基于 MCP（Model Context Protocol）和 Skill 驱动的 AI Agent 编排系统。LLM 通过自然语言编写的 Skill 按步骤调用 MCP Server 提供的工具，完成复杂的多数据源联动任务。
传统编程和 LLM Agent 系统之间的对应关系：Skill 是程序，MCP 是库，LLM 是语言。
在本地跑一个完整 AI Agent 系统：Ollama、MCP 和 Skill 到底怎么串起来， https://mp.weixin.qq.com/s/1mZjxN5jb8FGYTS5gQlb8w
orchestrator.py (编排器)
│
├── DeepSeek API (LLM 运行时，Anthropic 兼容接口)
│
├── skills/oncall_holiday_check.md (Skill - 自然语言"程序")
│
└── MCP Servers (工具库)
├── holidays_server.py → date.nager.at 公共假日 API
└── ops_server.py → 本地 SQLite 运维数据库
值班假日检查：判断当前值班工程师所在国家今天是否有公共假日，若有则列出其名下的高优先级问题，以便安排备班人员。
示例输出：
=== 最终回答 ===
值班正常：Sara Chen（美国），今天是正常工作日。其名下的 P1 问题如下：
- #4 Auth token refresh fails for SSO users
- #1 API gateway returns 502 under load
skill-mcp/
├── .env # API 密钥和模型配置（不入库）
├── config.json # 全局配置：模型、MCP Server、Skill 路径
├── requirements.txt # Python 依赖
├── orchestrator.py # 编排器：连接 LLM、MCP Server、Skill
├── seed_db.py # 生成 SQLite 测试数据
├── server_test.py # MCP Server 独立测试脚本
├── ops.db # 自动生成的数据库（运行 seed_db.py 后生成）
├── mcp_servers/
│ ├── holidays_server.py # 外部 API 包装型 MCP Server
│ └── ops_server.py # 纯本地型 MCP Server（SQLite）
└── skills/
└── oncall_holiday_check.md # 值班假日检查 Skill
python -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
pip install -r requirements.txt复制示例文件并填入你的 API 密钥：
cp .env.example .env.env 文件内容：
ANTHROPIC_AUTH_TOKEN=your-api-key-here
ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic
MODEL=deepseek-v4-flash本项目使用 DeepSeek API 的 Anthropic 兼容接口，也支持任何兼容 Anthropic Messages API 的服务端点（如 OpenRouter、自部署 vLLM 等）。
python seed_db.py生成包含 5 名工程师（分布在美国、意大利、印度、德国、日本）、10 个轮班周期、12 条开放问题的测试数据库。
# 使用默认问题
python orchestrator.py
# 指定问题
python orchestrator.py "本周谁在值班？他们有没有 P0 问题？"每个 MCP Server 通过 @mcp.tool() 装饰器暴露工具接口。模型只能看到函数名、docstring 和类型注解——这就是工具的"语义契约"。
- holidays_server.py — 对外封装 date.nager.at 公共假日 API，提供
is_public_holiday和list_country_holidays两个工具。 - ops_server.py — 直接查询本地 SQLite 数据库，提供
get_current_oncall、list_open_issues、get_engineer、list_engineers四个工具。
Skill 不是普通 prompt，而是用自然语言编写的带执行逻辑的程序，明确告诉模型按什么步骤组合哪些工具。包含三部分：
- 目的 — 这个 Skill 做什么
- 可用工具 — 列出所有工具，标注主流程是否需要
- 执行步骤 + 约束 — 明确的执行顺序、输出模板和硬约束
orchestrator.py 是整套系统的胶水层：
- 读取
config.json，将每个 MCP Server 作为子进程拉起 - 收集所有工具定义，转换为 Anthropic tool schema
- 将 Skill 注入 system prompt
- 运行工具调用循环，直到模型给出最终回答
编排器对任何具体的 MCP Server 和 Skill 一无所知——config.json 才是真正的程序入口。
config.json 管理所有可变部分：
{
"model": "deepseek-v4-flash",
"api_base_url": "https://api.deepseek.com/anthropic",
"max_steps": 10,
"skill_path": "skills/oncall_holiday_check.md",
"default_question": "当前值班工程师所在国家今天是否有公共假日？...",
"mcp_servers": {
"holidays": {
"script": "mcp_servers/holidays_server.py",
"env": { "HOLIDAY_API_BASE": "https://date.nager.at/api/v3" }
},
"ops": {
"script": "mcp_servers/ops_server.py",
"env": { "OPS_DB": "{root}/ops.db" }
}
}
}max_steps— 限制工具调用最大轮次skill_path— 换个路径就是换个任务mcp_servers— 每个条目包含脚本路径和环境变量，{root}自动展开为项目根目录
想换一套完全不同的任务？改 skill_path、换掉 mcp_servers 里的条目，一行 Python 都不用动。
单独验证 MCP Server 是否正常：
# 测试假日查询 Server
python server_test.py
# 测试运维数据库 Server（需先 seed_db.py）
OPS_DB=./ops.db python server_test.py| 层 | 技术 | 作用 |
|---|---|---|
| LLM 运行时 | DeepSeek API（Anthropic 兼容接口） | 理解指令、调用工具、生成回答 |
| 工具库 | MCP Server（FastMCP） | 标准化工具接口，模型通过语义契约调用 |
| 程序逻辑 | Markdown Skill | 自然语言编写的执行步骤和约束 |
| 编排器 | Python + Anthropic SDK | 串联 LLM、MCP、Skill，驱动工具调用循环 |
mcp[cli]>=1.10— MCP Server/Client 框架anthropic>=0.40— Anthropic SDK（用于调用兼容 API）httpx>=0.27— 异步 HTTP 客户端python-dotenv>=1.0— 环境变量管理
- 加新工具：在
mcp_servers/下新建 Server，在config.json的mcp_servers中加一条 - 换任务：写新 Skill，改
config.json的skill_path - 换模型：改
.env中的MODEL和ANTHROPIC_BASE_URL - 换 LLM 提供商：任何兼容 Anthropic Messages API 的服务都可直接替换
MIT
##特别感谢 https://linux.do 社区