Token 开销暴降 95%！教你如何将任意庞大 MCP 无缝升级为 Claude Code Skill 精准工作流

使用过 Anthropic 主导的 Model Context Protocol (MCP) 的开发者都有过类似的惨痛体验：“只要在配置里挂载了几个大型 MCP Server，每次给大模型发一条简单的问候，上下文（Context Window）瞬间被几万 Token 的 Tool Schema（工具 Schema）挤爆，对话还没聊几句就触发了 Token 长度上限！”

不仅如此，庞大的 MCP 工具集中往往包含上百个细碎的 API 函数，大模型极其容易在这些纷繁复杂的参数里“迷路”或产生误调用。

如何既能保留 MCP 的功能能力，又能享受渐进式按需加载的极低 Token 消耗？

把 MCP 服务无缝转换为 Claude Code / Agent Skill 是目前业界公认的最佳解法！本文将为你详细剖析 MCP 与 Skill 的本质差异，并提供一键式与手工转换全套方案。

1. 架构对比：MCP 硬件插座 vs Skill 操作说明书

搞懂 MCP 与 Agent Skill 的职能划分，是进行架构转换的前提。

1.1 MCP (Model Context Protocol)

• 定位：连接外部系统与数据库的“硬件插座”。
• 痛点：只要挂载，系统就会将该 MCP 下所有工具的方法签名、参数描述一次性注入全局上下文（Context Window）。随随便便就耗费上万 Token，且容易引起大模型误判。

1.2 Claude Code Skill

• 定位：教 Agent“按步骤做某事”的程序化工作流说明书。
• 优势（渐进式披露 Progressive Disclosure）：Skill 在初始状态下只占用几百 Token 的简短描述。只有当 Agent 触发该特定任务时，才会动态读取 SKILL.md 的操作指令，Token 节省高达 90%~95%！

2. 传统 MCP 挂载 vs 转换后 Agent Skill 对比

我们将 原生 MCP 挂载 与 转换为 Agent Skill 后 进行了多维技术对比：

3. 一键转换神器：mcp2cli 极速迁移实战

开源社区提供了 mcp2cli 工具，能读取现有的 mcp_config.json，自动将其包装为命令行工具与渐进式 Skill。

┌─────────────────────────────────────────────────────────┐
│              传统庞大 mcp_config.json (30,000+ Tokens)  │
└─────────────────────────────────────────────────────────┘
                            │
                            ▼ (执行 mcp2cli 转换)
┌─────────────────────────────────────────────────────────┐
│               mcp2cli 自动化转换封装引擎                │
└─────────────────────────────────────────────────────────┘
                            │
            ┌───────────────┴───────────────┐
            ▼                               ▼
┌────────────────────────┐      ┌────────────────────────┐
│  CLI Command Wrapper   │      │   SKILL.md 渐进式文档   │
│  (通过 --help 动态查)  │      │  (仅占 300 Token 描述)  │
└────────────────────────┘      └────────────────────────┘

3.1 使用 mcp2cli 转换示例

# 1. 全局安装 mcp2cli 工具
npm install -g mcp2cli

# 2. 指定现有 MCP 配置文件进行一键转换
mcp2cli convert --config ./mcp_config.json --output ~/.gemini/config/skills/

# 3. 在 Claude Code 中查看已加载的干净 Skill 列表
/skills

4. 手工转换实战：从 MCP 到标准 SKILL.md

如果你想自定义优化转换后的 Skill 工作流，建议按照以下步骤进行手工编写：

---
name: github-issue-helper
description: 用于自动检索 GitHub 仓库 Issues 并生成修复建议的渐进式工作流。仅在用户提到 "检查 Issue" 时触发。
---

# GitHub Issue 治理工作流

当用户要求分析项目 Issue 时，请按以下步骤操作：

## 1. 动态获取 Issue 列表
使用命令行工具或脚本查询最近的 Issue：
```bash
python scripts/fetch_issues.py --limit 10

2. 格式化输出与报告

将返回的 JSON 数据重构为以下 Markdown 表格： | Issue ID | 标题 | 状态 | 创建时间 | | :--- | :--- | :--- | :--- |

3. 生成修复建议

针对状态为 Open 的关键 Bug，自动分析代码库并给出 Diff 修复方案。 ```

5. 落地选型建议：何时保留 MCP？何时转为 Skill？

💡 何时保留原生 MCP？
如果该功能必须进行实时双向数据监听（例如：实时数据库变更推送、WebSocket 消息通知），保留原生 MCP 是合理的。

⚠️ 何时强烈建议转为 Skill？
1. MCP 工具集体积过大，严重拖慢模型响应速度；
2. 功能本质上是“多步骤固定操作”（如：打包发布、编译 HTML、代码审计流程）；
3. 大模型频繁传错参数，需要显式步骤指引。

6. 总结

从 MCP 到 Agent Skill 的转变，体现了 AI 应用开发从“盲目堆砌接口”向“精细化工作流治理”的演进。通过将庞大的 MCP 服务转化为渐进式 Skill，既能省下大量的 Token 账单，又能显著提升 Agent 的执行成功率！