让 AI 编码助手帮你构建 MCP Server：官方 Agent Skills 工作流实战

原创。读完本文，你将学会用 MCP 官方新发布的 Agent Skills 工作流，让 AI 编码助手自动完成 MCP Server 的调研、选型和搭建，从手工写协议代码变成"描述需求 → AI 脚手架 → 测试发布"。

写 MCP Server 最大的门槛从来不是代码本身，而是那些隐藏在代码背后的设计决策：用 stdio 还是 HTTP 传输？要处理 OAuth 吗？是给团队内部用还是要发布到 Registry 给所有人装？这些决策没想清楚，写出来的 Server 大概率要返工。

2026 年 7 月 28 日，MCP 官方文档更新引入了一套新的构建方式：Agent Skills。核心思路是把 MCP 开发的最佳实践编码成一套可移植的 skill，装进 Claude Code 等 AI 编码助手里，让 AI 替你做需求调研、选型和脚手架生成。

这篇文章带你完整走一遍这套官方工作流。

Agent Skills 是什么

Agent Skills 是给 AI 编码助手的可移植指令集，本质是"领域知识包"。每个 skill 包含一个 SKILL.md 文件（指导 AI 如何做事）+ 一个 references/ 目录（认证流程、工具设计模式、模板等支撑材料）。

对 MCP 开发来说，这套 skills 把三个关键设计维度——部署模型、工具设计模式、认证方式——编码成了标准流程。AI 助手拿到任务后，会先问清楚你的使用场景，再据此生成匹配的 Server，而不是套用千篇一律的模板。

官方提供了一套参考 skills，打包成 mcp-server-dev 插件，由三个可组合的 skill 组成：

安装：两条路径

路径一：Claude Code 插件市场（推荐）

/plugin marketplace add anthropics/claude-plugins-official
/plugin install mcp-server-dev

路径二：手动克隆。如果你的编码助手不支持插件市场，直接把 mcp-server-dev 插件里的 skill 目录（SKILL.md 加 references/）克隆到助手的 skills 目录即可。这些文件遵循开放格式，任何实现了标准（如 Agent Skills 规范）的 agent 都能用。

核心流程：调研 → 选型 → 生成

装好之后，直接用自然语言告诉 AI："帮我构建一个 MCP Server，用来对接 XXX API。"skill 会先跑一段发现阶段，向你确认几个关键问题：

• 连接什么——云 API、本地进程、文件系统还是硬件？
• 谁会用——只有你自己、你的团队，还是任何人安装都能用？
• 操作面大小——只有几个操作，还是要包装一个大型 API？
• 交互需求——纯文本结果、结构化输入（通过 elicitation 机制），还是富 UI 组件？
• 上游认证——API Key、OAuth 2.0，还是不需要认证？

如果你的开场描述已经覆盖了这些信息，AI 会跳过提问直接给推荐方案。

四条部署路径，选哪个

调研完成后，skill 会从四条路径中推荐一条并据此脚手架：

1. 远程 Streamable HTTP（默认推荐）

包装云 API 的默认选择。零安装摩擦、一次部署服务所有用户、OAuth 流程能正常处理重定向和 token 存储。参考 skill 里带了 Cloudflare Workers 和 Express/FastMCP 的脚手架模板。

2. MCP Apps

在 Server 基础上扩展交互组件——可搜索的选择器、图表、实时仪表盘，直接渲染在聊天界面里。当 elicitation 的扁平表单约束满足不了需求时，skill 会切换到 build-mcp-app。

3. MCP Bundles（MCPB）

把本地 Server 连同运行时打包成单个 .mcpb 归档，用户安装时无需搭建 Node 或 Python 环境。适合 Server 必须触碰用户机器的场景：读本地文件、驱动桌面应用、访问 localhost 服务。

4. 本地 stdio

原型开发仍然可用，分发时再升级到 MCPB。

生成之后：测试、连接、发布

Server 脚手架生成后，官方推荐三条后续路径：

用 MCP Inspector 测试。Inspector 是官方交互式调试工具，可以在浏览器、命令行、终端三种界面里测试 Server 的 tools、resources、prompts。手写 Server 时最容易出问题的就是工具调用的边界情况，Inspector 能直接模拟客户端调用。

连接到客户端。本地 Server 通过配置文件接入 Claude Desktop 等客户端。注意 stdio 传输的 Server 绝不能往 stdout 写日志——print() 会污染 JSON-RPC 消息流导致 Server 崩溃。正确做法是用标准库 logging 模块（写 stderr）。

发布到 MCP Registry。用官方 mcp-publisher CLI 发布：先给 package.json 加 mcpName 属性（GitHub 认证下必须以 io.github.你的用户名/ 开头），npm 发布包，然后 mcp-publisher init 生成 server.json、mcp-publisher login github 认证、mcp-publisher publish 发布。

# 发布流程速览
npm publish --access public
mcp-publisher init
mcp-publisher login github
mcp-publisher publish

为什么这套流程值得学

自己手写 MCP Server 时，最容易被忽略的是那些"隐形决策"：日志写错流、认证方式选错、部署模型不适合分发场景。Agent Skills 的价值在于把这些坑全部前置——AI 在写第一行代码前就把这些决策问清楚了。

另一个好处是可移植性。skill 文件是开放的，同一套 skills 可以在 Claude Code、Codex、Cursor 等不同编码助手之间复用。你沉淀的 MCP 开发经验不再锁死在某个工具里。

一个完整的动手示例

结合官方快速入门，一个最小可用流程是这样的：

1. 装插件，然后让 AI 帮你构建一个天气查询 Server（对接 National Weather Service API）。

2. AI 会确认：连接云 API、公开使用、两个工具（get_alerts 按州查警报、get_forecast 按经纬度查预报）、无需认证。

3. 生成代码。核心部分大致是：

from mcp.server import MCPServer
 
mcp = MCPServer("weather")
 
@mcp.tool()
async def get_alerts(state: str) -> str:
    """Get weather alerts for a US state."""
    # 调用 NWS API 并格式化返回
 
@mcp.tool()
async def get_forecast(latitude: float, longitude: float) -> str:
    """Get weather forecast for a location."""
    # 先查 grid endpoint，再取 forecast
 
if __name__ == "__main__":
    mcp.run(transport="stdio")

注意 Python 需要 3.10+ 和 MCP SDK 2.0.0+，项目用 uv 管理（uv add "mcp[cli]"）。

4. 配置进 Claude Desktop，在 claude_desktop_config.json 的 mcpServers 里注册（务必用绝对路径），重启后即可对话调用。

5. 测试没问题后，按上面流程发布到 Registry 供所有人安装。

小结

MCP 官方把 Agent Skills 引入开发流程，本质上是把"写 MCP Server"从手工作坊变成了半自动化的脚手架工程。你不需要记住 Streamable HTTP 和 stdio 的取舍、不需要背 OAuth 配置模板——这些知识都在 skills 里，AI 会按需读取。

对开发者来说，这套工作流最实用的地方在于：把精力从"怎么写协议代码"转移到"说清楚自己的需求"。需求描述得越准确，AI 生成的 Server 越贴合你的场景。这也是 2026 年 AI 开发范式的一个缩影——描述能力正在成为核心生产力。

想深入的话，官方文档还有 MCP Inspector 调试指南、Registry 发布教程（支持 GitHub Actions 自动化）和完整的 MCP Apps 构建指南，都是同一套工作流的延伸。