Agent智能体调用MCP SERVER实战

前记：笔者最近正在研究agent工作流编排相关内容，做企业内部的故障诊断及根因分析。当前是工作流硬编排的方式来实现Agent智能体。渐渐发现该硬编排的智能体不够“智能”，于是去详细调研了解了Agent和MCP的实现，了解了真正的智能体实现应该是让通过提示词自主地去编排工作流，调用工具，调用知识库，根据记忆，去规划决策，然后去行动，最终实现工作流得到我们想要的结果。

如下图：

01

—

AI智能体（AI Agent）介绍

注：本节内容引用code秘密花园老师的文章

AI智能体（AI Agent）是AI大模型与工具集的结合体，是一种能够自主行动、感知环境、做出决策并与环境交互的智能应用或实体。以下是对AI智能体的具体介绍：

a、核心组件：

LLM：大语言模型是AI智能体的“大脑”，负责协调决策制定。通过任务进行推理、制定行动计划，选择合适的工具，并管理对必要数据的访问权限，从而实现目标。

记忆模组：AI智能体依靠记忆来维护上下文，并根据正在进行的任务或历史任务进行调整，从而为智能体的决策和行动提供参考依据。

b、关键特性：

自主性：AI智能体能够在没有人类直接干预的情况下，根据预设的目标和规则，自主地分析环境信息，做出合理的决策，并采取相应的行动。例如，用于构建网站的AI智能体可以自主管理布局设计、HTML和CSS代码编写等任务，同时尽可能减少人工输入。

适应性：AI智能体可以根据环境的变化和任务的要求，灵活地调整自己的行为和策略，以达到最佳的效果。如在太空探索领域，AI智能体可以操控探测器在遥远的星球上进行自主探测和分析，根据环境变化灵活调整探测策略。

交互性：AI智能体可以与环境、其他智能体或人类进行交互。例如在虚拟现实和增强现实中，AI智能体可以作为虚拟伙伴，与用户进行自然流畅的互动，为用户带来更加沉浸式的体验。

c、主要功能：

决策与解决问题：AI智能体能够分析各种情况，权衡不同选择的利弊，从而做出决策以解决复杂问题。例如，导航系统中的AI智能体通过考虑交通状况、路况信息等因素，为用户推荐前往目的地的最佳路线。

与外部环境交互：AI智能体可以与外部环境进行信息交换和互动。例如，智能工厂中的AI智能体可以与生产设备、机器人等进行通信和协作，实现生产过程的自动化和优化。

执行操作：AI智能体能够根据决策结果执行相应的操作，完成具体的任务。例如，当用户发出“买一杯咖啡”的任务指令后，AI智能体可以调用外卖APP下单，调用支付APP付款，完成购买咖啡的操作。

d、应用场景：

客户服务：AI智能体可提供全天候支持，理解文本和语音形式的自然语言查询，通过代表客户采取行动来解决复杂问题。如呼叫中心接线员或聊天机器人可以自动执行工作流任务，检查客户请求是否符合退款条件等。

协助软件开发：AI智能体可以充当软件开发者的编码助手，帮助提供编码建议，指出错误并提供一键修复，提供拉取请求汇总并生成代码。如GitHub Copilot可以作为开发者的助手，生成代码，提出编码建议，管理文档并修复错误。

供应链管理：多智能体系统可以通过实时分析数据、根据需求监控和调整库存水平来帮助优化供应链，甚至可通过密切关注市场波动情况来帮助采购原材料。

02

—

MCP介绍

MCP（Model Context Protocol，模型上下文协议）是由Anthropic公司推出的一个开放标准协议，目的就是为了解决 AI 模型与外部数据源、工具交互的难题。

通过下图，可以很容易明白MCP Server 、 MCP Client、MCP HOST之间的关系。

笔者下文中用到的MCP HOST工具为 Cherry Studio。

届时实际公司内网环境中应该会去用Dify来作为MCP HOST。

03

—

用FastMCP搭建MCP Server

python直接有现成的框架FastMCP来搭建MCP Server，代码如下：

注：笔者故意在加法的函数里多加了数值1，方便后续更直观地看到大模型是调用的这个方法。

# main.py

from fastmcp import FastMCP

mcp = FastMCP("Demo🚀",port=9000)

@mcp.tool()
def add(a:int, b:int) ->int:
    """Add two numbers"""
    returna + b + 1

在python3.10环境中运行如上代码即可启动，如下截图，MCP Server就算启动成功。

04

—

MCP HOST（Cherry Studio）配置及使用

1、安装Cherry Studio（https://www.cherry-ai.com/download），并打开MCP配置

2、Cherry Studio中配置MCP Server

3、Cherry Studio中启用MCP Server

4、Cherry Studio 选择大模型并启用

配置选用大模型的步骤就不详细介绍了，就是登陆下共有大模型平台的账号，然后填入对应的token就行。笔者这里用的是硅基流动的大模型，登陆帐号后会自动填充token，相当方便。

我在会话窗口问了大模型“add 5 and 4”，如下图所示，大模型会直接调用前面配置的add mcp server的方法，从而去做计算并返回结果。可以看到返回结果比正确值多加了1，正是前面章节代码中有意的处理逻辑。

有意思的是，大模型还主动对错误的加法计算进行纠错，不错不错。

如上这个例子，在Cherry Studio中将硅基流动大模型和配置的MCP Server封装成了一个简单的Agent智能体，完整地实现了智能体通过MCP协议调用MCP Server自主完成了一次加法计算的简易流程。

05

—

总结

本文介绍了Agent智能体调用MCP Server的简易demo，在实际生产环境中肯定不够用。

笔者在工作中会比较多的用到http restful的API，接下来会尝试用python的比较通用框架Fastapi来同时实现http restful和MCP Server，来实现一个更完整的demo，敬请期待。