技能介绍

上下文爆炸与工具发现难题

当项目接入多个 MCP (Model Context Protocol) 服务器后，所有工具、提示和资源的 Schema 会被全量注入主上下文。这不仅导致 Token 消耗剧增，还会让模型在海量无关定义中迷失，降低工具调用的准确率。如何在不污染主上下文的前提下，精准发现并调用所需的外部能力，成为构建复杂 Agent 的核心痛点。

渐进式披露与智能筛选

该技能将 MCP 管理拆解为配置确认、目录构建与智能路由三个关键阶段：

统一配置与目录化：读取 .claude/.mcp.json 中的服务器清单，首次发现后聚合生成本地 tools.json 目录。这使得工具 Schema 可以离线检索和版本控制，避免每次会话重复拉取。
语义级智能筛选：不再依赖脆弱的关键词匹配，而是让大模型直接阅读 tools.json，结合任务语义、同义词与意图识别，动态筛选出最相关的工具子集。
多级执行与上下文隔离：工具执行分为三个优先级。首选通过 Gemini CLI 进行自然语言调度；次选为精确的 server/tool 调用；兜底方案则是将发现与执行委派给 mcp-manager 子智能体，仅将最终结果回传主上下文。跨服务器编排时，每个工具调用均携带来源标识以确保路由正确。

适用边界与工程注意

此方案专为已配置 MCP 服务器且需要对接外部工具的后端 Agent 场景设计。它不适用于纯前端展示或无 MCP 配置的环境。此外，密钥管理与服务器部署仍需开发者自行负责，技能本身仅解决工具的发现、路由与上下文管理问题。输出工件遵循 McpCatalog 规范，可无缝对接 mcp-builder 或 claude-code 等下游工具链。