相关实践
用 GitHub MCP Registry 发现、安装、发布和治理 MCP Server
GitHub Blog 官方指南把 MCP Registry 作为 MCP server 的 canonical source，给出发现、安装、发布和企业治理的完整流程。输入是需要给 AI stack 接入 Playwright、GitHub MCP、Context7、MarkItDown、Terraform、Notion、Stripe 等 MCP server 的团队，或准备发布自有 MCP server 的仓库。执行过程是先在 GitHub MCP Registry 按标签、人气或 stars 浏览；以 Playwright 为例点击 Install in VS Code 并接受预填配置；发布方用 `mcp-publisher init` 生成 `server.json`，补 package ownership metadata，`mcp-publisher login github` 后 `mcp-publisher publish`，再用 registry search API 验证；企业侧接入内部 registry endpoint 和 allow list，让 VS Code 等 MCP-aware surfaces 只允许安装已审核 server。产物是一套从开发者自助安装到企业准入治理的 MCP Server 生命周期。验证来自 GitHub 官方博客对 44 个 registry server、Playwright 安装、server.json schema、GitHub/OIDC 发布、Actions 自动发布、allow list 工作方式和 MCP Inspector 测试建议的说明。
用 Agent Plugins 规范把 Agent Skills 和 MCP Server 打成可移植插件
Agent Plugins 1.0.0 specification 给出可移植插件包的规范合同，适合需要同时分发 Skills 与 MCP server 的 agent 工具作者。输入是一个插件根目录、`plugin.json`、可选 `skills/` 子目录、可选 `mcp.json`、可选 reverse-domain client extension 目录，以及需要被多个客户端加载的 Skill、scripts、references 和 MCP 配置。执行过程是把 manifest 固定放在 root `plugin.json`，用 canonical schema 和 `name` 声明包；Skills 固定放在 `skills/<id>/SKILL.md`，MCP servers 固定放在 `mcp.json` 且使用显式 transport type；客户端加载时必须校验路径不能逃出 plugin root，manifest 致命错误拒绝整个插件，但单个 Skill 或 MCP server 失败只跳过对应组件。产物是可被 conformant client 发现、验证、加载的 Agent Plugin package。验证来自官方 specification 对 package model、manifest schema、component discovery、failure boundary、client extension namespace、environment variables 和 conformance checklist 的规范说明。
用 Google Agents CLI Skills 让 Coding Agent 构建和评估 ADK Agent
Google Agents CLI 官方文档把它定义为面向 Google Cloud Agent Platform 的 CLI 和 skills package，可把 agent building、evaluation、deployment、observability 等 7 个技能安装进 Antigravity CLI、Claude Code、Codex 或其他支持 Skills 的 coding agent。输入是 Python 3.11+、uv、Node.js、可选 Google Cloud SDK/Terraform、Gemini API key 或 gcloud ADC，以及一个目标任务例如“构建回答文档问题的 support agent”。执行过程是运行 `uvx google-agents-cli setup` 安装 CLI 与上下文技能，在 Claude Code 用 `/skills` 或在 Codex/其他 agent 的 skills 面板确认 google-agents-cli-workflow、adk-code、scaffold、eval、deploy、publish、observability 可见，再让 coding agent scaffold、build、evaluate agent；不用 coding agent 时可直接 `agents-cli create`、`install`、`playground`。产物是带 ADK 项目结构、eval 流程和本地 playground 的 agent 工程。验证来自官方 getting started 对安装命令、7 个 skills、Codex/Claude Code/Antigravity 适配、认证方式和手动 workflow 的说明。
用 Google Data Agent Kit 给 Coding Agent 接入 Data Cloud 插件和 MCP
GoogleCloudPlatform/data-agent-kit 官方仓库把 Google Data Cloud 能力整理成插件、Gemini CLI extensions 和 MCP 配置索引，适合数据工程团队让 Gemini CLI、Claude Code、Codex、Antigravity CLI 或 LangGraph agent 安全地管理数据资产、查询数据库和部署数据流水线。输入是需要操作 BigQuery、Spanner、Cloud SQL、AlloyDB、Dataflow、dbt、Looker 等数据系统的项目，以及目标 coding agent 的插件或 marketplace 环境。执行过程是在 Claude Code 中添加 `GoogleCloudPlatform/data-agent-kit` marketplace 后安装插件并 reload，或在 Codex 中执行 `codex plugin marketplace add GoogleCloudPlatform/data-agent-kit` 后 `codex plugin add <plugin-name>@data-agent-kit`，或用 Gemini/Antigravity 直接安装对应 extension；需要 raw MCP 时按 mcp-servers 配置接入。产物是带产品专用 Skills、Prompts 和 MCP Servers 的数据 Agent 工作台。验证来自官方 README 对多客户端安装路径、Data Agent Kit Starter Pack、BigQuery/Dataflow/Spark/Knowledge Catalog 场景、产品插件清单和 MCP/monitoring 指南的说明。
用 Gemini Enterprise Agent Evaluation Skill 建立 Agent 质量飞轮
Gemini Enterprise Agent Platform 官方 Agent evaluation 文档给出从 eval cases、inference traces、metrics scoring 到 prompt/tool optimization 的闭环，并提供面向 AI coding assistant 的 Agent skills 安装入口。输入是 ADK agent 或已部署 agent、任务与期望结果、可选历史 traces、工具定义和需要验证的质量/安全/工具调用指标。执行过程是先定义 eval cases 或用 scenario generation/user simulation 生成多轮测试；运行 inference 生成不可变 traces；用 Task Success、Safety、Tool Use Quality、自定义 code/LLM metric 等评分；用 failure clusters 和 loss taxonomy 分析问题；最后让 eval-fix loop 迭代 instructions/tools 并复测。产物是一套可本地迭代也可线上监控的 Agent eval suite。验证来自官方文档对 evaluation process、scenario/user/environment simulation、multi-turn evaluation、prompt optimization，以及 `npx skills add https://github.com/google/agents-cli --skill google-agents-cli-eval` 和 `agent-platform-eval-flywheel` 安装命令的说明。
用 Microsoft Agent Framework 组合文件型、代码型和 MCP 型 Skills
Microsoft Agent Framework 官方 samples 展示了 Agent Skills 的多种定义和执行方式，适合需要把同一类能力在本地文件、Python 代码和远程 MCP 之间灵活组织的 Agent 工程团队。输入是一个 Microsoft Foundry 项目、已部署模型、Azure CLI 登录、`.env` 环境变量，以及待封装的 skill resources/scripts。执行过程是先用 file_based_skill 把 SKILL.md、references 和 scripts 放到磁盘并通过 `skill_paths` 自动发现；再用 code_defined_skill 或 class_based_skill 把动态资源和脚本以 Python decorator 暴露；复杂场景用 mixed_skills 合并多种定义方式，或用 mcp_based_skill 通过 MCPSkillsSource 从远程 MCP server 发现 `skill://` 资源；对可执行脚本默认保留人工审批，需要读操作提效时使用 ToolApprovalMiddleware 配置 auto approval。产物是一套可分层加载的 SkillsProvider：系统提示只注入 name/description，触发后才加载 SKILL.md、资源和脚本，减少上下文浪费并保留审批边界。验证来自 microsoft/agent-framework samples 对 file/code/class/mixed/MCP skills、progressive disclosure、script_runner、approval middleware 和运行前置条件的说明。