Agent MCP Skill 入门指南：从零构建你的第一个智能代理

8次阅读

共计 2906 个字符，预计需要花费 8 分钟才能阅读完成。

传统 Chatbot 通常采用流水线架构，由 NLU 模块、对话管理模块和响应生成模块串联而成。这种架构在处理简单任务时表现良好，但在面对多轮对话、上下文依赖等复杂场景时，往往显得力不从心。

Agent MCP（Multi-Conversation Platform）则采用了更为先进的技能编排模式。它将对话能力分解为多个独立技能（Skill），通过中央协调器（Orchestrator）动态调度。这种架构不仅支持并行处理多个对话流，还能实现技能的即插即用和热更新。

每个 Agent MCP 技能都需要一个 manifest 文件来声明其元数据。这个 JSON 文件定义了技能的基本信息和能力范围：

// weather_skill_manifest.json
{
  "skillName": "weather_forecast",
  "version": "1.0.0",
  "description": "提供未来三天天气预报查询服务",
  "supportedLocales": ["zh-CN", "en-US"],
  "privacyPolicyUrl": "https://example.com/privacy",
  "apis": {
    "queryWeather": {
      "endpoint": "weather/v1/query",
      "intents": ["QueryWeatherIntent"]
    }
  }
}

意图文件（.intent）使用特定语法定义用户可能的表达方式。以下是一个天气预报查询意图的示例：

// QueryWeatherIntent.intent
[QueryWeatherIntent]
今天天气怎么样
查询 {city} 的天气
{date}会下雨吗
明天需要带伞吗

大括号中的 {city} 和{date}是槽位（slot），系统会自动提取这些参数值。

Agent MCP 技能的核心是一个基于状态机的对话处理器。以下 Python 示例展示了基本实现框架：

class WeatherSkill:
    def __init__(self):
        self.states = {
            'INIT': self.handle_init,
            'CONFIRM_CITY': self.handle_confirm_city,
            'RESPOND': self.handle_respond
        }
        self.current_state = 'INIT'
        self.context = {}

    def handle_init(self, user_input):
        # 提取城市参数
        if 'city' not in user_input.slots:
            self.current_state = 'CONFIRM_CITY'
            return "请问您想查询哪个城市的天气？"
        else:
            self.context['city'] = user_input.slots['city']
            self.current_state = 'RESPOND'
            return self.get_weather_data()

    def handle_confirm_city(self, user_input):
        if not user_input.text:
            raise ValueError("城市信息不能为空")

        self.context['city'] = user_input.text
        self.current_state = 'RESPOND'
        return self.get_weather_data()

    def handle_respond(self, user_input):
        # 处理后续问题（如查询其他日期）if 'date' in user_input.slots:
            return self.get_specific_date_weather(user_input.slots['date'])
        return "请问还有其他天气问题吗？"

    def get_weather_data(self):
        # 调用天气 API 的实际实现
        return f"{self.context['city']}今天晴天，气温 20-28℃"

    def process(self, user_input):
        try:
            handler = self.states.get(self.current_state)
            return handler(user_input)
        except Exception as e:
            self.current_state = 'INIT'
            return f"出错了：{str(e)}，请重新开始查询"

Agent MCP 提供了本地测试工具mcp-cli，可以模拟用户输入验证技能行为：

# 安装测试工具
pip install mcp-cli

# 启动测试会话
mcp-cli test --skill ./weather_skill --locale zh-CN

> 查询北京的天气
[系统] 北京今天晴天，气温 20-28℃

设置合理的会话超时时间（推荐 5 -10 分钟）
实现会话续活机制，当用户长时间不响应时发送提醒
对于敏感操作（如支付），超时后应自动取消并通知用户

数据增强：收集真实用户 query 并加入训练集
负样本训练：添加容易混淆的负例（如 ” 播放周杰伦 ” 不应触发天气意图）
槽位校验：对提取的参数进行格式验证（如日期必须为 YYYY-MM-DD）

# 实现热加载监听器
class SkillHotReloader:
    def __init__(self, skill_dir):
        self.observer = Observer()
        self.skill_dir = skill_dir

    def start(self):
        event_handler = FileSystemEventHandler()
        event_handler.on_modified = self.reload_skill
        self.observer.schedule(event_handler, self.skill_dir, recursive=True)
        self.observer.start()

    def reload_skill(self, event):
        if event.src_path.endswith('.py'):
            importlib.reload(weather_skill)
            print(f"[{datetime.now()}] 技能已热更新")