AI Agent Orchestrator & MCP Integration

SKILL.md

---
name: AI Agent Orchestrator & MCP Integration
slug: ai-agent-orchestrator
description: >
  AI Agent编排与MCP集成专家。帮助开发者设计、编排和部署多Agent协作系统，
  支持Model Context Protocol (MCP) 工具集成、Agent间通信协议设计、
  任务分解策略优化。覆盖LangChain/AutoGen/CrewAI/OpenClaw等主流框架，
  提供从单Agent到Multi-Agent Swarm的完整演进路径规划。
version: 1.0.0
author: ai-gaoqian
tags:
  - ai-agent
  - mcp
  - orchestration
  - multi-agent
  - workflow
  - automation
  - llm-tools
  - agent-swarm
metadata:
  openclaw:
    emoji: "🤖"
    requires: "OpenClaw >= v2026.3.22"
---

# AI Agent Orchestrator & MCP Integration

## 核心能力

| 能力维度 | 覆盖范围 | 输出质量 |
|----------|----------|----------|
| Agent架构设计 | 单Agent → Multi-Agent Swarm 全谱系 | 含架构图 + 通信协议定义 |
| MCP工具集成 | 30+ MCP Server 模板（数据库/API/文件/浏览器） | 含完整 tool schema + manifest |
| 框架选型对比 | LangChain / AutoGen / CrewAI / OpenClaw / Dify | 决策矩阵 + 迁移路径 |
| 任务分解策略 | Top-down / Bottom-up / Hybrid / DAG-based | 含 DAG 图 + 失败重试策略 |
| 性能调优 | Token消耗 / 延迟优化 / 并发控制 / 缓存策略 | 含 benchmark 数据 |
| 安全合规 | Agent权限边界 / 输入验证 / 输出审计 / 沙箱隔离 | 含安全清单 + 风险评估 |

## 触发场景

- "设计一个多Agent协作系统，用于XX场景"
- "如何用MCP集成我的数据库/API到Agent"
- "LangChain和AutoGen选哪个"
- "Agent任务分解怎么做"
- "如何控制Agent的Token消耗"
- "多Agent通信协议设计"
- "OpenClaw上部署Agent技能"
- "Agent Swarm的故障恢复策略"

## 执行流程

### Phase 1: 需求分析
1. 识别用户场景类型（自动化/研究/创作/客服/数据分析）
2. 确定Agent数量与角色分工
3. 评估工具集成需求（API/数据库/文件系统/浏览器）
4. 明确性能约束（延迟/成本/并发）

### Phase 2: 架构设计
1. **Agent拓扑选择**：
   - 单Agent + 工具链（简单任务）
   - 主从架构（Master-Worker）
   - 平等协作（Peer-to-Peer）
   - 分层路由（Router → Specialist）
   - Swarm自组织（Emergent Behavior）
2. **通信协议定义**：
   - 消息格式（JSON Schema）
   - 路由规则（基于意图分类）
   - 上下文传递（Memory Bus）
   - 中断与恢复机制

### Phase 3: MCP集成
```yaml
# 示例 MCP Server Manifest
name: "custom-db-mcp"
version: "1.0.0"
tools:
  - name: "query_database"
    description: "执行SQL查询"
    parameters:
      type: "object"
      properties:
        sql:
          type: "string"
          description: "SQL查询语句"
        params:
          type: "array"
          description: "参数绑定值"
  - name: "get_schema"
    description: "获取数据库Schema"
    parameters:
      type: "object"
      properties:
        table:
          type: "string"
          description: "表名（可选，空则返回全部）"
```

### Phase 4: 实施与优化
1. 代码脚手架生成（Python/TypeScript）
2. Agent配置文件生成（YAML/JSON）
3. Token消耗预估
4. 故障注入测试方案
5. 监控与可观测性配置

## 输出模板

```
## Agent系统设计方案

### 1. 场景分析
- 场景类型: [自动化/研究/创作/客服/数据分析]
- Agent数量: N
- 角色分工: [Agent1: 职责], [Agent2: 职责]

### 2. 架构拓扑
[ASCII架构图]

### 3. 通信协议
[消息格式 + 路由规则]

### 4. MCP工具清单
[工具名称 → 功能 → Schema]

### 5. 实施建议
- 推荐框架: [框架名]
- 预估Token消耗: X tokens/task
- 预估延迟: Y ms
- 风险点: [列表]

### 6. 代码脚手架
[核心代码片段]
```

## MCP Server 生态参考（数据底座）

| 类别 | MCP Server | 功能 | 集成复杂度 |
|------|------------|------|------------|
| 数据库 | mcp-server-sqlite | SQLite CRUD | 低 |
| 数据库 | mcp-server-postgres | PostgreSQL 查询 | 中 |
| 数据库 | mcp-server-mysql | MySQL 查询 | 中 |
| 数据库 | mcp-server-mongodb | MongoDB 查询 | 中 |
| API | mcp-server-fetch | HTTP请求 | 低 |
| API | mcp-server-github | GitHub API | 中 |
| API | mcp-server-slack | Slack消息 | 中 |
| API | mcp-server-notion | Notion文档 | 中 |
| 文件 | mcp-server-filesystem | 文件读写 | 低 |
| 文件 | mcp-server-gdrive | Google Drive | 中 |
| 浏览器 | mcp-server-puppeteer | 浏览器自动化 | 高 |
| 浏览器 | mcp-server-playwright | Playwright | 高 |
| AI | mcp-server-memory | 持久化记忆 | 低 |
| AI | mcp-server-rag | 向量检索增强 | 中 |
| AI | mcp-server-sequential-thinking | 链式推理 | 低 |
| 搜索 | mcp-server-brave-search | Brave搜索 | 低 |
| 搜索 | mcp-server-tavily | Tavily搜索 | 低 |
| 搜索 | mcp-server-exa | Exa搜索 | 低 |
| 代码 | mcp-server-git | Git操作 | 中 |
| 代码 | mcp-server-docker | Docker管理 | 高 |
| 办公 | mcp-server-gmail | Gmail邮件 | 中 |
| 办公 | mcp-server-calendar | 日历管理 | 中 |
| 监控 | mcp-server-sentry | 错误追踪 | 中 |
| 监控 | mcp-server-datadog | 数据监控 | 高 |
| 通信 | mcp-server-telegram | Telegram Bot | 中 |
| 通信 | mcp-server-discord | Discord Bot | 中 |
| 支付 | mcp-server-stripe | Stripe支付 | 高 |
| 云服务 | mcp-server-aws | AWS服务 | 高 |
| 云服务 | mcp-server-cloudflare | Cloudflare | 中 |
| 云服务 | mcp-server-vercel | Vercel部署 | 中 |

## 主流Agent框架对比

| 维度 | LangChain | AutoGen | CrewAI | OpenClaw | Dify |
|------|-----------|---------|--------|----------|------|
| 架构风格 | 链式/图式 | 对话式Multi-Agent | 角色扮演Crew | Skill组合 | 可视化编排 |
| MCP支持 | 原生支持 | 社区适配 | 社区适配 | 原生支持 | 部分支持 |
| 多Agent协作 | 有限 | 强大 | 强大 | 通过Skill组合 | 工作流模式 |
| 学习曲线 | 中等 | 较陡 | 平缓 | 平缓 | 最低 |
| 生产就绪 | 高 | 中 | 中 | 高 | 高 |
| 开源协议 | MIT | MIT | MIT | MIT | Apache 2.0 |
| 适合场景 | RAG/链式任务 | 研究/对话 | 内容创作 | 技能市场 | 低代码 |

## 注意事项

1. **权限最小化**：每个Agent只授予完成任务所需的最小权限集
2. **输入验证**：所有Agent间通信消息必须经过Schema验证
3. **输出审计**：关键决策路径需记录日志，支持回溯
4. **Token预算**：设置每轮对话的Token上限，防止失控
5. **故障隔离**：单个Agent崩溃不应影响整个System
6. **版本兼容**：MCP协议版本需与OpenClaw版本匹配
7. **成本追踪**：建议集成成本监控（按模型/Agent维度）

## 定价

¥0.50/次，使用支付宝AI收协议。每次调用生成完整的Agent系统设计方案或MCP集成方案。