Agent智能体调用MCP SERVER实战

前记：从硬编排到自主智能体

最近一直在研究 agent 工作流编排，因为企业内部故障诊断和根因分析这一块，越来越多地需要智能体来帮忙。之前用的是硬编排的方式，把流程写死，一步步调用——但说实话，这种硬编码出来的智能体，实在算不上真正的“智能”。于是深入调研了 Agent 和 MCP 的实现，才逐渐明白：真正意义上的智能体，应该是通过提示词自主编排工作流，自己调用工具、知识库，并结合记忆去规划、决策、执行，最终拿到我们想要的结果。

下图勾勒了这种自主智能体的整体架构：

01｜AI智能体（AI Agent）介绍

注：本节内容参考了 code秘密花园老师的文章。

AI 智能体是 LLM 大模型与工具集的结合体，本质上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。下面从几个维度展开。

核心组件

• LLM
  ：大语言模型是智能体的“大脑”，负责协调决策和制定行动计划。它根据任务进行推理，选择合适的工具，管理数据访问权限，最终一步步达成目标。

• 记忆模组
  ：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动态调整，为决策和行动提供参考依据。

关键特性

• 自主性
  ：在没有人类直接干预的情况下，智能体可以根据预设目标和规则，自主分析环境、做出决策并采取行动。比如用于构建网站的智能体，能自主管理布局设计、编写 HTML/CSS，尽量减少人工输入。

• 适应性
  ：智能体能根据环境变化和任务需求，灵活调整行为和策略。太空探索领域的探测器智能体，就是通过环境变化动态调整探测策略的典型。

• 交互性
  ：智能体可以与环境、其他智能体乃至人类交互。在 VR/AR 场景中，它扮演虚拟伙伴，与用户进行自然流畅的互动。

主要功能

• 决策与解决问题
  ：分析各种情况，权衡利弊，做出决策以解决复杂问题。导航系统的智能体能实时考虑交通状况、路况信息，推荐最佳路线。

• 与外部环境交互
  ：智能工厂中的智能体与生产设备、机器人通信协作，实现生产过程的自动化和优化。

• 执行操作
  ：根据决策结果执行具体动作。比如收到“买一杯咖啡”的指令后，智能体能调用外卖 APP 下单、调用支付 APP 付款，一气呵成。

应用场景

• 客户服务
  ：智能体提供 7×24 小时支持，理解自然语言查询，代表客户处理复杂问题。呼叫中心的聊天机器人可以自动执行退款审核等流程。

• 协助软件开发
  ：GitHub Copilot 这类工具能生成代码、提出编码建议、管理文档并修复错误。

• 供应链管理
  ：多智能体系统通过实时分析数据，监控和调整库存水平，甚至根据市场波动帮助采购原材料。

02｜MCP 介绍

MCP（Model Context Protocol，模型上下文协议）是 Anthropic 推出的开放标准协议，目的就是解决 AI 模型与外部数据源、工具交互的难题。下面这张图很直观地说明了 MCP Server、MCP Client、MCP HOST 之间的关系。

本文使用的 MCP HOST 工具是 Cherry Studio。在实际公司内网环境中，会更倾向于用 Dify 作为 MCP HOST。

03｜用 FastMCP 搭建 MCP Server

Python 生态中已经有现成的框架 FastMCP，搭建一个 MCP Server 只需几行代码。下面是一个简单的例子：

# main.py
from fastmcp import FastMCP

mcp = FastMCP("Demo", port=9000)

@mcp.tool()
def add(a: int, b: int) -> int:
    "Add two numbers"
    return a + b + 1  # 故意多加1，方便后续观察大模型是否调用此方法

在 Python 3.10 环境中运行上述代码即可启动 MCP Server。启动成功的截图如下：

04｜MCP HOST（Cherry Studio）配置及使用

1. 安装 Cherry Studio
   （下载地址：https://www.cherry-ai.com/download），并打开 MCP 配置界面。

   

2. 配置 MCP Server
   ：在 Cherry Studio 中添加配置。

   

3. 启用 MCP Server
   ：在 Cherry Studio 中启用已配置的服务。

4. 选择大模型并启用
   ：配置大模型的过程不再赘述——本质上就是登录公有大模型平台，填入对应 token。这里使用了硅基流动的大模型，登录后 token 会自动填充，相当方便。

在会话窗口输入“add 5 and 4”，可以看到大模型直接调用前面配置的 add MCP Server 方法进行计算并返回结果。结果比正确值多了 1，这正是代码中故意加 1 的效果。更有意思的是，大模型还主动对错误的计算结果进行了纠错——这一点值得玩味。

在这个例子中，Cherry Studio 将硅基流动的大模型和配置的 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，自主完成一次加法计算的简易流程。

05｜总结

本文介绍了一个 Agent 智能体调用 MCP Server 的简易 demo。在实际生产环境中，这个示例显然不够用。工作中经常需要用到 HTTP RESTful API，接下来会尝试用 Python 的通用框架 FastAPI 同时实现 HTTP RESTful 和 MCP Server，封装成一个更完整的 demo。后续内容请大家持续关注。