[AI 分享] Google AI課程重點整理 - MCP、Skill與多Agent協作

 [AI 分享] Google AI課程重點整理

摘要 : 聚焦MCP、Skill與多Agent協作，說明AI進入真實工作場景時的串接、測試與安全重點。

內容:

Google AI 課程 Day 1 的核心：Agent = Model + Harness。也就是 AI Agent 的能力，不只取決於模型本身，還取決於你為它打造的工作環境。當 AI 要進入真實工作場景，通常會遇到三個瓶頸：碰不到私有資料、單一 Agent 能力有限，以及記不住公司的流程與 SOP。這次內容主要延伸 Day 2 與 Day 3，分別對應 MCP、A2A 與 Skill 落地的關鍵觀念。

Day 2 第一個重點是 MCP（Model Context Protocol）。它是由 Anthropic 提出的開源標準，目的不是取代像 Gmail API 這類底層服務，而是統一 AI 工具如何連接外部工具。你可以把它想成 AI 世界的通用插座，讓不同模型或平台都能用一致方式操作信箱、資料庫、設計工具等外部資源。以前每個 AI 工具都要各自接各自的程式，現在只要支援 MCP，就能共用同一套工具串接方式，讓 AI 真正碰得到工作資料與常用 App。

MCP 的價值很大，但也伴隨風險。文中特別提醒三點安全原則：第一，不要安裝來路不明的 MCP Server，否則等於把系統控制權交給陌生程式；第二，不要把 API Key、密碼直接貼給 AI，應改用本地環境變數或設定檔保存；第三，剛開始使用新 MCP 時，權限應先設為唯讀，避免 AI 因誤判操作而改動甚至刪除重要資料。若想開始使用，可以先盤點自己最常用的 App，再搜尋是否有官方或維護良好的 MCP 專案。

接著談到單一 AI Agent 的極限。當任務複雜度提高，如果把所有指令一次塞給 AI，很容易讓 context window 爆掉，導致判斷力下降。較好的做法是把工作指示拆成一份份 Skill markdown，在真正需要時才載入，這種方式稱為 progressive disclosure（漸進式介入）。但 Skill 一旦要進入正式環境，就不能再用「只是寫 prompt」的心態看待，而要當成軟體功能來設計、測試與維護。

文中整理了 Skill 上線常見的四大問題。第一是 Trigger Failure，description 寫得不清楚，導致該觸發時沒觸發，不該觸發時卻亂入；第二是 Token Budget Failure，把太多內容塞進單一 Skill，導致 AI 記憶空間被占滿；第三是 Execution Failure，雖然 Skill 被正確叫出，但執行過程或工具呼叫順序出錯；第四是 Regression，新 Skill 上線後與舊 Skill 邊界重疊，反而破壞既有系統穩定性。因此 Skill 不只要看最終結果對不對，也要檢查中間的工具使用軌跡是否正確。

為了降低這些風險，Google 提出評估驅動開發的概念，把評估案例當成單元測試來設計。也就是先定義不同情境下的輸入、應使用的工具，以及預期輸出，再開始寫 Skill。之後每次修改都必須重新跑這些案例，未通過就不能上線。當 Skill 越來越複雜，還要建立 Golden Dataset，蒐集大量經典情境與標準答案，讓整體系統能持續驗證穩定性。整體來看，這套方法的重點不是把 AI 當魔法，而是把它當成需要工程化、標準化與安全治理的基礎設施。