企业官网建设流程全解析

1. 从「只会说」到「真能干活」：AI-Agent、MCP、Skills 到底谁管谁

刚接触智能体体系的开发者，最容易卡在三个词上：AI-Agent、MCP、Skills。它们经常被放在同一句话里，但分工完全不同。你可以先把它们想成一家公司：AI-Agent 是员工，负责理解需求、拆任务、盯进度；MCP 是公司统一的接口标准，让员工能插上打印机、数据库、Git 这些外部设备；Skills 是员工随身带的技能手册，告诉他这类活该怎么干、按什么规范干。三者缺一个，链路就断。

我见过太多人一上来就写 Agent 循环，结果工具调不通；也有人配好了 MCP，却不知道让模型按什么流程用工具，最后变成「能连上但不会用」。这篇就按一条主线走：先讲清三者关系，再落到真实工具场景，用 Cline MCP 做一次最小可运行验证。你会拿到可复制的 MCP 服务端配置片段、Skills 目录结构与调用示例，以及一套检查链路是否跑通的步骤。读完不用再猜「我到底缺哪一环」，照着配、照着验就行。

核心检索词先摆出来：AI-Agent 是执行主体，MCP 是模型与工具之间的通用协议，Skills 是可装载的能力模块。适合谁？适合刚接触智能体、想从概念走到亲手跑通的开发者，尤其是已经在用 Cline、Claude Code、Codex 这类工具的人。

2. 三者分工与协作：AI-Agent、MCP、Skills 的边界到底在哪

2.1 AI-Agent：负责「想清楚再动手」的执行主体

AI-Agent 不是一个具体软件，而是一套运行机制。它至少包含四件事：LLM 做理解和规划、记忆保存上下文、工具箱提供外部操作能力、规划器把大任务拆成小步骤。传统聊天机器人只能给你建议，Agent 能真正去读文件、调 API、跑命令。

举个最小例子。你说「把 src/user.py 里所有 print 换成 logging」，聊天机器人会告诉你改哪几行；Agent 会先读文件、定位 print、生成替换、写回文件，再告诉你改了几处。差别就在「执行」两个字。

但 Agent 自己不会凭空知道怎么连文件系统。它需要一个统一方式去发现和调用工具，这就是 MCP 的位置。

2.2 MCP：模型和工具之间的通用接口

MCP 全称 Model Context Protocol，你可以把它理解成 AI 世界的 USB 标准。没有它的时候，每个模型对接每个工具都要写一套适配；有了它，工具按 MCP 协议暴露能力，任何支持 MCP 的客户端都能即插即用。

MCP 里有两个关键概念要分清：资源（Resource）是数据，比如文件内容、数据库记录；工具（Tool）是操作，比如读文件、查数据库、发请求。模型通过 JSON-RPC 格式和 MCP 服务端通信，先握手问「你能做什么」，再按需调用。

通信方式常见有 stdio（本地进程，最常用）、SSE、WebSocket。对刚上手的人来说，stdio 最省事，Cline 里配一个 command 加 args 就能跑。

2.3 Skills：可装载、可组合的能力模块

Skills 解决的是「同一个 Agent，怎么快速切换专业身份」。它把角色设定、领域知识、工作流程、触发钩子打包成一个目录，需要时加载，不需要时卸载。和 Rules 的区别在于：Rules 往往是单项目静态规则，Skills 可以动态加载上下文、可以分享、可以组合。

一个 Skill 通常包含：元信息（name、description）、persona（角色与语气）、context_files（要加载的知识文件）、hooks（在读写文件等时机自动触发的检查）。它不直接执行外部操作，外部操作还是交给 MCP 工具。

2.4 三者协作的一句话模型

AI-Agent 是员工，MCP 是标准接口，Skills 是技能包。员工通过标准接口操作设备，按技能包里的规范干活。没有 MCP，员工插不上设备；没有 Skills，员工每次都要你口头交代规范；没有 Agent，前两者只是静态配置，没人去规划和执行。

下面这张对照表可以贴在工位上：

3. 可复制配置：Cline MCP 服务端片段与 Skills 目录结构

这一节是全文最该动手的部分。我以 Cline 为例，因为它的 MCP 配置直观，改完就能在对话里看到工具列表。

3.1 Cline MCP 配置文件位置与片段

Cline 的 MCP 配置一般放在用户目录下的配置文件中，Windows 常见路径是C:\Users\<你的用户名>\AppData\Roaming\Code\User\globalStorage\saoudrizwan.claude-dev\settings\cline_mcp_settings.json，macOS 在~/Library/Application Support/Code/User/globalStorage/saoudrizwan.claude-dev/settings/cline_mcp_settings.json。路径以你本机实际为准，找不到就在 Cline 的 MCP 面板点「Configure MCP Servers」直接打开。

下面是一个可复制的文件系统 MCP 服务端片段，注意把路径换成你自己的项目目录：

{ "mcpServers": { "filesystem": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-filesystem", "D:/workspace/demo-agent" ], "disabled": false, "autoApprove": [] } } }

这里三件套要记牢：Base URL 不是 MCP 的概念，但如果你用的是远程模型服务，模型侧要配好 Base URL、Key、Model ID；MCP 侧则是 command、args、env。两者别混。

如果你要接一个远程模型服务来驱动 Agent，模型配置可以长这样（以兼容 OpenAI 协议的服务为例）：

{ "apiProvider": "openai", "openAiBaseUrl": "https://taotoken.net/api", "openAiApiKey": "你的API Key", "openAiModelId": "claude-sonnet-4-5" }

Key 在 https://taotoken.net/api-keys 获取，接入细节看 https://taotoken.net/doc。注意 Base URL 用https://taotoken.net/api，不要多加路径。

3.2 Skills 目录结构

Skills 一般放在项目根目录或用户级目录下的skills/文件夹。一个最小 Skill 目录如下：

skills/ └── code-reviewer/ ├── SKILL.md ├── persona.md └── context/ ├── coding-standards.md └── common-issues.md

SKILL.md是入口，写元信息和钩子；persona.md写角色和语气；context/放要加载的知识文件。一个可复制的SKILL.md示例：

--- name: code-reviewer description: 审查 Python 代码质量并给出修复建议 persona: persona.md context_files: - context/coding-standards.md - context/common-issues.md hooks: afterReadFile: - 检查类型注解是否缺失 - 检查是否存在 SQL 拼接风险 required_mcp_tools: - filesystem.read - filesystem.write --- 审查时先肯定优点，再按严重程度列出问题，每条给出修改示例。

3.3 把 MCP 和 Skills 串起来

配置完 MCP 后，Cline 会在工具列表里出现filesystem相关工具。Skills 不直接调用工具，而是在 Agent 规划时提供「该怎么用这些工具」的规范。比如afterReadFile钩子触发后，Agent 会按coding-standards.md里的规则逐条检查。

如果你更习惯命令行方式，Claude Code 的接入方式也类似，参考 https://taotoken.net/claude-code-anthropic 里的说明配置 Base URL 和 Key，再在项目里放skills/目录即可。

4. 验证请求：用一次最小任务跑通整条链路

配置完不验证，等于没配。这一节给一个最小任务：让 Agent 读取一个 Python 文件，按 Skill 规范审查，并把建议写回一个新文件。

4.1 准备测试文件

在D:/workspace/demo-agent下建src/user.py：

import sqlite3 def get_user(name): conn = sqlite3.connect("app.db") cursor = conn.cursor() query = "SELECT * FROM users WHERE name = '" + name + "'" cursor.execute(query) return cursor.fetchall()

这段代码故意留了两个问题：没有类型注解、SQL 字符串拼接有注入风险。

4.2 发起最小任务

在 Cline 对话框输入：

请读取 src/user.py，按 code-reviewer Skill 的规范审查， 把问题和修改建议写入 review/user-review.md。

4.3 预期执行过程

Agent 会先调用filesystem.read读取文件，触发afterReadFile钩子，加载coding-standards.md和common-issues.md，逐条比对后生成报告，再调用filesystem.write写入review/user-review.md。

如果链路跑通，review/user-review.md里应该出现类似内容：

## 问题 1：缺少类型注解 建议：def get_user(name: str) -> list[tuple]: ## 问题 2：SQL 拼接存在注入风险 建议：使用参数化查询 cursor.execute("SELECT * FROM users WHERE name = ?", (name,))

4.4 成功结果的判断标准

三个信号说明链路通了：Cline 工具列表里能看到 filesystem 工具；对话里出现工具调用记录；目标文件被真实创建且内容符合 Skill 规范。少任何一个，都说明某一环没接上，去第 5 节对照排查。

5. 常见报错排查：401、local proxy failed、reading choices、OAuth

这一节按真实报错来。遇到问题先别改代码，按下面顺序对照。

5.1 401 Unauthorized

最常见的原因是 Key 没填对或 Base URL 写错。检查三件套：Base URL 是否为https://taotoken.net/api，Key 是否从 https://taotoken.net/api-keys 复制完整，Model ID 是否拼写正确。注意 Key 前后不要有空格，JSON 里不要漏引号。

5.2 local proxy failed

这个报错通常出现在客户端尝试走本地代理但代理没启动时。检查你的 MCP 配置里command是否可执行，比如npx是否在 PATH 里。Windows 上可以先把command换成完整路径测试。另外确认没有多余的代理环境变量干扰。

5.3 reading choices 相关报错

这类报错多半是模型返回格式和客户端预期不一致。先确认 Model ID 是否被服务端支持，再检查请求是否被中间层改写。如果用的是兼容 OpenAI 协议的服务，确认openAiBaseUrl没有多加/v1或结尾斜杠。

5.4 OAuth 相关报错

如果你接的是需要 OAuth 的 MCP 服务端，报错通常出现在回调地址不匹配或 token 过期。检查服务端配置里的回调地址和客户端一致，重新走一次授权。不需要 OAuth 的本地 stdio 服务端不会遇到这类问题，可以先换成本地服务端验证链路。

5.5 工具列表为空

MCP 配置保存后，Cline 需要重启或重新加载。如果工具列表还是空，打开 MCP 面板看服务端状态，多数是command或args写错导致进程没起来。把args里的路径换成绝对路径再试。

5.6 Skill 没生效

检查SKILL.md的 frontmatter 格式，name和description必填，context_files路径相对于 Skill 目录。如果钩子没触发，确认客户端版本支持 hooks。实在不行，先在对话里显式说「按 code-reviewer Skill 审查」，排除是加载问题还是触发问题。

6. 从跑通到常用：把这条链路变成日常工具

链路跑通只是起点。接下来可以做的几件事：把常用的 MCP 服务端（文件系统、Git、数据库）都配进cline_mcp_settings.json，一次配置长期使用；把团队规范沉淀成 Skills，新人拉下来就能用；用 Coding Plan 把长期编码和 Agent 任务固定下来，减少每次手动配模型的成本。

如果你主要做模型对话验证，可以去 https://taotoken.net/model-chat 直接试；如果要做长期编码和 Agent 任务，看 https://taotoken.net/coding-plan；需要管理 Key 就去 https://taotoken.net/api-keys；接入细节统一看 https://taotoken.net/doc。官网入口是 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content=。

最后留一个我踩过的坑：Skills 里的context_files不要塞太多大文件，加载慢还会挤占上下文，按需拆成多个小 Skill 更稳。先把最小任务跑通，再逐步加工具和规范，比一上来堆一堆配置靠谱得多。