被 Claude 折叠的应用层：从 MCP、Skills 到 PTC 的夸维度打击

今天看到 @五道口纳什 同学在群里分享了 Anthropic 最新发布的3个实验feature，读罢深受启发。在我看来，Anthropic 这家公司可以称之为 “在有技术的公司中是野心最大的、在商业公司当中是技术最强的”。

回顾自 2024 年 11 月 25 日至 2025 年 11 月 24 日这整整一年，Anthropic 在 LLM 基础设施层面的布局呈现出极强的工程理性主义特征。除了当下最强模型 Claude Opus 4.5，Anthropic 通过 Model Context Protocol (MCP)、Agent Skills 与 Programmatic Tool Calling (PTC) 逐步完成了一场静悄悄的架构革命。这不仅仅是功能的叠加，而是对“模型—环境”交互协议的标准化重塑。

一言以蔽之，这一年的核心演进趋势是：从基于文本的隐式“提示工程” (Prompting Engineering)，转向基于协议的显式“环境工程” (Environment Engineering)。将模型从单纯的对话者，重构为具备标准化 I/O、按需加载能力与逻辑执行沙箱的智能内核。

\n_柒哥在7月份前瞻性地提出 Environmental Rngineering 的概念_

对比总览

下表总结了三种技术在系统架构层面的核心差异与定位：

维度	MCP (Model Context Protocol)	Agent Skills	Programmatic Tool Calling (PTC)
核心解决的问题	数据孤岛与连接成本：解决 $N$ 个模型连接 $M$ 个数据源的 $N \times M$ 集成复杂度。	上下文污染与认知过载：解决海量工具/SOP 全部塞入 Prompt 导致的注意力分散与 Token 浪费。	交互延迟与逻辑脆弱性：解决多步工具调用产生的网络往返开销及复杂逻辑在 JSON Schema 中的表达瓶颈。
交互原语	资源 (Resources) / 工具 (Tools) / 提示 (Prompts)	技能定义 (Definitions) / 按需加载 (Lazy Loading)	代码块 (Code Blocks) / 沙箱执行 (Sandbox Execution)
LLM 自主性	中：模型决定何时调用工具或读取资源，但依赖 Client 提供的静态列表。	高：模型根据任务目标，自主决定检索并“学习”哪些具体技能手册。	极高：模型编写完整逻辑脚本，自主编排控制流 (Loop/If)，而非依赖外部驱动。
工程师控制权	数据接入层：控制数据暴露的边界与权限。	知识定义层：控制 SOP 的颗粒度与层次结构。	执行环境层：控制代码沙箱的依赖库、算力限制与安全围栏。
系统熵值	降低：通过标准化协议减少了定制化 API 胶水代码的混乱。	降低：通过渐进式披露减少了上下文窗口中的噪声干扰。	最低：通过确定性代码执行替代了概率性多轮对话，极大降低了执行路径的不确定性。

核心技术演进详解

1. MCP (Model Context Protocol): 标准化数据总线

发布时间：2024年11月25日

其设计哲学是 Standardization & Decoupling (标准化与解耦)，核心在于将“模型”与“数据源”彻底解耦，建立通用的 Client-Host-Server 架构。这在 OS 层面类似于 Device Drivers / File System——如同操作系统通过统一驱动挂载硬件，MCP 让 LLM 通过统一协议“挂载”数据资源。

问题与背景

在 MCP 之前，连接 GitHub、Slack 或数据库需要为每个 AI 应用编写特定的 Connector，导致严重的碎片化和重复造轮子。核心痛点在于缺乏统一的“上下文协议”。

实现机制

MCP 基于 JSON-RPC 协议定义了三种原语：

1. Resources：类似文件读取，用于被动获取数据（如日志、代码）。
2. Tools：类似函数调用，执行具体操作（如提交 Commit）。
3. Prompts：预定义的交互模板。

工程师只需构建一个 MCP Server，任何支持该协议的客户端（如 Claude Desktop, IDEs）即可即插即用。

场景与效果

典型场景如本地开发环境连接，工程师可直接通过 MCP 连接本地 Postgresql 和 Git。这极大地降低了集成的边际成本，将“上下文获取”变成了标准化的基础设施服务。例如，一个 git-mcp-server 暴露读取仓库和创建分支的能力，用户授权后，Claude 即可直接读取状态并修复代码，无需手动复制粘贴。

2. Agent Skills: 动态能力的渐进式披露

发布时间：2025年10月16日

Agent Skills 的设计哲学是 Progressive Disclosure & Composability (渐进式披露与组合性)，核心在于从“单体大模型”向“模块化认知工程”转型。在 OS 层面，这完美对应了 Header Files / Dynamic Linking (.h / .so)——Agent 启动时仅加载轻量级的元数据（如同编译器读取头文件），仅在运行时根据任务调用栈的需求，动态加载具体的技能包（如同按需加载动态链接库）。

问题与背景

随着 Agent 接管复杂任务，传统的 Context Management 面临“带宽瓶颈”。将几百页的 PDF 规范或庞大的代码库文档一次性 Dump 进 Prompt，不仅成本高昂，更会稀释模型注意力，导致“认知过载”和幻觉。同时，Prompt 难以像代码一样进行模块化复用和版本控制。

实现机制

Agent Skills 采用“文件系统即知识库”的架构，每个 Skill 是一个独立的文件夹。

1. 元数据索引 (Indexing)：每个 Skill 包含一个 SKILL.md，其头部的 YAML Frontmatter 定义了技能名称与简介。模型启动时仅读取这部分极小的上下文。
2. 懒加载 (Lazy Loading)：Progressive Disclosure，当模型判断当前任务需要特定能力时，会通过 Bash 工具（如 cat）主动读取具体的 Markdown 指南或关联文档。
3. 组合式构建 (Composability)：技能像 npm 包或积木一样，支持独立开发、测试并挂载到不同的 Agent 上。

## Overview

This guide covers essential PDF processing operations using Python libraries

## Quick Start

``python
from pypdf import PdfReader, PdfWriter

# Read a PDF
reader = PdfReader("document.pdf")
print(f"Pages: {len(reader.pages)}")

# Extract text
text = ""
for page in reader.pages:
    text += page.extract_text()
``

场景与效果

典型场景如复杂的企业表单填写或遗留代码重构。它实现了 Effectively Unbounded Context (有效无限上下文)——理论上可以挂载 TB 级的知识库，因为模型只在运行时“取一瓢饮”。例如，一个“税务申报 Agent”平时占用极低内存，只有在处理特定表格时，才会动态加载对应的 forms.md 规范和 extract.py 脚本，瞬间从通用模型切换为领域专家，且大幅降低了推理成本。

3. PTC (Programmatic Tool Calling): 代码即推理

发布时间：2025年11月24日

PTC 设计哲学是 Compute over Context & Coding as Reasoning，实现了“概率”与“逻辑”的正交分离。在 OS 层面，这类似于 Shell Scripting / Kernel Execution——模型不再是呆板地发送单个 API 请求，而是编写完整脚本提交给内核批量执行。搭配同时发布的 Tool Search Tool, Tool Use Examples 一起使用，Anthropic 称可将工具调用的 token 消耗减少70%-90%。

问题与背景

传统的 Tool Use 是“多轮对话乒乓”，存在两大缺陷：

1. 延迟与成本：简单循环需要多次网络往返。
2. 逻辑脆弱：用 JSON 表达复杂控制流（Loop/If）非常笨拙且易错。

实现机制

PTC 允许模型直接编写一段 Python 代码，在安全隔离的沙箱中运行。代码可包含变量、循环、运算及外部函数调用。模型只需输出一次，沙箱执行完毕后返回最终结果。

team = await get_team_members("engineering")

# Fetch budgets for each unique level
levels = list(set(m["level"] for m in team))
budget_results = await asyncio.gather(*[
    get_budget_by_level(level) for level in levels
])

# Create a lookup dictionary: {"junior": budget1, "senior": budget2, ...}
budgets = {level: budget for level, budget in zip(levels, budget_results)}

# Fetch all expenses in parallel
expenses = await asyncio.gather(*[
    get_expenses(m["id"], "Q3") for m in team
])

# Find employees who exceeded their travel budget
...

场景与效果

特别适用于数据分析与批量操作。两到三名超出预算的人员。两千多行明细条目、中间汇总数据和预算查询都不会影响 Claude 的上下文，从而将原始支出数据从 200KB 压缩至仅 1KB 的结果数据量。同时，循环和判断由解释器保证确定性，而非依赖 LLM 的概率预测，极大地提升了逻辑鲁棒性。

例如，“找出素数并求和”的任务，传统方式需请求 100 次工具，而 PTC 方式下模型只需编写一行 sum([n for n in numbers if is_prime(n)]) 即可直接获得结果。

对 LLM 工程师与系统工程的影响

从 MCP 到 PTC 的演进，清晰地勾勒出 LLM 工程师职能的迁移路径：从 Prompt Engineer 进化为 Context Engineer，最终抵达 Environment Engineer。

1. Prompt 变薄，Environment 变厚

工程师不再需要在 Prompt 中绞尽脑汁地描写复杂的“思维链”或通过 Few-shot 强行规定输出格式。现在的重点转移到了构建环境：

• 构建 MCP Servers：将企业内部数据和服务封装成标准接口。
• 编写 Skills Manuals：将领域知识（Know-how）结构化为模型可按需调用的技能手册。
• 配置 Runtime Environment：为 PTC 提供安全的执行沙箱和预置的依赖库。

2. 新关注维度

工程师现在需要像设计微服务架构一样设计 Agent 系统。

• 可调用的工具库 (Tooling Strategy)：决定哪些逻辑应该硬编码在工具里，哪些逻辑留给模型编写代码实现。
• 系统感知能力 (System Observability)：确保模型能感知到环境的状态变化（如文件系统的变动），而非仅仅依赖对话历史。

这标志着 AI 开发从“炼丹术”（调整 Prompt 词句）逐步进入了“土木工程”阶段（搭建稳固的基础设施与交互协议）。

基座模型厂商的平台化趋势

Anthropic 的这一系列动作揭示了一个明显的趋势：Model Provider 正在通过协议标准化，逐步吞噬应用层的“薄封装”(Thin Wrappers)。

过去，像 LangChain 或 LlamaIndex 这样的中间件框架，很大一部分价值在于处理数据连接、工具编排和内存管理。

• MCP 直接在协议层解决了数据连接问题，削弱了第三方 Connector 的价值。
• Agent Skills 在模型侧原生实现了复杂的路由和显存管理，替代了应用层的 RAG 检索路由逻辑。
• PTC 将代码解释器和逻辑编排内化为模型的一种原生交互模式，降低对外部 Chain/Loop 编排工具的依赖。

这种“下沉”意味着，构建在 LLM 之上的简单套壳应用将大幅缩小生存空间。模型厂商正在成为新的操作系统（LLMOps），提供算力（LLM）、I/O（MCP）、驱动管理（Skills）和执行环境（PTC）。

LLM 工程师的新大陆在哪

在这一技术演进下，LLM 工程师的核心价值不再是写出一段漂亮的 Prompt，而是架构设计与边界管控。

新大陆可能的探索方向：

1. 确定性与概率性的边界设计：利用 PTC，精确划分哪些任务交给 Python 解释器（确定性），哪些交给 LLM 推理（概率性）。这是一种新型的混合编程范式。
2. 语义层面的接口契约：设计高质量的 Agent Skills 和 MCP 接口描述。这相当于为 AI 编写“头文件”，其命名的准确性和文档的清晰度直接决定了系统的智能上限。
3. 安全架构：当模型能够编写代码并执行（PTC），能够连接任意数据源（MCP）时，如何设计沙箱隔离、权限控制和审计机制，成为系统能否落地的决定性因素。

未来的 LLM 工程师，本质上是在为概率性的智能体构建一个确定性的、可观测的、安全的数字空间。

参考资料

1. Introducing the Model Context Protocol
2. Equipping agents for the real world with Agent Skills
3. Introducing advanced tool use on the Claude Developer Platform
4. Documentation and cookbook for Programmatic Tool Calling