Agent Skill · MCP · 模型三层架构
一种将 Agent 运行时的职责明确拆分为数据层（MCP）、方法层（Skill）和执行层（模型/Agent）的设计模式。每一层各司其职、互不越界，解决了 LLM 缺乏专业数据的幻觉问题、流程不稳定的随意性问题、以及经验难以复用的交接问题。
简介
在 TikTok 运营 Agent 的实践中，aronlq 归纳出了一套清晰的三个层次责任拆分模式，解决了”告诉 AI 做什么”（Prompt）在实际业务中的三个根本缺陷：
- 数据幻觉：没有事先数据做前置支撑，AI 会产生有用但不正确的信息
- 流程不固定：大部分运营人不知道下一步该做什么，简单 Prompt 缺乏固定流程
- 经验难复用：一次使用中生成的结果只能用于当次对话，无法交到下一个 Agent/用户
三层架构将这个三个缺陷分别用 MCP、Skill 和模型层各自兜底。
三层设计
第一层 · MCP 数据层
负责：提供真实、可验证的数据
- 提供标准化查询接口（商品、店铺、视频、达人、字幕等）
- 暴露 schema 让 Agent 发现工具、能力和参数
- 处理认证（不与普通 API Key 混用）
典型实现：达人精灵 MCP（kss-universal + kss-caption）
第二层 · Skill 方法层
负责：定义方法——不是写代码，是写流程化的”思维方式”
- 查询顺序：先查什么、后查什么
- 筛选逻辑：按什么条件过滤，优先级如何排列
- 数据优先级：关注哪些字段、忽略哪些副信息
- 证据要求：为什么说一个结论——必须写清来源数据和时间区间
- 缺失处理：某一类数据不可得时提供明确的降级策略
- 输出格式：结果结构化为可执行任务，而不是混杂评论
典型实现：aronlq 的 4 套 TikTok Agent Skill（tiktok-shop-operator / tiktok-account-audit / tiktok-category-strategy / tiktok-growth-plan）
第三层 · Codex 执行层
负责：理解为自然语言需求、组织 Skill 并执行物理操作
- 读取并审查 MCP 工具定义
- 按照 Skill 要求组织查询、分页、维护结果关联与筛选
- 核对数据——去除非目标窗口内的数据、标注缺失信息
- 标记输出内容的上下文限制（时间点、地区、窗口、数据范围）
- 把结果整理成可执行的运营操作列表
为什么这个构造比其他方法高效
argo 对比了”仅用 Prompt 直接请求 Codex”的环境——结果是数据不准确、流程不一致、产出的结果无法复用。三层架构将这些各自不确定的环节分别固化为标准方法：
| 维度 | 仅用 Prompt | 三层架构 |
|---|---|---|
| 数据可靠性 | 模型无真实数据来源，可能幻觉 | MCP 提供真实商业数据 |
| 流程一致性 | 每次执行可能有不同路径 | Skill 固化输入顺序和证据要求 |
| 产出可复用性 | 一次对话的文本，下次重新开始 | Skill 可被不同 Agent 和不同用户调用 |
| 交接成本 | 用户需要自己口述上下文 | Skill = 标准化SOP，即方法转移 |
不同素材中的观点
- 2026-07-27-tiktok-codex-agent-skills（人人都是产品经理 · aronlq）：首次提出和完整展示了此模式——将 TikTok 运营拆解为”达人精灵 MCP（数据）+ 四套 Skill（方法）+ Codex（执行理解）“。设计动机是”如果不做数据支撑，AI 很难得真正的商业数据；如果不做 Skill，即使 Agent 能调工具也很难生成稳定的结果。“