AI Agent 擴充機制完全指南 2026

最後更新 2026-05-29

↗ NotebookLM

① 點 PDF 匯出檔案，或 Copy Link 複製網址　② 開 NotebookLM →「新增來源 → 網站」貼上，加入你的筆記本

// 目錄

五層架構一眼看懂
核心概念邊界釐清
Skill 深解：設計規範 + SKILL.md 範本
MCP 深解：三原語 + 安全設計
Plugin / Connector 打包層
三平台能力對照矩陣
Claude（Desktop / Cowork / Code）深解
OpenAI Codex 深解
Google Antigravity 深解
進階設計模式
安全與治理
常見反模式與校正
決策樹：我該用哪一層？
導入路線：0–12 週行動計畫

// 01

五層架構一眼看懂

Skill 與 MCP 不是同一層能力。最有效的設計模式是分層組合：每層解決不同問題，不互相越界。

📋

Skill
知識層

封裝流程、判斷標準、範例、評測——讓 Agent「知道怎麼做」

🔗

MCP
工具層

標準化工具 / 資料連接協定——讓 Agent「能連到外部系統並執行」

📦

Plugin / Connector
打包層

Skill + MCP + Hook 的打包與分發——讓團隊可安裝、版本化、治理

🔒

Hook / Security
治理層

自動守門、權限控制、Prompt Injection 防護——安全邊界

🤖

Subagent
角色層

角色隔離與並行執行——讓測試、資安、文件可同時運行

Skill
知識層 — 流程 · 規則 · 範例 · 評測SKILL.md + scripts + references。Progressive Disclosure：只在需要時加載
MCP
工具層 — Tools · Resources · Promptsclient-server 即時通訊協定。stdio（本地）/ HTTP（遠端）雙傳輸
Plugin
打包層 — Skill + MCP + Hook 的 Namespaced Bundle版本化 · 可安裝 · 可分發至 Marketplace · 組織治理
Hook
治理層 — 自動守門 · 權限控制 · Audit高風險操作審批 · 阻擋危險動作 · Tool Call 記錄
Subagent
角色層 — 並行執行 · 角色隔離 · 專職化測試 Agent / 資安 Agent / 研究 Agent 各司其職

Anthropic Docs OpenAI Developers Google Antigravity Docs modelcontextprotocol.io

// 02

核心概念邊界釐清

四個最容易混淆的概念——一張表確認邊界，不再錯用。

概念	核心定位	解決問題	工程本質
Skill	可重用工作流程與專業知識	讓 Agent「知道怎麼做」	Markdown 指令 + 範例 + 腳本 + 參考資料（SKILL.md）
MCP	標準化工具 / 資料連接協定	讓 Agent「能連到外部系統並執行」	Host + Client + Server 三角 + Tools / Resources / Prompts 原語
Plugin	打包 Skill + MCP + Hook 的發布單位	讓團隊可安裝、版本化、治理	Namespaced bundle，含版本、manifest、marketplace 支援
Connector	MCP Server 的產品化包裝	讓使用者以較低設定成本接入 SaaS	常為 Claude.ai / Cowork 預建的 Remote MCP 整合

🎯

判斷原則（Gemini 報告）：MCP 屬於傳輸與介面層（協定層）——定義模型與外部世界通訊的開放標準；Skill 屬於業務與行為層（邏輯層）——封裝特定領域的專家行為，內部通常會使用多個 MCP Tools。Plugin 是兩者的打包容器。

使用時機判斷矩陣（GPT 報告）

需求情境	應使用	原因
每次都要貼同一段審查流程	Skill	流程可重用，不一定需要外部系統
要讀 GitHub issue、建立 PR、查 Linear	MCP / Connector	涉及外部服務資料與動作
要把 PR Review 流程與 GitHub 工具一起分享給團隊	Plugin	需打包 Skill + MCP 設定
要讓 Claude Cowork 使用 Gmail / Slack / Drive	Connector / Plugin	面向使用者的整合入口
要限制危險工具呼叫	Permission / Hook	治理層，不應只靠自然語言
要讓測試、資安、文件生成並行	Subagent + Skill	角色隔離與背景任務
要讓同一流程跨多專案安裝	Plugin Marketplace	需要版本、命名空間、治理與更新

// 03

Skill 深解：設計規範 + SKILL.md 範本

Skill 採「Progressive Disclosure」架構：metadata 在 context window 只佔 ~100 token，完整細節只在任務真正需要時才加載，避免 context 爆炸。

📋

Skill 核心機制與規範

PROGRESSIVE DISCLOSURE · SKILL.MD

本質

模組化能力擴展包：指令（SKILL.md）+ 選用資源（腳本、模板、references）。Claude / Codex / Antigravity 三平台均採 SKILL.md 規格

載入機制

Progressive Disclosure：Agent 先讀名稱與描述決定是否使用，才完整載入 SKILL.md。Claude Code 官方：Skill 內容只在使用時載入，比把長流程塞進 CLAUDE.md 更節省 context

觸發方式

隱式觸發：agent 根據 description 自動選擇 skill（依 task context 語意匹配）
顯式觸發：使用者直接以 /skill-name 呼叫

適合放什麼

工作流程（PR Review / Release checklist / Incident postmortem）/ 領域規則（API 規範 / 設計系統）/ Few-shot 範例 / 測試腳本 / Runbook

不適合放

API key、密碼、內部憑證（安全風險）/ 超長領域知識文件（應放 references，需要時讀）/ 需要即時外部資料的邏輯（應用 MCP）

📝

SKILL.md 標準範本

PR REVIEW · CROSS-PLATFORM

---
name: pr-review
description: Review pull requests for correctness, regressions, security
  risks, missing tests, and maintainability. Use when asked to
  review a PR, diff, branch, or code change.
  Do NOT trigger for general code writing tasks.
---

# PR Review Skill

## Goal
Identify high-impact issues before merge.

## Required Inputs
- PR diff
- Related issue or acceptance criteria
- Test result or CI status

## Workflow
1. Read requirement and acceptance criteria.
2. Inspect changed files and adjacent code.
3. Check correctness, regression, security, performance, tests.
4. Classify findings: P0 (data loss/security/build break) /
   P1 (correctness bug / regression) / P2 (maintainability)
5. For each P0/P1: location + failure mode + minimal fix + test

## Output Format
Summary → Findings → Required Fixes → Suggested Tests → Risks

Skill 命名規範（Anthropic 官方）

欄位	規範
name	最多 64 字元 · 只能小寫字母 / 數字 / 連字符 · 不可含 XML tags · 不可用保留字（anthropic / claude）
description	最多 1024 字元 · 不可為空 · 不可含 XML tags · 必須明確說明何時使用與何時不使用
SKILL.md 長度	建議控制在 ~500 tokens 以內（維持 Progressive Disclosure 效率）；長文件放 references/ 子目錄

✅

Skill 品質標準

DESIGN CRITERIA

標準	說明
Trigger 清楚	description 必須明確說明何時使用與何時不使用（隱式匹配依賴描述精確度）
單一能力	一個 Skill 只負責一個穩定工作流；觸發超過 3 次以上才值得封裝成 Skill
可驗證	有完成標準、測試方式或評測清單（golden tasks）
可組合	可與 MCP、subagent、hook 搭配；若 Skill 依賴 MCP，應在 plugin / config 層明確宣告
可版本化	重大流程變更應更新版本與 changelog
安全	不放 API key、密碼、內部憑證；只從可信來源安裝；稽核所有腳本與外部依賴
不濫用 Context	長文件放 references/，需要時再讀；不把所有規則塞進一份 SKILL.md

Skill 目錄結構

my-skill/
  SKILL.md          ← 核心指令（<500 tokens）
  references/       ← 長文件（需要時才讀）
    api-guideline.md
    test-policy.md
  scripts/          ← 執行腳本
    validate.py
  assets/           ← 模板
    template.md
  agents/           ← Codex 依賴宣告
    openai.yaml       ← 宣告 MCP 依賴

// 04

MCP 深解：三原語 + 安全設計

MCP（Model Context Protocol）是開放協定，讓 LLM 應用與外部資料源、工具整合。2024/11 Anthropic 發布後已由 Agentic AI Foundation（Linux Foundation）治理，月下載量超過 1 億次（2026/03）。

🔗

MCP 三大 Primitive（原語）

TOOLS · RESOURCES · PROMPTS · TRANSPORT

Tools（行動）

具型別定義（JSON Schema）且具副作用的函式呼叫。讓 Claude 執行操作：建立 issue、發送訊息、操作資料庫。風險最高，需最小權限 + 使用者同意

Resources（資料）

讓 server 暴露唯讀資料：files、DB records、API responses、設計稿、Log。風險相對低，但仍需資料範圍限制

Prompts（範本）

預建的 workflow 模板，可重用的 prompt pattern。服務端提供標準查詢範本與任務模板

Transport

stdio：本地子進程，低延遲，適合 Claude Code / Codex CLI 本機工具
HTTP / SSE：遠端 server，適合 SaaS Connector / Enterprise MCP / VPN 後方內部服務

MCP Tool Schema 設計七原則（GPT 報告）

原則	說明
最小權限	每個 tool 只暴露必要能力；read-only 與 write 分成不同 MCP server 或 permission profile
明確命名	`create_linear_issue` 優於 `do_action`；語意邊界唯一（防 Tool Selection 混淆）
嚴格參數	使用 enum、required、格式限制；無效狀態不可表示
可預覽	高風險 tool 先提供 dry-run 或 preview，再執行實際操作
可撤銷	寫入動作應支援 rollback 或 idempotency
可審計	每次 tool call 記錄 actor / input / output / timestamp
不信任描述	Host 不應盲信 MCP server 的 tool annotation（Prompt Injection 防護）；除非來自可信 server

⚠️

MCP Server 風險分類

RISK LEVELS · SECURITY TIERS

類型	範例	風險等級	最低控制要求
Read-only context server	文件、知識庫、設計稿、Log 查詢	中	資料範圍限制、資料分類
Action server	GitHub、Linear、Slack、Gmail、部署工具	高	Approval + Audit + Preview
Local system server	檔案系統、Shell、瀏覽器、自動化工具	高	Sandbox + 最小 OS 權限 + 目錄限制
Internal platform server	客服、CRM、付款、帳務、資料庫	極高	OAuth + 審批流程 + 完整 Audit Log

⚠️

MCP 官方規格警告：MCP 可提供任意資料存取與程式碼執行路徑，必須取得使用者明確同意並謹慎處理安全與資料隱私。Host 不應在未取得使用者同意下向 server 暴露使用者資料。工具描述除非來自可信 server，否則應視為不可信。

// 05

Plugin / Connector 打包層

Plugin 是 Skill + MCP + Hook 的 Namespaced Bundle，適合需要跨團隊共享、版本化管理、Marketplace 分發時使用。

📦

何時從 Skill 升級為 Plugin？

DECISION · PACKAGING CRITERIA

條件	原因
多人共用同一套流程	避免每人手動配置；統一版本與行為
需要版本與更新	可控發布；changelog 追蹤變更
需要綁定 MCP server	降低安裝錯誤；讓 Skill 的 MCP 依賴明確化
需要 hooks / permissions	統一治理；不靠自然語言控制危險操作
需要 Marketplace 分發	便於組織採用；支援版本 pinning 與審核

Engineering Review Plugin 組成範例（GPT 報告 §12）

engineering-review-plugin/
  .plugin-manifest
  skills/
    pr-review/SKILL.md
    architecture-review/SKILL.md
    security-review/SKILL.md
  mcp/
    github     ← read-only + write 分開
    linear
    sentry
  agents/
    test-runner.md
    security-reviewer.md
  hooks/
    block-secret-read
    require-test-summary

// 06

三平台能力對照矩陣

整合 Claude 報告能力矩陣 + GPT / Gemini 補充，含 2026 年最新狀態。

能力 / 特性	🖥 Claude（Desktop / Cowork / Code）	💻 OpenAI Codex	⚡ Google Antigravity 2.0
Agent Skills	✓ Pro+ · SKILL.md · plugin dir Anthropic 17+ 開源 Skills	✓ SKILL.md · Codex CLI / IDE 隱式 + 顯式觸發	✓ SKILL.md · Antigravity Skills only 非跨工具標準
MCP Connectors	✓ Remote MCP（Pro / Max / Team / Enterprise） Asana / GitHub / Linear / Stripe / Zapier 等	✓ stdio + Streamable HTTP Bearer token + OAuth 支援	✗ 截至 2026 中期完全不支援最大缺口，工作流依賴外部整合時 Claude Code 仍首選
MCP Server 本機	✓ Claude Code：stdio 本機	✓ stdio + 可作為 MCP Server 被消費	✗ 無
Plugin 系統	✓ Cowork Plugin（role / team / company） Claude Code Plugin（skills + agents + hooks + MCP）	✓ Codex Plugin（skills + MCP + app integration） Marketplace JSON catalog	✓ Antigravity Plugin（skills + rules + MCP + hooks） Bundles（Firebase / Android / Web）
Hooks / 治理	✓ Claude Code hooks.json 組織 Owner 統一管理	✓ Codex hooks + approval settings	✓ Antigravity hooks + subagent 沙箱
Subagent / Parallel	△ Claude Code：sequential Cowork：Sub-agents 支援	✓ Subagent 角色隔離 Test / Security / Research / Release Agent	✓ Agent Teams：多 subagent 平行運行於獨立 sandbox 最佳並行執行能力
Claude 模型	✓ 原生	✗ 使用 GPT-5 系列	✓ model selector：Claude Sonnet / Opus 4.6 費用透過 Google 計費
MCP Apps UI	✓ SEP-1865：sandboxed iframe 互動 UI	✗	✗
Prompt Caching	✓ Skill System Prompt 前置快取 cache_control 標記	✓ 自動快取（≥1024 tokens）	△ Antigravity 動態快取布局優化 Skill 靜態 Prompt 置頂
跨工具 Skill 標準	✓ SKILL.md 開放標準（Claude / Codex / Antigravity / Cursor / GitHub Copilot）	✓ 同上	△ 部分相容 SKILL.md 標準

// 07

Claude（Desktop / Cowork / Code）深解

🖥

Claude 三入口定位

DESKTOP · COWORK · CODE

入口	主要用途	擴充機制
Claude Desktop / App	一般對話、文件、技術諮詢	Skills（Pro+）+ Connectors（Remote MCP）
Claude Cowork	企業協作、角色型工作流、長流程任務	Plugin（role / team / company）+ Sub-agents + Connectors
Claude Code	程式碼代理、repo 操作、CI/CD 整合	Plugin（skills + agents + hooks + MCP）+ 本機 MCP

Claude Code 目錄結構建議（GPT 報告 §9.3）

repo/
  CLAUDE.md              ← project-wide 規則
  .claude/
    skills/
      review/SKILL.md
      test/SKILL.md
    agents/
      security.md
      test-runner.md
    hooks/
      hooks.json         ← 阻擋危險操作
    settings.json          ← permissions allow/deny
  .mcp.json              ← MCP server 設定

💡

Claude Code 官方建議：個人或單 repo 快速實驗用 .claude/ standalone configuration；需要跨團隊共享、版本化或 marketplace 分發時才轉成 Plugin。Skills 安裝後自動發現，Claude 可依任務 context 自動呼叫。

Claude Cowork Plugin — 企業角色包範例（GPT 報告 §9.2）

Plugin	Skills	Connectors
Product Ops	PRD review、roadmap synthesis	Google Drive、Slack、Linear
Engineering Lead	sprint review、incident analysis	GitHub、Sentry、Jira
Sales Ops	account brief、proposal drafting	Salesforce、Gmail、Docs
Legal Ops	contract review checklist	DocuSign、Drive
Data Analyst	metric investigation	Sheets、warehouse connector

// 08

OpenAI Codex 深解

💻

Codex Extension 模型

AGENTS.MD · SKILL · PLUGIN · MCP

架構層次

AGENTS.md → Skill → Plugin → MCP → Subagent → Automation（由基礎到高階）

MCP 支援

STDIO servers + Streamable HTTP servers；支援 Bearer token + OAuth；設定放 ~/.codex/config.toml（全域）或 .codex/config.toml（trusted project）

進階特性

Codex 可作為 MCP Server（codex --mcp-server）被其他 Agent（如 Claude）消費——Multi-agent 協作的關鍵設計；支援 Parallel tool calls

Skill 依賴宣告

若 Skill 依賴 MCP，在 agents/openai.yaml 中宣告依賴，讓 Codex 自動安裝與 wiring（不要只在 SKILL.md 自然語言中說明）

# ~/.codex/config.toml — MCP Server 設定
[mcpServers.github]
command = "npx"
args = ["-y", "@modelcontextprotocol/server-github"]
[mcpServers.github.env]
GITHUB_TOKEN = "${GITHUB_TOKEN}"

[mcpServers.internal-db]
url = "https://internal.corp/mcp"  # Streamable HTTP
[mcpServers.internal-db.env]
AUTH_TOKEN = "${DB_TOKEN}"

# Codex 作為 MCP Server（被 Claude 消費）
codex --mcp-server

// 09

Google Antigravity 2.0 深解

⚡

Antigravity Extension 生態

AGENT TEAMS · BUNDLES · MCP GAP

核心特性

Agent Teams：多個專職 subagent 平行運行於各自 sandbox，是目前三平台中並行能力最強的選項

Extension 元件

Skills / MCP servers（但 MCP 有缺口）/ Plugins / Rules / Workflows / Hooks / Subagents 七大元件

MCP 缺口

最大缺口：截至 2026 年中期完全不支援 MCP。若工作流依賴外部整合（Figma / Linear / 資料庫），Claude Code 仍是首選

Claude 整合

Model selector 可選 Claude Sonnet 4.6 / Opus 4.6；費用透過 Google 計費（對已訂 Google AI Pro 的開發者有成本優勢）

動態 Skill 路由

Skill Registry + Semantic Search：執行期環境先語意比對最相符 Skill，再動態注入 Context Window 頂部，最大化節省 token 消耗（Gemini 報告 §2.2）

Antigravity 目錄結構建議（GPT 報告 §9.1）

repo/
  .agents/
    rules/
      engineering.md
      security.md
    workflows/
      release.md      ← Markdown 定義可重複流程
      incident.md
    skills/
      pr-review/
        SKILL.md
      test-repair/
        SKILL.md
    plugins/
      engineering-toolkit/
        plugin.json
        skills/
        hooks/

💡

Antigravity 最適場景：Google 技術棧（Firebase / Android / Web / Science）+ 多 Agent 並行（主 Agent 計畫，Subagents 分別負責測試、文件、研究）+ 瀏覽器 / 研究自動化。MCP 缺口補法：在需要外部整合時，透過 model selector 切換到 Claude Code 處理。

// 10

進階設計模式

🔄

最小可行架構：Skill + MCP

MVA · WORKFLOW SKILL + MCP TOOLS

User Request

→

Agent

→

Skill 判斷流程 / 規則

→

MCP 提供資料 / 工具

→

依 Skill 規則整合

→

Final Answer / Action

PR Review Agent 範例設計

元件	設計	說明
Skill	`code-review/SKILL.md`	審查順序、缺陷分級（P0/P1/P2）、輸出格式
MCP (read)	GitHub MCP	讀 PR diff / comments / CI status
MCP (read)	Linear / Jira MCP	讀需求與 ticket 驗收條件
MCP (read)	Sentry / Datadog MCP	查線上錯誤與指標
Hook	block-secret-read	阻擋讀取 .env / 金鑰
Plugin	engineering-review	打包為團隊可安裝套件

📊

Read-only vs Write 分離設計

LEAST PRIVILEGE · RISK ISOLATION

🎯

原則：讀取與寫入分成不同 MCP server 或不同 permission profile。優點：降低誤操作風險，方便以環境、角色、審批級別分權。

# 分離設計範例
jira-read MCP
  → search_issues
  → read_issue_details

jira-write MCP     ← 需要額外 approval
  → create_issue
  → update_status
  → assign_owner

🤖

Subagent 角色隔離模式

PARALLEL EXECUTION · ROLE ISOLATION

Subagent	工具	用途
Test Agent	Shell + CI MCP	執行測試、修復失敗案例
Security Agent	SAST + Dependency MCP	資安掃描與風險分級
Research Agent	Web / Docs MCP	查官方文件與規格
Release Agent	GitHub + CI/CD + Slack MCP	發布檢查與通知
Data Agent	SQL read-only MCP	查詢資料與生成洞察

🏢

企業級 Plugin 化治理架構

ORGANIZATION · MARKETPLACE · VERSION

Organization Marketplace

Owner 佈建 Approved Plugin 給組織；支援 private GitHub repo 同步或 ZIP 上傳

Plugin = Skills + MCP + Connectors + Subagents + Hooks + Permissions

版本化 + Namespace + Changelog；Codex 支援 repo-scoped 或 personal marketplace

User / Team Installs

安裝後仍受 approval settings 約束；外部服務受各自認證、隱私政策約束

Audit / Review / Version Update

Tool call + User approval + Server response 完整記錄；Plugin 版本更新走 review 流程

💾

Prompt Caching 最佳布局

CACHE HIT RATE · COST OPTIMIZATION

布局原則

Skill 靜態 System Prompt + 封裝的 MCP Tools Schema 固定置頂；動態變更的 tool_result 與 User Message 強制置底

目標指標

高頻對話時 Cache Hit Rate 目標 80% 以上（Gemini 報告）；Anthropic 快取讀取 ×0.10（節省 90%）

Anthropic 設定

需手動標記 cache_control 指定快取範圍

OpenAI 設定

自動快取（≥1024 tokens），讀取 ×0.50；Codex 推論時自動利用

// 11

安全與治理

🔒

必要風險控管矩陣

PROMPT INJECTION · DATA EXFIL · SUPPLY CHAIN

風險	控制措施
Prompt Injection	MCP 回傳內容視為不可信；Skill 中明確要求驗證來源；Host 不應盲信 tool annotation
Tool Misuse	高風險工具加 approval / preview / dry-run；寫入動作支援 rollback / idempotency
Data Exfiltration	Connector / MCP server 限定資料範圍；資料分類（PII / 機密 / 公開）
Secret Leakage	禁止 Skill / Plugin / MCP config 內嵌 secrets；設定 permissions deny（.env / secrets/**）
Supply-chain Risk	Plugin marketplace 審核；版本 pinning；只允許 curated source；稽核腳本與外部依賴
Over-permission	read-only 與 write 分離；MCP server 採最小 OS 權限 + 目錄限制（尤其 local system server）
Tool Overlap	避免同一 Agent 掛載過多功能相近的 MCP Tools；工具描述維持唯一語意邊界
Audit Gap	記錄 tool call / user approval / server response / timestamp；Context Pollution 用 on-demand Skill 防範

組織治理建議

層級	建議
個人	可安裝 personal skill，但不得含 secrets 與公司敏感資料
Team	共用 team plugin，經 code review；Skill 版本化
Organization	Owner 佈建 approved skills / plugins；關閉 org-wide sharing 若需審查流程
Marketplace	只允許 curated source；版本 pinning + changelog
MCP	每個 server 有 owner / 資料分類 / 權限模型 / audit log

// 12

常見反模式與校正

反模式	問題	正確修正
把所有規則塞進超長 Prompt	Context 污染、難維護、每次全量載入	拆成 Skill / Rules / Workflow，按需載入
MCP server 同時有讀寫高權限	誤操作風險高，審批粒度粗	read / write 分成不同 server 或 permission profile
Skill description 太泛	觸發不穩或誤觸發；影響 Progressive Disclosure 效率	明確寫觸發時機與不觸發時機；建立 golden tasks 測試
Plugin 未版本化	團隊結果不一致；無法回滾	semantic version + changelog；Marketplace 版本 pinning
Skill 依賴 MCP 只靠自然語言說明	安裝 / wiring 錯誤；依賴不透明	在 plugin 或 config 層明確宣告 MCP 依賴
Connector 不做資料分類	敏感資料外洩風險	設定資料範圍限制 + PII 分類 + audit log
Tool result 直接信任	Prompt Injection 攻擊入口	對外部 MCP 回傳內容做不可信處理；驗證來源
Local MCP 無沙箱限制	Shell 工具可能被 Prompt Injection 觸發 rm -rf	Docker 容器化 + 目錄限制 + 最小 OS 權限
沒有評測（golden tasks）	不知道 Skill 是否真的改善工作效率	5–10 個 golden tasks + 任務成功率指標

// 13

決策樹：我該用哪一層？

🌿 根據需求情境選擇正確的擴充層

重複使用同一段工作流程 / 審查規則

→

建立 Skill（SKILL.md）

需要讀外部系統資料（GitHub / Jira / 文件庫）

→

接 read-only MCP server

需要執行外部系統操作（建立 PR / 發 Slack）

→

接 action MCP，加 approval + dry-run

要讓 Skill 和 GitHub MCP 一起分享給團隊

→

打包成 Plugin（版本化 + manifest）

要讓 Claude Cowork 連 Gmail / Slack / Drive

→

使用 Connector（預建 Remote MCP）

要阻擋危險操作（rm -rf / 讀 .env）

→

設定 Hook + permissions deny list

要讓測試、資安、文件並行執行

→

Subagent + 各自 Skill + 對應 MCP

需要外部整合 + 最強並行能力

→

Claude Code（MCP 最完整）+ Agent Teams（Antigravity，但無 MCP）

工作流依賴 Figma / Linear / 資料庫

→

Claude Code（Antigravity 截至 2026 中期無 MCP）

想讓 Codex 被 Claude 消費（multi-agent）

→

codex --mcp-server（Codex 作為 MCP Server）

System Prompt 重複傳入成本高

→

Prompt Caching：靜態 Skill Prompt 置頂 + cache_control

// 14

導入路線：0–12 週行動計畫

最小可行導入策略：一個 PR Review Skill + 一個 GitHub read-only MCP + 一個安全 Hook + 五個 golden tasks。比一次導入大型 agent 平台更可控，也更容易量測成效。

// 0–2 週：建立最小標準

定義 repo AI 規範：AGENTS.md / CLAUDE.md
建立 1 個核心 Skill（pr-review/SKILL.md）
接 1 個 read-only MCP（GitHub / docs / Linear）
設定 permissions deny（.env / secrets / rm）
建立 5–10 個 golden tasks 作為評測基準

// 3–6 週：擴充成工作流

加入 release / incident / test-repair Skills
將 MCP 分成 read / write 分離設計
加入 hooks（阻擋危險操作）
加入 subagents（測試 / 資安 / 文件並行）
打包初版 Plugin（團隊可安裝）

// 7–12 週：組織化治理

Plugin marketplace（team curated catalog）
建立 Plugin / Skill review checklist
完整 audit log（tool call + approval + response）
評測量化：任務成功率 / 工具誤用率 / 節省時間
版本化 + rollout + 團隊訓練

🎯

GPT 報告最終建議：先建立 AGENTS.md / CLAUDE.md 定義基本規則 → 將重複流程抽成 Skill → 只在需要外部系統時接 MCP 且先採 read-only → Skill 依賴 MCP 寫進 plugin / config 不只靠自然語言 → 團隊共用包成 Plugin 並納入版本 / 審查 / 權限 / audit → 高風險場景用 hooks + approval + read/write 分離 + human-in-the-loop。

Anthropic Claude Code Docs · Claude Help Center · Skills Beta OpenAI Codex Skills / Plugins / MCP · AGENTS.md Google Antigravity 2.0 Docs · Agent Teams MCP Specification 2025-11-25 · Agentic AI Foundation

AI Agent 擴充機制完全指南