MCP to Skill Converter (Multi-transport)

将任何 MCP 服务器封装为 Claude Skill，支持多种传输协议（stdio/SSE/HTTP），使用渐进式加载模式节省上下文消耗。

Supported Transports

stdio (默认)

标准输入输出传输，大多数 MCP 服务器使用此协议。

配置示例：

{
  "name": "github",
  "transport": "stdio",
  "command": "npx",
  "args": ["@modelcontextprotocol/server-github"],
  "env": {"GITHUB_TOKEN": "your-token"}
}

SSE (Server-Sent Events)

通过 HTTP SSE 连接 MCP 服务器，适用于远程 MCP 服务。

配置示例：

{
  "name": "deepwiki",
  "transport": "sse",
  "endpoint": "https://mcp.deepwiki.com/sse",
  "env": {}
}

SSE 协议流程：

1. 连接到 SSE endpoint
2. 监听 endpoint 事件获取 postUrl
3. 发送 JSON-RPC 请求（initialize, tools/call）
4. 接收 SSE 响应消息

HTTP

HTTP 轮询传输协议（实验性）。

配置示例：

{
  "name": "http-mcp",
  "transport": "http",
  "endpoint": "https://api.example.com/mcp",
  "env": {}
}

Why This Exists

MCP 服务器在启动时会加载所有工具定义到上下文中。对于包含 10+ 工具的服务器，这会消耗 30-50k tokens。

本技能应用"渐进式披露"模式：

• 启动时：仅加载元数据 (~100 tokens)
• 使用时：加载完整指令 (~5k tokens)
• 执行时：0 tokens (外部运行)

Available Operations

convert

将 MCP 服务器配置转换为 Skill。

参数：

• mcp_config (object, required): MCP 服务器配置

``json { "name": "server-name", "transport": "stdio|sse|http", "command": "npx", // stdio only "args": ["@example/mcp-server"], // stdio only "endpoint": "https://...";, // sse/http only "env": {"API_KEY": "your-key"} } ``

• output_dir (string, optional): 输出目录，默认为 ~/.claude/skills/{name}
• install (boolean, optional): 是否自动安装到 Claude，默认 true

返回：

• 生成的技能路径
• 工具列表
• 上下文节省统计

validate

验证生成的技能是否可用。

参数：

• skill_path (string, required): 技能目录路径

返回：

• 验证结果
• 工具列表
• 传输协议类型

test

测试技能的工具调用。

参数：

• skill_path (string, required): 技能目录路径
• tool_name (string, optional): 要测试的工具名，默认 --list
• args (object, optional): 工具调用参数

Usage Pattern

Step 1: 创建 MCP 配置

# stdio 配置
cat > my-mcp.json << 'EOF'
{
  "name": "my-mcp",
  "transport": "stdio",
  "command": "npx",
  "args": ["@example/mcp-server"],
  "env": {"API_KEY": "your-key"}
}
EOF

# SSE 配置
cat > deepwiki.json << 'EOF'
{
  "name": "deepwiki",
  "transport": "sse",
  "endpoint": "https://mcp.deepwiki.com/sse"
}
EOF

Step 2: 转换为 Skill

bun ~/.pi/agent/skills/mcp-to-skill/lib.ts convert my-mcp.json

Step 3: 验证技能

bun ~/.pi/agent/skills/mcp-to-skill/lib.ts validate ~/.claude/skills/my-mcp

Step 4: 测试技能

bun ~/.pi/agent/skills/mcp-to-skill/lib.ts test ~/.claude/skills/my-mcp --list

Step 5: 查看状态和统计

cd ~/.claude/skills/my-mcp

# 查看状态
uv run executor.py --status

# 查看统计
uv run executor.py --stats

# 查看日志
uv run executor.py --logs 100

# 重置统计
uv run executor.py --reset-stats

Examples

Example 1: stdio 传输

cat > github-mcp.json << 'EOF'
{
  "name": "github",
  "transport": "stdio",
  "command": "npx",
  "args": ["-y", "@modelcontextprotocol/server-github"],
  "env": {"GITHUB_TOKEN": "ghp_your_token"}
}
EOF

bun ~/.pi/agent/skills/mcp-to-skill/lib.ts convert github-mcp.json

Example 2: SSE 传输

cat > deepwiki.json << 'EOF'
{
  "name": "deepwiki",
  "transport": "sse",
  "endpoint": "https://mcp.deepwiki.com/sse"
}
EOF

bun ~/.pi/agent/skills/mcp-to-skill/lib.ts convert deepwiki.json

Example 3: 混合配置

# 指定输出目录
bun ~/.pi/agent/skills/mcp-to-skill/lib.ts convert my-mcp.json --output=/custom/path

# 仅生成不安装
bun ~/.pi/agent/skills/mcp-to-skill/lib.ts convert my-mcp.json --no-install

Generated Skill Structure

转换后的技能包含以下文件：

~/.claude/skills/{name}/
├── SKILL.md              # 技能文档（包含传输协议说明）
├── executor.py           # Python 执行器（支持多协议）
├── pyproject.toml        # uv 项目配置
├── mcp-config.json       # MCP 服务器配置
└── package.json          # 元数据

Context Savings

对比 MCP 和 Skill 的上下文使用：

Requirements

• Python 3.10+
• uv (https://astral.sh/uv)
• Bun runtime

Error Handling

常见错误及解决方案：

Best Practices

1. 命名规范：使用 kebab-case，如 github-mcp
2. 环境变量：敏感信息通过 env 传递，不要硬编码
3. 传输协议：默认使用 stdio，远程服务使用 SSE
4. 测试验证：转换后立即验证和测试
5. 文档更新：根据实际工具更新 SKILL.md

Limitations

• 需要 MCP 服务器支持相应传输协议
• SSE 实现需要 httpx 依赖
• 每次工具调用都会重新连接 MCP 服务器

Related Skills

• deepwiki - DeepWiki MCP 客户端（使用 SSE）
• zai-mcp - 智谱 AI 多模态视觉分析（使用 stdio）
• tmux - 后台任务管理（用于长时间运行的 MCP 调用）

基于 mcp-to-skill-converter 项目开发，支持多传输协议