MCP+Skill实战：企业监管风险自动预警闭环搭建指南

在合规监管日益复杂的今天，企业每天都要面对海量的政务公告、行政处罚案例和地方法规更新。看得见政策，不等于知道该怎么做。本文基于八爪云团队分享的一个 Agent Skill 实战案例，拆解如何用 MCP（Model Context Protocol）打通"数据采集—专业判断—证据留痕—交付触达"的完整闭环，让 AI Agent 真正成为企业的监管风险哨兵。

MCP 与 Agent Skill：理解两个核心概念

在展开案例之前，有必要先厘清两个关键概念。

MCP（Model Context Protocol） 是由 Anthropic 于 2024 年底开源发布的一项协议标准，旨在为大语言模型提供统一的外部工具和数据源接入方式。在 MCP 出现之前，每个 AI Agent 要调用外部服务（如数据库查询、网页采集、API 调用）都需要定制化的适配层，导致开发成本高、复用性差。MCP 的核心思路是定义一套标准化的"服务器-客户端"通信协议，让 Agent 可以通过统一接口发现、调用和管理各种外部能力。

从技术架构角度看，MCP 的出现解决了 AI Agent 领域长期存在的"N×M 集成问题"。在 MCP 之前，如果有 N 个 AI 应用和 M 个外部工具，理论上需要 N×M 个定制适配器。MCP 将这一问题简化为 N+M——每个 AI 应用只需实现一个 MCP 客户端，每个工具只需实现一个 MCP 服务器。该协议基于 JSON-RPC 2.0 通信格式，支持 stdio（本地进程间通信）和 HTTP+SSE（远程服务调用）两种传输方式。截至 2025 年初，已有数百个开源 MCP 服务器覆盖了数据库查询、文件系统操作、网页浏览、API 调用等常见场景，形成了快速扩展的工具生态。

在本文案例中，MCP 充当了 AI Agent 与八爪鱼采集平台之间的桥梁——Agent 无需了解爬虫的具体实现细节，只需通过 MCP 接口启动任务、查询状态和导出数据，从而实现了数据获取能力的标准化封装与复用。

Agent Skill 是指将一个完整的业务能力封装为可被 AI Agent 调用的标准化模块。与简单的 Prompt 模板不同，Skill 包含了输入规范（需要哪些参数）、处理逻辑（按什么步骤执行）、质量标准（输出必须满足什么条件）和交付方式（结果如何送达用户）四个维度的约束。这个概念借鉴了软件工程中"微服务"的思想——每个 Skill 是一个独立的、可组合的能力单元，不同的 Agent 可以根据场景调用不同的 Skill 组合。

Agent Skill 的概念代表了 AI 应用从"Prompt 工程"向"能力工程"的演进。早期的 AI Agent 主要依赖精心设计的提示词来引导模型行为，但这种方式面临版本管理困难、行为一致性差、质量难以保证等问题。Skill 通过将业务能力封装为具有明确接口契约的模块，引入了软件工程中经过验证的最佳实践：接口与实现分离、契约优先设计、可测试性和可观测性。这使得 AI Agent 的行为从"概率性的文本生成"转变为"确定性框架内的智能判断"。

在本案例中，监管风险分析被封装为一个 Skill，意味着无论是哪个 Agent、在什么平台上运行，只要传入正确的参数，就能获得一致标准的风险报告输出。

监管信息为什么难以变成企业判断

企业运营中难免遇到违规风险，合规与法务团队需要持续在各类监管管理局、政务信息平台上翻查处罚列表与政策公告。问题在于，这类信息数量庞大、更新频繁，人工整理极其困难。

中国的监管体系具有多层级（中央-省-市-区县）、多条线（银保监、证监、央行、市场监管等）、高频次的特点。以金融行业为例，仅银保监系统每年发布的规范性文件就超过数百份，加上各地银保监局的地方性规定，企业需要持续追踪的监管来源可能多达数十个。传统的合规信息管理通常依赖外部律所的定期简报或内部合规团队的人工巡查，响应周期往往以周为单位，且高度依赖个人经验和记忆力。

案例中提到的真实痛点可以归纳为三个层面：

• 看见政策 ≠ 知道该怎么做。监管信息数量增加，并不会自动提升风险管理质量。真正困难的是判断一份文件是否适用于具体企业——地区是否覆盖、主体类型是否匹配、牌照与产品是否命中、文件是否已经生效。
• 风险提炼难。企业关心的不是政策条文有多长，而是它触发了哪些禁止性要求、报送义务、整改要求或消费者保护义务，以及不处理会带来什么后果。
• 落地难。没有责任人、期限、交付物和复核条件的报告，很容易沦为一次性阅读材料。

这三个难点，正是这个 Skill 试图解决的核心。它不只回答"发生了什么"，而是继续回答三个关键问题：风险点是什么、为什么与本企业有关、下一步应该怎么做。

企业画像：让适用性判断从隐性变为显性

在传统合规工作中，律师或合规人员在阅读监管文件时，会在脑中将企业特征与法规适用条件进行比对——这是一个高度依赖经验的隐性判断过程。本案例的关键创新在于引入结构化的"企业画像"（Enterprise Profile），将这一隐性判断显性化、参数化。

企业画像通常包括经营地区、持有牌照类型、主营产品与服务、客户群体（个人/机构）、销售渠道（线上/线下）、数据处理范围、技术外包情况等维度。当这些特征被结构化地传入系统后，AI 能够逐条比对监管文件的适用范围，从而将"这条法规是否与我有关"这一核心问题转化为可计算的逻辑判断，而非依赖模型的"直觉"。

这种设计借鉴了监管科技（RegTech）领域的"规则引擎"思路。在传统的规则引擎中，法规的适用条件被拆解为一组布尔表达式（如：主体类型=银行 AND 经营地区包含北京 AND 业务范围包含个人理财），然后与企业属性逐条匹配。本案例的创新在于将这一思路与大语言模型的语义理解能力结合——对于能精确匹配的字段（如牌照类型、经营地区）使用规则判断，对于需要语义理解的内容（如法规中对"主体"的非标准化描述）则交由模型处理，形成"规则+语义"的混合判断模式。

高质量监管风险报告的三层结构

演示中，两个监管网站共采集了 108 条信息，最终报告标出了 3 项高风险、2 项待观察项，并附上每条风险的评估依据和原文摘录。报告的核心价值在于其三层递进结构：

第一层：风险点精准描述

风险点不是文件标题，也不是大段政策摘要，而是用一句话说清企业触发了什么义务、监管关注点或条件性风险。例如"面向个人客户的线上销售流程缺少新规要求的适当性确认节点"，而非泛泛的"销售流程消费者保护风险"。

第二层：适用性论证——为什么与本企业有关

这一层把命中的企业画像字段（经营地区、牌照、产品、客户类型、销售渠道、数据处理、技术外包等）与官方来源、发布时间、原文摘录和适用逻辑连接起来，让读者不必重新翻阅全文，就能理解这条风险为何与自己相关。

第三层：可执行的落地举措

建议不能停留在"持续关注""加强管理"这类空话。每条重要风险都尽可能给出负责人、截止时间、交付物和复核证据。例如"由合规牵头在 10 个工作日内完成产品适用性核查，交付一份差距清单，并由业务负责人确认"。

说个细节，报告将风险等级与判断置信度分开展示，不会因为模型语气强烈就直接列为高风险。这种分离在认识论上区分了两个不同维度：风险等级回答的是"如果这件事确实适用于我们，后果有多严重"（客观的影响评估），置信度回答的是"我们有多大把握认为这件事确实适用于我们"（主观的认知状态）。这类似于贝叶斯推理中"先验概率"与"证据强度"的区分。

在实际应用中，一条可能导致吊销许可的法规（高风险等级）如果只是征求意见稿且适用主体定义模糊（低置信度），其处理优先级和方式就应该与已生效且明确适用的同等级法规截然不同。大语言模型在生成文本时天然倾向于使用确定性的语气，即便其实际依据并不充分。如果不引入独立的置信度维度，模型的"自信语气"很容易被误读为"确定的高风险判断"。通过显式要求系统在证据不足时降低置信度标注，即便风险等级本身可能很高，也会被标记为"待核实"而非直接进入告警，从而有效对抗了 AI 幻觉问题对专业判断的侵蚀。

五个角色的职责分离架构

要让判断可信，关键在于明确边界。案例中把整个系统拆成五个角色，各司其职：

• LLM（大模型）：负责语义理解，处理字段不固定的中文文本。但它不能替代官方来源，不能凭语感自由打分。Skill 把大模型放在"规则门框"内部——先通过来源、效力、适用性等条件，再允许模型生成风险解释。
• Agent：负责过程，询问必要输入、启动任务、轮询状态。任何关键输入缺失都默认不能继续；采集失败、数据不可读时会返回明确的阻断状态，而非硬发报告。
• MCP + 采集任务：负责数据。客户无需让 Agent 临时编写爬虫，只需选择已封装好的采集任务或模板，由 MCP 负责启动、查询、导出。特别适合公告、法规、行政处罚这类不定期更新的网站。
• Skill：负责标准。它固化了四类标准——输入标准、证据标准、输出标准、发布标准，让不同 Agent 调用时无需重新发明流程，也不会因提示词变化而丢失专业边界。
• 企业人员：仍拥有确认与复核的权利。报告是决策支持，不构成法律意见。

这种职责分离至关重要：系统不会把一条行政处罚自动判定为企业违法，不会在企业画像缺失时假装适用性确定，也不会在证据门槛未通过时生成高风险结论。

核心机制：六道证据门槛详解

数据可信之后，系统不会立刻打分，而是先判断政策与企业是否匹配。这里的匹配不是关键词命中——文件提到"金融机构"，并不代表所有相关企业都适用，还要看主体定义、牌照、业务活动和生效时间。

关于行政处罚信息的使用边界需要特别说明：监管机构公布的处罚决定书通常包含违法事实认定、适用法律条款、处罚种类和幅度等信息。对企业而言，这些案例的价值主要有三：一是揭示监管机构当前的执法重点和关注方向；二是展示特定违规行为的实际后果（罚款金额、吊销许可等），帮助企业评估风险敞口；三是通过案例中的事实描述，反向推导自身是否存在类似业务实践。但正如本案例设计中强调的，行政处罚案例只能用来识别监管关注点和可能后果，不能反推企业已违法——因为每个处罚都有其特定的事实背景和调查过程。

只有适用性成立后，才进入风险点和措施提炼。而这一切的可靠性，建立在六道证据门槛之上：

1. 来源真实性：是否官方机构、链接能否打开、正文是否完整
2. 效力状态：现行、未来生效、已失效、征求意见还是一般通知
3. 适用性：匹配地区、主体等标准参数
4. 义务性质：禁止、必须、整改还是内控
5. 风险后果：许可经营、行政处罚等
6. 企业暴露：画像中是否真实存在触达该义务的业务活动

六道门槛的设计遵循了信息质量评估的经典 CRAAP 框架（Currency 时效性、Relevance 相关性、Authority 权威性、Accuracy 准确性、Purpose 目的性）的思路，但针对监管场景做了专业化适配。特别值得注意的是"效力状态"这一维度——中国法律体系中，一份文件可能处于"征求意见""审议通过但未生效""现行有效""已被修订""已废止"等多种状态，不同状态对应完全不同的应对策略。系统将这种法律专业判断结构化为可执行的分类逻辑，避免了常见的"把征求意见稿当作已生效法规来响应"的过度反应问题。

只有官方来源、正文完整、明确适用依据、企业画像命中字段同时具备时，信息才可能成为严重或高风险的来源。此外，"置信度"是另一条独立的轴——当关键正文、主体定义或企业事实不足时，即便命中也不能进入高风险，从而避免模型把不确定性包装成高风险。

端到端实操：八步闭环流程

演示中分别用 Warp（work body）和 Codex 两种链路进行了操作。整个使用流程的关键在于，用户只需提供四个核心参数：

1. 八爪鱼 MCP 的 API Key：告诉 Skill 采集哪个账户的任务
2. 企业画像：让 Skill 了解企业是什么样子，才能判断适用性
3. 采集任务：指定数据源
4. 送达渠道：飞书或邮箱

无论 Agent 怎么追问，用户只需围绕这四点提供信息即可。系统会引导用户完成飞书 CLI 或邮箱 SMTP 授权码的配置。

关于送达渠道的技术实现：飞书推送通过飞书开放平台的机器人 API 实现，需要获取目标用户的 openid（飞书平台的用户唯一标识），可在飞书开放平台的 API 调试台中通过用户手机号或邮箱查询获得。邮箱推送则基于 SMTP 协议，用户需要提供邮箱的授权码而非登录密码——这是因为主流邮箱服务商（如 QQ 邮箱、网易邮箱）为了安全性，要求第三方应用使用专门生成的应用专用密码来替代登录密码进行 SMTP 认证。这种设计使得系统既能实现自动化推送，又不需要用户暴露其邮箱主密码。

任务解析后，系统会记录运行 ID、并行启动、轮询、导出全量数据并生成本轮快照。报告只取当次快照——每次更换任务 ID 或任务名都会生成全新报告，避免历史数据重复造成冗余。对于字段不统一的采集结果（有的叫"正文"有的叫"内容"），Skill 会动态识别并保留原始字段，最终将每条信息归入四种结果之一：进入风险、进入观察、进入待核实、或判断不适用。

最终报告以单文件 HTML 形式生成，通过飞书或邮箱推送。选择单文件 HTML 作为报告格式具有工程上的考量：HTML 可以内嵌 CSS 样式和 JavaScript 交互逻辑（如折叠展开详情、风险等级筛选），同时作为单文件不依赖外部资源，确保在邮件客户端和飞书消息中均可正常渲染。这比 PDF 更灵活（支持交互），比 Markdown 更美观（支持复杂排版），比在线链接更可靠（不依赖网络可用性）。从审计角度看，单文件 HTML 也便于归档——每份报告就是一个自包含的证据快照，记录了特定时间点的数据状态和分析结论。

演示中系统成功识别出 2 条严重风险、若干高风险和待观察项，并连同风险点、推论和落地措施一并发送。该 Skill 还可封装成定时任务，比如每天早上自动执行采集并推送到固定邮箱。

用户价值与可扩展性

相比传统流程（收集链接→人工筛选阅读转述→产出长篇解读但执行责任与证据留痕不完整），Skill 方式先做适用性判断，再提炼风险点和举措，把证据指纹、送达回执放在同一闭环里。其价值可概括为三点：

• 更快：缩短了从数据到判断的路径
• 更准：围绕企业画像进行筛选，而非通用解读
• 更能执行：让风险、原因与行动同频

将场景封装成 Agent Skill 的意义在于：所有调用共用同一套输入契约、证据门槛和交付方式，可以被不同 Agent 反复复用，也可与不同采集任务组合。换监管来源、换地区、换行业标准都不必推倒重来——企业画像作为参数传入，只需替换采集任务和领域适用性规则。

当前切入点是金融监管公告、行政处罚和地方法规，后续可扩展到数据与网络安全、消费者保护、行业专项政策等方向。无论扩展到哪里，核心逻辑始终不变：动态数据获取更深、适用性判断更清、风险点提取更准、措施更能落地。

结语

这个案例的价值不在于炫技，而在于它展示了一种务实的 AI 落地范式——不让大模型"自由发挥"，而是用规则门框和职责分离把它约束在可信边界内。MCP 负责持续获取动态数据，Skill 负责让数据变成企业决策，最终把专业判断、证据留痕和交付放进同一个闭环。对于监管密集的行业而言，这或许比单纯的"AI 问答"更有生产价值。