AGI 未来之门

主题

Agent 与 MCP ​

前两篇讲的是"和 AI 对话"。2025 年以来最重要的变化是：AI 开始替你操作真实的软件——读写文件、执行命令、发请求、订机票。这一篇讲清楚背后的两个关键词：Agent 和 MCP。

1. Agent：从"动嘴"到"动手" ​

Agent（智能体） 是指能自主调用工具、分多步完成任务的 AI 系统。它和普通聊天的区别在于一个循环：

text
接收目标 → 思考下一步 → 调用工具 → 观察结果 → 继续思考 → …… → 完成任务

举例：你让 Claude Code"修复这个报错的测试"。

  1. 它读测试文件（工具：读文件）；
  2. 运行测试看到报错（工具：执行命令）；
  3. 定位并修改源码（工具：写文件）；
  4. 再跑一次测试确认通过。

整个过程你可能只需要确认几次，其余它自己完成。模型提供"思考"，工具提供"手脚"——两者合起来才是 Agent。

1.1 工具调用是怎么实现的 ​

本质仍然是《大语言模型是什么》里讲的"预测下一个 token"，只是训练时模型学会了输出一种特殊格式，表示"我需要调用某个工具"：

json
{ "tool": "read_file", "arguments": { "path": "test/user.test.ts" } }

Agent 框架（Claude Code、Codex CLI、Cursor 等）解析这条指令，真正去执行，把结果塞回上下文，再让模型继续。所以工具调用的可靠性，依然受模型能力和上下文窗口限制——Agent 不是魔法，只是被赋予了手脚的模型。

2. MCP：工具的"USB 接口" ​

工具从哪来？早期每个 AI 应用都自己写一套工具集成，重复劳动且互不通用。MCP（Model Context Protocol，模型上下文协议） 由 Anthropic 在 2024 年底提出，目标是把这件事标准化。

一个类比：MCP 之于 AI 工具，就像 USB 之于外设。以前每个设备一个专用接口，现在统一插口——任何应用（Claude Code、Cursor、CC Switch……）都能连接任何 MCP 服务器提供的工具。2025 年 12 月起，Anthropic 已把 MCP 捐入 Linux 基金会旗下新成立的 Agentic AI Foundation，协议由中立基金会开放治理（截至 2026-09 核对）。

2.1 三个角色 ​

角色是什么例子
MCP 主机使用工具的 AI 应用Claude Code、Cursor
MCP 服务器提供工具的进程GitHub 服务器（提 PR、查 Issue）、文件系统服务器、数据库服务器
工具服务器暴露的具体能力create_pull_request、query_database

2.2 对你的实际意义 ​

  1. 能力即插即用：给客户端加一个 MCP 服务器的配置，它立刻多出一组技能（例如连接你的内部文档库）。
  2. 生态复用：别人写好的 MCP 服务器你可以直接用，不必为每个 AI 应用重复配置。
  3. 安全边界更清晰：哪些工具、访问哪些资源，可以按服务器粒度控制。

截至 2026 年 9 月，Claude Code、Codex、Cursor、Copilot、Gemini CLI、VS Code、ChatGPT 等主流客户端都已支持 MCP。在 Claude Code 里实际添加 MCP 服务器的操作步骤，见《Claude Code 进阶玩法》第 4 节；想按真实任务自己写一个，见《实战：把一个查询能力做成 MCP Server》。

3. Agent 时代的使用心法 ​

  1. 目标写得越清楚，Agent 走得越直。第三篇里讲的提示词方法在 Agent 场景同样适用，而且更关键——它要自主走很多步，起点偏一点，终点偏很多。
  2. 给检查点。大任务让它在关键节点停下来汇报（"先列出你打算改的文件，等我确认"），比事后回滚便宜得多。
  3. 验收仍然是你。Agent 会执行、会汇报"完成"，但正确性的最终判断在你。它跑通了测试，不代表产品逻辑对了。
  4. 工具越多不等于越好。挂太多无关工具会稀释模型的注意力，按需挂载。

4. 从使用者走向构建者 ​

如果你只想使用现成工具，接下来去《AI 编程工具怎么选》选定客户端，再用《第一个 AI 编程项目》走完交付闭环。

如果你要开发自己的 AI 产品，进入两个深入专题：

  • 《AI 应用开发》讲模型网关、结构化输出、RAG、可靠性和评测；
  • 《Agent 工程》讲运行时状态机、工具与 MCP、上下文记忆、轨迹评测和多 Agent 协作。

入门阶段记住“模型 + 工具 + 循环”即可；工程阶段要继续追问：状态存在哪里、动作由谁授权、失败如何恢复、结果如何独立验收。

5. Agent 的常见失败模式 ​

用得多了会遇到反复出现的失败模式，提前认识它们能省下大量排错时间：

失败模式典型表现第一个动作
目标太模糊，越走越偏改了一堆文件但不是你想要的停下重发目标：只改哪些文件 + 跑什么命令算通过，见《第一个 AI 编程项目》
上下文被塞满长会话后期开始"忘事"、重复劳动/compact 压缩或开新会话，把已确认的结论带过去，见《上下文管理实战》
权限开太大一路自动执行，改坏了没有回滚点改用"先出计划再动手"：让它先列要改的文件和命令，等你确认
工具挂太多模型选错工具、参数填错把本轮用不到的 MCP 服务器从 .mcp.json 里暂时移除或禁用，重启会话
谎报完成说"测试已通过"但实际没跑要求贴出命令的原始输出，并自己重跑一遍关键命令

一条通用原则：Agent 的可靠程度 = 模型能力 × 任务清晰度 × 权限设计的最小值。三者里任何一项是零，结果就是零。这也是《Agent 工程》专题反复出现的主题——把"希望它做对"变成"设计成不容易做错"。

6. 十分钟试练：亲眼看见一次工具调用 ​

读十遍不如看一遍。装好 Claude Code 后，用十分钟做下面这个小实验，你会亲眼看到"思考 → 调用工具 → 观察结果"的循环：

  1. 建一个实验目录，随手放三个内容、长短都不同的文本文件；
  2. 在该目录启动 Claude Code，输入：
text
统计当前目录下每个 .txt 文件的行数，用表格汇报。
先列出你打算执行的命令，等我确认再运行。

  1. 观察三件事：

    • 它先输出计划而不是直接动手——这是你加的检查点；
    • 确认后它调用执行命令的工具，界面上能看到具体命令和返回结果；
    • 汇报前它可能又读了一次文件核对——这就是"观察结果"环节。

  2. 最后做一个权限测试：让它"把这个目录里所有文件内容清空"。观察它是否先警告、要求确认，而不是直接执行——这就是第 5 节"权限开太大"一行里，闸门该起作用的样子（所以实验只用可丢弃的测试文件）。

验收：你能指出过程中哪几步是工具调用、哪几步是模型在思考；能说出这次会话它用了哪几种工具。

想看"即插即用"的第二层，按《Claude Code 进阶玩法》第 4 节加一个 MCP 服务器（文件系统或 GitHub 都行），重启会话后观察工具列表多出了什么。

先找工作，再找工具。

AGI 未来之门