在 AI Agent 的工程实践中，Model Context Protocol (MCP) 已成为连接大模型与外部世界的标准桥梁。然而，随着应用场景从“个人助手”向“企业级复杂业务”迈进，传统的 MCP 交互模式开始显露其 **“静态化”** 的瓶颈。


Solon AI 支持将 MCP 封装为 Skill，实现了从“冷冰冰的 API 集合”到“具备感知能力的智能技能”的跨越。




### 1、静态 Tools 的三大痛点


传统的 MCP 交互类似于一个“无法关闭的工具箱”，无论场景如何，所有工具一涌而上：

* **上下文噪音（Context Noise）：** 即使是一个简单的问候，模型也会被注入成百上千行的工具 Schema 定义，白白浪费 Token，更干扰模型的推理专注度。
* **权限真空（Security Risks）：** 模型对工具的可见性是“全量”的。难以根据当前登录用户的角色（如普通用户 vs 管理员）动态隐藏敏感操作（如：删除订单）。
* **行为失控（Instruction Gap）：** 工具只提供了“能做什么”，却无法告诉模型“在当前背景下该怎么做”。模型缺乏针对特定业务场景的即时指令约束。


### 2、核心解决方式：感知、挂载与动态分发

Solon AI 通过引入 Skill（Solon AI Skills） 生命周期 来包裹 MCP 协议，实现以下机制解决上述痛点：



#### A. 智能准入 (isSupported)：

只有当 Prompt 上下文（意图、租户信息、环境变量）满足条件时，技能才会被激活。

#### B. 指令注入 (getInstruction)：

在技能挂载时，自动为模型注入针对当前上下文的“行为准则”（System Message）。

#### C. 三态路由 (getToolsName)：

服务端根据 Prompt 属性，动态决定给模型展示哪些工具。支持三种形态的路由方式：

* 全量使用：未定义过滤逻辑时，显示所有业务工具。
* 精准授权：仅展示当前用户权限范围内的工具。
* 完全拒绝：即便技能激活，也可能因安全策略在此时封锁所有工具调用。





### 3、实战示例：McpSkillClient：远程技能的本地代理

McpSkillClient 将一个远程 MCP 服务包装成一个本地 Skill。它（通过与 McpSkillServer  约定）能够自动同步远程元数据，并根据当前对话的 Prompt 动态决定如何表现。


```java
// 1. 构建 MCP 客户端提供者（负责协议通信与 Schema 缓存）
McpClientProvider mcpClient = McpClientProvider.builder()
                .channel(McpChannel.STREAMABLE)
                .url("http://localhost:8081/skill/order")
                .build();
                
// 2. 将 MCP 客户端进化为 Skill 代理
McpSkillClient skillClient = new McpSkillClient(mcpClient);

// 3. 构建带有业务上下文的 Prompt
Prompt prompt = Prompt.of("这个订单：A001，请查询订单详情。")
                .attrPut("tenant_id", "1")       // 注入租户上下文
                .attrPut("user_role", "admin");  // 注入角色权限

// 4. 调用大模型，技能将根据 Prompt 自动完成：远程准入、指令获取、工具过滤
chatModel.prompt(prompt)
          .options(o -> o.skillAdd(skillClient))
          .call();
```


### 4、实战示例：McpSkillServer：具备“智能感知”的技能服务端

通过继承 McpSkillServer，你可以将本地业务逻辑导出为远程技能。其核心优势在于：服务端可以感知用户的 Prompt 状态。

```java
/**
 * 订单管理远程技能服务端实现
 */
@McpServerEndpoint(channel = McpChannel.STREAMABLE_STATELESS, mcpEndpoint = "/skill/order")
public class OrderManagerSkillServer extends McpSkillServer {
    
    @Override
    public String description() {
        return "提供订单查询与取消的专业技能";
    }

    /**
     * 智能准入：根据 Prompt 内容与属性决定是否响应
     */
    @Override
    public boolean isSupported(Prompt prompt) {
        // 语义检查：意图是否相关
        boolean isOrderTask = prompt.getUserContent().contains("订单");
        // 安全检查：必须有租户 ID
        boolean hasTenant = prompt.attr("tenant_id") != null;

        return isOrderTask && hasTenant;
    }

    /**
     * 动态指令：根据上下文为大模型注入实时“行为准则”
     */
    @Override
    public String getInstruction(Prompt prompt) {
        String tenantName = prompt.attrOrDefault("tenant_name", "未知租户");
        return "你现在是[" + tenantName + "]的订单主管。请只处理该租户下的订单数据，禁止跨租户查询。";
    }

    /**
     * 挂载钩子：技能被激活时触发，可用于注入初始化消息或记录日志
     */
    @Override
    public void onAttach(Prompt prompt) {
        // 可以在此处通过 prompt.addMessage() 注入 Few-shot 或背景知识
        System.out.println("订单技能已挂载，当前租户：" + prompt.attr("tenant_id"));
    }

    /**
     * 动态能力发现：根据用户权限决定暴露哪些工具
     * @return null 表示暴露所有业务工具；Empty 表示禁用所有工具；List 表示精准暴露。
     */
    @Override
    public List<String> getToolsName(Prompt prompt) {
        List<String> tools = new ArrayList<>();

        // 基础权限：所有合规用户可见
        tools.add("OrderQueryTool");

        // 细粒度权限：仅 ADMIN 角色可见“取消订单”工具
        if ("ADMIN".equals(prompt.attr("user_role"))) {
            tools.add("OrderCancelTool");
        }

        return tools;
    }

    @ToolMapping(description = "根据订单号查询详情")
    public String OrderQueryTool(String orderId) {
        return "订单 " + orderId + " 状态：已发货";
    }

    @ToolMapping(description = "取消指定订单")
    public String OrderCancelTool(String orderId) {
        return "订单 " + orderId + " 已成功取消";
    }
}
```



### 5、Skills 架构反思与局限性补充


尽管将 MCP 进化为 Skills 带来了显著的工程优势，但开发者仍需理清其技术边界：

* 非标准化的架构增强： 

LLM 的底层标准仅包含 Prompt 和 Tool-Call。Skills 并非模型原生标准，也不属于 MCP 的公共协议规范，而是一种 架构设计模式（模式，是通用的）。它通常由 AI 开发框架（如 Solon AI）在消费侧实现，用于解决复杂业务下的能力调度问题。

* 消费侧驱动的定制： 

MCP 向 Skills 的进化本质上是“业务驱动”或“领域驱动”的。在设计远程 MCP Skill 时，必须参考消费侧（即 Agent 执行引擎）的具体规范进行深度定制。

* 适用场景的选择：

Tool：适用于原子化、无状态、全量公开的简单功能插件。

Skill：适用于需要上下文感知、多租户隔离、动态指令约束的复杂业务逻辑块。



### 6、 好处总结

将 MCP 进化为 Skills 之后，您的 AI Agent 架构将获得：

* 极致的上下文纯净度：

模型只看到此时此刻该看的工具（通过 getToolsName 实现按需加载，或权限控制）。

* 天然的权限安全：

通过服务端感知的动态分发，实现真正的跨进程角色权限控制（RBAC for Tools）。

* 低耦合的业务演进：

业务逻辑和规则变更集中在服务端，客户端 “无需” 任何代码改动即可获得最新能力。