用途：把外部 API 或服务封装为 MCP 服务器，让 LLM 能真正完成实际任务，而非仅覆盖接口。适用于决定工具粒度、命名与响应结构、选择传输与状态模型、诊断模型误用或无法串联工具的问题，以及构建能证明服务器可用的评测。不适用于消费已建好的 MCP 服务器、设计面向人类的 REST/GraphQL 契约、编写底层服务、通用 Web 加固或非 MCP 的智能体工具层。
主要能力：按研究、设计、实现、安全、评测五个阶段推进。研究阶段阅读目标 API 的真实语义（资源、动词、分页、鉴权、限流、错误形态），并决定覆盖策略；上游在不确定时建议优先全面覆盖 API，再为高频路径补充少量工作流工具。设计阶段强调一致前缀（如 github_create_issue）、动作导向命名、简洁描述、可过滤分页结果，以及可操作的错误信息（如“Repository not found. List available repositories with github_list_repos.”）。实现默认推荐 TypeScript + MCP SDK，已有 Python 服务或科学计算栈时用 Python + FastMCP。传输方面本地用 stdio，远程用 Streamable HTTP，上游偏好无状态 JSON。安全阶段要求对每个涉及私有数据的工具做鉴权授权、边界输入校验、不泄露内部信息的错误、HTTP 传输启用 DNS 重绑定防护，并如实标注破坏性工具。评测阶段要求 10 个独立、只读、复杂、真实、可字符串比对且长期稳定的问答，并自行验证答案。
使用方式：按阶段选择任务，先研究再设计，避免跳过导致产出大量无人可用的薄工具。上游提供评测脚本 scripts/evaluation.py 与 scripts/connections.py，可对真实模型运行评测。
限制：评测脚本需要 Anthropic API 密钥并按题消耗额度，且会驱动服务器连接实际数据，运行前需确认成本并指向非生产数据。该技能源自 anthropics/skills 提交 3b3fad96af16a10759d930941b4520ba0c40edae（2026-08-21），Apache-2.0 许可，以各技能自带许可证为准。