AI Agent是什么？深入理解 Agent、MCP 与 Tool Use

AI 的发展日新月异。在 2025 年之前，出圈的名词可能只有“深度学习”、“神经网络”、“大语言模型”等寥寥几个。对于大众而言，这些名词更像是黑盒技术，不需要深入理解也能享受其带来的便利。

但随着 2025 年计算机辅助编程（AI Coding）的兴起，以及 AI 在多维度的快速落地，技术圈的风向发生了变化。现在，大家关注的焦点不再仅仅是“模型有多强”，而是 “如何利用 AI 构建能解决复杂问题的产品”。我们开始意识到，任何一个独立个体，都有可能在 AI 的帮助下完成以前需要通过团队协作才能完成的复杂开发工作。

在这种背景下，AI Agent（人工智能智能体） 成为了当下的绝对主角。它不仅是 AI 能力的突破口，更是下一代应用架构的核心。

趁着这段时间对 Agent 相关技术栈的系统学习，我整理了这篇笔记，主要聊聊 Agent、MCP、Tool Use 以及构建高级智能体的关键拼图。

什么是 Agent？

我理解的 Agent，本质上是一种以大语言模型（LLM）为核心大脑，具备感知、规划和行动能力的系统。Agent 不是 LLM 本身，而是 LLM 的“宿主”或“运行环境”。

从能力进化的角度，我们可以将 Agent 分为三个阶段：

1. 工作流 (Workflow)

这是 Agent 的雏形。它本质上是自动化脚本。系统按照预设的固定流程（如 If-Then-Else）执行任务。虽然用到了 LLM 处理文本，但路径是死的，缺乏灵活性。

2. 具备工具调用能力的 Copilot

在这个阶段，系统能理解用户的意图，并自主决定调用什么工具来解决问题（例如：“查一下天气” -> 调用天气 API）。但它的行为依然是被动的，通常采用“一问一答”的交互模式，缺乏对复杂任务的拆解能力。

3. 真正的智能体 (Autonomous Agent)

这是 Agent 的完全体。它具备自主规划与闭环能力。

• 自主规划：面对一个模糊的目标（如“帮我写个贪吃蛇游戏并部署”），它能将其拆解为一些列子任务。
• 自我反思与修正：它能感知环境反馈。如果代码运行报错，它会根据错误信息调整计划，重新尝试，直到任务完成。它拥有了 感知 -> 思考 -> 行动 -> 观察 -> 再思考 的完整闭环。

Agent 是如何工作的？

Agent 可以被看作是一个中间件（Middleware）或编排系统。

• 左手连接 LLM：负责提供决策大脑。
• 右手连接 Tools：负责提供手脚（执行能力）和感官（信息获取）。

Agent 的核心工作就是把任务、LLM 和工具串联起来。

为了搞清楚它到底怎么跑起来的，我找了一张非常清晰的架构图：

这张图里面有几个非常有意思的细节，刚好解释了 LLM 是怎么“看见”工具的：

1. 提示词的组装 (Prompt Construction)

Agent 会把三个东西打包塞进 LLM 的上下文窗口 (Context Window) 里：

• System Prompt (系统提示词)：这里不仅定义了“你是谁”（比如：你是一个资深程序员），最关键的是，所有的 工具定义 (Tool Definitions) 也是写在这里的！Agent 会把能用的工具（比如 read_file, query_db）描述成一串文本塞给 LLM。这个工具定义即为Tool Call（或叫Function Call）。
• User Prompt (用户提示词)：就是我问的那句“帮我分析这个数据”。
• 特殊标记符：图里提到的 Special Training Tokens，这是给模型看的“暗号”，告诉它哪里是指令，哪里是内容。

2. 交互的闭环

• MCP Client 负责把工具转成文字喂给 LLM。（转换的逻辑即为MCP Protocol翻译成Tool Call）
• LLM 思考后，如果决定用工具，就会吐出一段 JSON（Tool Call 指令）。
• MCP Protocol 负责去实际执行这个指令，并把结果拿回来。

这整个过程，就是一个不断“组装 Prompt -> 思考 -> 执行 -> 再组装结果 -> 再思考”的循环。

什么是 MCP (Model Context Protocol)？

如果说 Agent 是电脑，工具是外设，那么 MCP 就是 AI 时代的 USB 协议。

MCP（Model Context Protocol）定义了一种标准，用于把数据（Resources）、工具（Tools）和提示词模板（Prompts）包装成 LLM 可以理解的通用接口。

• MCP Server：工具的提供方（例如一个读取本地文件的服务）。
• MCP Client：Agent 的宿主程序（例如 Claude Desktop 或 Cursor），它负责连接 Server 并把能力暴露给 LLM。

核心价值：MCP 实现了 “一次开发，到处运行”。开发者写好一个 MCP Server，就可以被任何支持 MCP 的 Agent 调用，极大地解决了生态碎片化的问题。

(图注：MCP 协议连接架构图)

什么是 Tool Use？

Tool Use（工具使用），在早期通常被称为 Function Calling（函数调用）。它是 LLM 与外部世界交互的 “通信协议”。

虽然 MCP 解决了“怎么连接工具”的问题，但 Tool Use 解决的是“LLM 如何告诉程序它想用工具”的问题。

• Function Call：更侧重于底层技术实现。即 LLM 输出一个特定的 JSON 结构（包含函数名和参数），程序捕获这个 JSON 并执行代码。
• Tool Use：是更广义的能力描述。除了调用用户定义的函数，还包括模型内置的能力，如 Code Interpreter（代码解释器）、Web Search（联网搜索）等。

遗憾的是，目前各家大模型厂商（OpenAI, Anthropic, Google）在 Tool Use 的具体 JSON 格式定义上仍有差异，尚未完全统一。

(图注：Agent 结合 Tool Use 的完整工作流)

---

进阶：构建高级 Agent 的关键拼图

当 Agent 能够调用工具后，它只是有了“手”。要让它解决现实世界中的复杂问题，我们还需要赋予它“元认知”、“团队协作能力”、“记忆”以及“安全机制”。

1. 规划模式 (Planning Patterns)：Agent 的“元认知”

常见的 Agent 思考模式有以下三种：

• ReAct (Reason + Act)：最经典的单步推理模式。
  • 流程：思考（Reason） -> 行动/调用工具（Act） -> 观察结果（Observe） -> 再思考 -> 再行动。
  • 价值：它让 Agent 不会一股脑把所有工具都瞎调一遍，而是每一步都看一眼结果再决定下一步，显著减少幻觉。
• CoT (Chain of Thought)：思维链。
  • 在调用工具前，强制模型先写出“第一步、第二步、第三步”。对于数学或逻辑类任务，这能显著提高成功率。
• TOT (Tree of Thoughts)：思维树。
  • 让 Agent 同时构思三种方案，自己评估哪种最好，然后再执行。这是一种更高级的探索性思考。

2. 多智能体协作 (Multi-Agent Systems)：团队作战

如果让一个 Agent 既写代码、又写文案、又做测试，它会因为上下文（Context）太乱而崩溃。复杂的任务需要分工，这就是 Orchestrator（指挥官）模式：

• Controller Agent (项目经理)：负责拆解任务，不干具体活，只分派。
• Coder Agent (程序员)：只挂载了代码相关的 MCP 工具。
• Reviewer Agent (测试员)：只挂载了测试相关的 MCP 工具。

流程：用户 -> 经理拆解 -> 分派给程序员 -> 程序员写完 -> 提交给测试员 -> 测试员报错 -> 打回给程序员。

核心观点：MCP 解决了“工具”的解耦，Multi-Agent 解决了 “职责”的解耦。

3. 记忆机制 (Memory)：拒绝“失忆”

MCP 可以提供数据访问，但在 Agent 架构上，我们需要区分两种记忆：

• 短期记忆 (Context Window)：就是当前的聊天记录。它是有限的（受限于模型窗口）、昂贵的（Token 费钱）。
• 长期记忆 (Vector Database / RAG)：这是 Agent 的“外挂硬盘”。当 Agent 处理长期任务时，它需要把重要的信息（比如用户的喜好、上周的项目进度）存进向量数据库（如 Pinecone, Milvus）。

关键点：高级 Agent 需要学会主动去读写这个硬盘，而不是被动等待用户输入。

没有长期记忆的 Agent 就像电影**《初恋50次》**里的主角，每天醒来都是崭新的一天，干不了大事。

4. 人在回路 (Human-in-the-loop)：安全气囊

这是 Agent 从 Demo 走向 Production（生产环境）最关键的一步。当 Agent 决定调用 delete_database 这种高危工具，或者是给老板发一封措辞激烈的邮件时，你敢让它全自动执行吗？

HITL 机制：在 Agent 产出 tool_calls JSON 之后，真正执行 MCP 工具之前，插入一个 **“人工确认”**环节。

• 审批：关键操作必须人类点击“Approve”。
• 修正：人类发现 Agent 参数填错了（比如把“周二”填成了“周三”），人类手动修改 JSON，再放行。

一句话总结：AI 负责副驾驶，但在关键时刻，人类必须手握方向盘。

---

常见的 Agent 开发框架

如果你想动手开发一个 Agent，以下几个框架是目前的主流选择：

1. Dify：开源的 LLM 应用开发平台。主打可视化编排，适合快速构建和验证 Agent Idea，对非程序员非常友好。
2. LangGraph：由 LangChain 团队推出。它引入了“图”的概念来控制 Agent 的循环（Loop）和状态（State），非常适合构建复杂的、有状态的多智能体（Multi-Agent）系统。
3. PydanticAI：由 Python 界著名的 Pydantic 团队开发。它主打类型安全（Type Safe）和原生 Python 体验。它能极其优雅地解决 Function Call 中 JSON 结构定义与校验的痛点，是追求代码质量的开发者的首选。

---

总结

• Agent 是大脑（LLM）+ 手脚（Tools）+ 记忆（Memory）的自主系统。
• MCP 是连接工具的“USB 标准协议”。
• Tool Use 是模型驱动工具执行的“动作描述”。
• 进阶架构（规划、MAS、记忆、HITL）是构建复杂生产级 Agent 的必经之路。

希望这篇笔记能帮你理清 AI Agent 的核心脉络。未来的软件开发，或许就是编写一个个 MCP Server，然后让 Agent 自己去组装它们。