收藏！小白也能看懂：Anthropic 大模型 Agent 技术深度解析 (MCP+PTC+Skills+Subagents)

本文深入剖析了 Anthropic 公司提出的 MCP、PTC、Skills 和 Subagents 四大 Agent 技术概念旨在帮助开发者更好地理解和构建智能 Agent 系统。MCP 作为标准化工具连接协议PTC 优化了工具调用效率Skills 以模块化方式为 LLM 注入专业知识而 Subagents 则通过任务拆分实现多智能体协作。三者结合可显著提升 Agent 的效率、可维护性与扩展性适用于从简单任务到复杂系统的开发需求。1、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。【MCPPTC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。2、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。3、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 MCPSkills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 SubagentSubagent 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( descriptionExpert in identifying security vulnerabilities (OWASP Top 10). Use this agent for code review., promptYou 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 modelclaude-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( descriptionExecutes test suites and reports results. Use this agent after code changes., promptYou 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 modelclaude-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。4、联系、区别与协同现在我们来总结这三种不同的Agent机制。【MCPPTC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”)。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。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。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。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。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“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。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。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技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取