集成、重复授权
插件通常强绑定某一产品，难以在不同工具之间迁移
MCP 的解决方案：
将"AI 如何调用外部工具"抽象成协议，由 MCP server 按标准暴露能力
任何支持 MCP 的 Host 都可以消费这些能力
外部系统厂商只需维护一套 MCP server，即可服务多种 AI 客户端
战略考量： 通过将集成逻辑上升到协议层，Anthropic 把自己从"某一款工具的插件平台"升级为"多工具共享的基础设施参与者"。
5.3 引入聚合与编排层
必要性： 一旦进入"几十个以上工具"的规模，单纯依赖模型自己理解和选择所有工具是低效的，必须通过某种形式的"工具网关 + 调度中心"来做统一入口和集约化运维。
MCP 的设计预留： 协议本身为上层的聚合与编排留出了空间，使企业能够在不改协议的前提下，搭建适应自身规模和治理要求的控制平面。
六、对机审项目与钉钉生态的借鉴
6.1 用 Skills 构建"机审技能库"
机审项目涉及的关键内容：
审核规则与策略（财务风控规则、合规条款、营销素材审核标准等）
审核流程（数据采集 → 特征抽取 → 规则/模型判断 → 人工复核 → 反馈闭环）
输出形式（审计报告、风险提示、整改建议等）
借鉴 Claude Skills 的方式：
为核心机审场景分别设计 Skills：
CFO 财务机审 Skill：明确需要检查的财务指标、异常模式、解释方式、报告结构
合同与合规机审 Skill：定义条款关注点、违约风险分类、需要引用的法规或内部制度文档
营销素材机审 Skill：规定品牌安全、合规用语、敏感内容识别标准及处理建议格式
在 `SKILL.md` 中写清楚：
输入数据形式（原始记录、提取特征、上下文信息）
审核步骤（包括何时需要查询外部系统、何时需要触发人工复核）
输出模版（包含风险等级、触犯规则条款、建议措施等字段）
价值： 机审能力从"隐含在代码和人的经验中"转变为"显式、可执行、可版本管理的技能库"。
6.2 用 MCP 统一对接系统
构建"机审 MCP server 层"：
财务系统 MCP server：支持按账期、维度、主体查询流水与指标，支持写入审核结果和标签
合同/法务系统 MCP server：支持按合同编号或关键字段检索合同文本，支持返回条款结构化解析结果
文档与知识库 MCP server：统一读取审计规范、制度文件、历史报告等
协同 IM MCP server：在权限控制范围内，支持访问与审计事项相关的审批记录、沟通要点
机审 Agent 通过 MCP 调用这些 server：
由 Skills 规定何时调用何种工具
沿用 MCP 的统一协议，减少各条线重复接入工作
通过 MCP server 层统一做权限控制和审计记录
价值：
降低系统集成难度和维护成本
提升数据访问的可控性与合规性
让机审能力可以跨产品、跨终端复用同一套工具与标准
6.3 钉钉 MCP 接入的战略诉求
竞争格局：
Slack 通过官方 MCP server 将自身纳入 AI 编排视野
Notion 通过 Notion MCP 让文档空间直接面向多家 AI 客户端开放
Feishu/Lark 以官方 MCP server 的形式把开放平台能力封装给外部 Agent 使用
核心判断： 谁掌握员工的日常工作场景，谁就必须提供标准化的 AI 接入能力。
对钉钉的三类诉求：
1. 聊天与审批侧 MCP 接口
以 MCP（或等价标准）的形式暴露钉钉消息与审批流
使企业内部的 Agent 能够在权限范围内按话题、时间段、群组维度拉取历史对话和审批记录
自动生成关键决策链路与会议纪要
将审计结果、代码评审意见、运营动作等结构化写回到钉钉会话与待办
2. 文档与知识库侧 MCP 接口
将钉钉文档、知识库、项目空间和 Base 等以 MCP server 形式暴露
使 Skills 能够精确查询制度文件、流程文档和项目材料
在解释机审结论、研发决策或运营方案时引用权威原文片段
统一管理访问控制与操作审计，满足合规要求
3. 对上层编排平台的友好支持
无论最终选择原生还是兼容 MCP 的方案，目标都是让钉钉可以被企业自建的 Agent 平台、OpenClaw 等本地 Agent，以及 Claude / Cursor 等外部工具作为"一等公民"纳入统一编排视图
而不是仅作为被动通知通道
紧迫性： 这些诉求直接对标 Slack MCP server、Notion MCP 与 Feishu/Lark MCP 的公开实践。在竞争格局已经形成示范的情况下，钉钉若不主动给出清晰路线，将在下一轮 AI 化企业软件升级中丧失议价空间。
6.4 其他典型业务场景
研发协作与 DevOps：
基于 MCP 接入 GitHub、CI/CD、监控系统和工单平台
通过 Skills 固化"提测—发布—回滚—事后复盘"等流程
使研发日常工作真正变成"在 IDE 和钉钉里与 Agent 协同"
知识管理与策略输出：
借鉴 Notion MCP 的做法，将内部知识库与策略文档通过 MCP 暴露给 Agent
用 Skills 约束"如何写评审意见、如何写策略稿、如何写周报月报"
让知识生产和消费形成闭环
销售与运营场景：
通过 MCP 对接 CRM、营销自动化平台和广告投放系统
用 Skills 固化"线索跟进""活动复盘""渠道投放分析"等标准打法
使一线团队获得可复制的"AI 版本 playbook"
七、结语
Claude 的应用生态已经从单一模型能力，转向以 Skills 与 MCP 为核心的体系化基础设施：
Skills 解决"如何稳定、可控地做好一类任务"的问题，将经验与流程转化为可执行剧本
MCP 解决"如何标准化地接入外部系统"的问题，为工具与数据提供统一访问协议
围绕 MCP，社区已经出现多种工具聚合与编排项目，用于在大规模工具场景中控制复杂度与成本
对机审项目而言，这套架构提供了清晰的参照系：
通过机审技能库与机审 MCP server 层，可以把当前分散在规则、代码、文档与人员经验中的能力，重构为可迁移、可治理、可对外输出的 AI 能力平台
在协同平台侧提出 MCP 接入诉求，有助于在竞争格局中占据主动位置
保存日期：2026-03-30 关联章节：第 5 章（Skill 体系）、第 13 章（企业 AI 流程转型推进） 建议用途：作为 Skill 体系建设的行业最佳实践参考，补充到书中相应章节