过去三年间，大语言模型（LLM）的扩展技术经历了显著的技术路线调整。早期以ChatGPT Plugins和模型上下文协议（MCP）为代表的复杂扩展方案，由于模型本身的能力限制和实现复杂度，逐渐被更简洁高效的解决方案取代。行业实践表明，过度依赖精细化的API集成往往适得其反，反而促使开发者转向自定义指令和仓库级规则等轻量化方案。最新趋势以Claude Code的Agent Skills为典型代表，展现出向通用工具配合自然语言指令的范式转变。这一技术演进路径揭示了LLM扩展的核心矛盾：在保持模型通用性的同时实现专业化功能，需要平衡技术复杂度和实际效用。当前行业共识正朝着赋予智能体通用工具配合简单自然语言指引的方向发展，这既降低了开发门槛，又提高了功能调用的可靠性。