Chrysalid过去一年如果一直在折腾AI零代码平台，你大概率会跟我有同感：配置生成这条路，越走越吃力。领码SPARK最早那套核心就是典型的配置生成模式——表单、流程、报表、权限，全部靠人拖拽配置，业务人员想落地一个稍微复杂的场景，得先学会一大堆平台概念。后来我们决定做一次彻底的重构，把Agent Skills MCP引入运行时，让平台从"帮用户配置应用"变成"帮用户配置智能体"，整个过程踩了不少坑，也拿到了实打实的效果。这篇文章就把这次重构的来龙去脉、技术选型、落地细节和踩坑记录完整写出来，给正在做类似平台的团队一个参考。
1. 从"配置生成"到"智能体协作"：这次重构到底在解决什么
1.1 传统零代码平台的"配置债"
先说说领码SPARK老版本的问题。老版本的核心逻辑很简单：给用户一堆可视化组件，表单、数据表、审批流、仪表盘，用户通过拖拽和字段配置把这些组件拼成一个应用。这种模式在单一场景下很爽，做个报名表、做个库存登记，十分钟搞定。但一旦场景复杂起来，配置生成的弊端就非常明显。
我举一个真实例子。我们有个客户要做"采购-报销-对账"一体化流程，业务方提需求只需要五分钟，但配置阶段花了两周。为什么？因为要设计三张数据表的关联关系、配置采购单到报销单的字段映射、设置不同金额区间的审批分支、还要处理部门负责人离职后审批人变量的动态替换。每一步都是在跟平台的概念模型对话，而不是跟业务对话。业务人员说"我要让采购金额超过五万自动走副总审批"，到了配置界面就变成"在流程节点B3处新增条件分支，条件字段选择amount，运算符选择大于，值填50000，审批人选择角色节点deputy_general_manager"。这个翻译过程本身就是巨大的认知负担。
更难受的是维护成本。配置生成的应用是静态的，业务规则一变，就得进后台改配置。我们统计过，一个中度复杂的应用，平均每个季度要经历约30%的节点调整。改一个流程分支，可能要连带检查关联表、权限、消息通知、报表口径。很多客户后来都不愿意自己改，宁可提工单让我们去改，因为这活儿比写代码还容易出错。
这个现象背后有个深层问题：配置生成只解决了"重复劳动自动化"，没有解决"意图到实现的鸿沟"。平台把所有能力拆成了细粒度的配置项，但用户真正需要的是一次性表达业务意图，然后由系统自己判断该用哪些配置项、怎么组合。也就是从"人指挥机器执行指令"到"人表达意图、机器拆解执行"的转变。
1.2 智能体协作为什么是下一站
那智能体协作是怎么解决这个问题的？核心在于大模型改变了人机交互的范式。用户不再需要知道平台有多少个配置项，只需要用自然语言描述目标，AI智能体负责理解意图、拆解任务、调用平台能力、验证执行结果。
但这里有个关键卡点：光有模型不够。模型会聊天，不会用你的平台。要让AI真正操作领码SPARK的数据引擎、流程引擎、消息中心，必须给AI一套标准化的"能力接口"。我们当时评估过两条路线：一条是自研Agent工具协议，另一条就是直接上MCP。MCP（Model Context Protocol）作为开放的模型上下文协议，把AI调用外部工具的方式标准化了，生态里已经有一批现成的Server和Client实现。对我们这种零代码平台来说，选择MCP意味着我们不需要自己发明协议，还能跟整个AI生态的工具链互通。
Agent Skills解决的是另外一个问题：AI即使能调用工具，也不知道你的业务领域该怎么干活。比如"季度经营分析会材料"这个任务，涉及取数、口径计算、图表选择、PPT结构，每个行业甚至每个公司都不一样。Agent Skills通过一份标准化的SKILL.md文档，把某个业务场景下的执行方法论、步骤、注意事项告诉模型。模型读到这份文档，就像老员工带新人一样，知道该按什么套路干活。
所以我们的最终方案是：Agent Skills负责"教AI懂业务"，MCP负责"让AI能操作平台"，两者结合构成智能体的完整闭环。领码SPARK从配置生成平台进化成智能体协作平台，底层逻辑是——把过去那些需要人力完成的配置工作，转成AI的技能定义和工具调用，让用户直接跟AI对话来驱动整个业务应用的构建和运行。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. Agent Skills 与 MCP 的技术底层逻辑
2.1 Agent Skills：给 AI 看的"技能说明书"
先说Agent Skills。很多人第一次接触这个概念会以为是个复杂的框架，实际上它最简单形态就是一份Markdown文件加上可选的资源文件。我用一个类比来解释：你把一个刚入职的实习生交给老师傅带，老师傅不会手把手教每一步，而是扔给实习生一份操作手册，手册里写了流程、注意事项、常见接口、模板位置。Agent Skills就是给AI模型看的操作手册。
这份手册的核心是SKILL.md文件，它自带frontmatter元信息区和正文指令区。frontmatter区一般用YAML格式，声明技能的名字、描述、适用场景、允许调用的工具、推荐模型参数等。正文区用自然语言描述这个技能的执行步骤、判断规则、输出格式。为什么选Markdown而不是JSON或者代码？因为大模型对自然语言的理解效果最好，Markdown结构清晰又不失灵活性，模型能直接把它当作上下文的一部分进行推理。
跟传统的system prompt相比，Agent Skills最大的优势是按需加载。一次复杂的业务对话不可能把所有技能塞进上下文，GPT-4o、Claude这类模型的上下文窗口虽然越来越大，但token开销和推理延迟都是真金白银。技能注册中心维护一个技能列表，智能体根据用户意图动态检索并加载最相关的技能文档，既能保证模型"懂行"，又能控制上下文长度。我们在实践里把一次复杂任务的平均上下文体积压缩了大概40%，靠的就是技能按需加载而不是全文常驻。
技能包通常还支持附带参考文件和脚本。比如"合同审核"技能里可以放一份合同风险清单、一个PDF解析脚本、一个金额格式校验脚本。Skill文档负责给模型讲方法