企业官网建设流程全解析

上海网站怎么备案,医院网站做品牌推广需要哪些,重庆seo团队,制作一款软件需要多少钱MCP代理正在颠覆智能体的边界#xff0c;它不再只是“对话专家”#xff0c;而是真正能与真实应用沟通并完成任务的AI大脑。 从代码调用、任务调度#xff0c;到插件执行、决策控制#xff0c;MCP#xff08;Model Context Protocol#xff09;让大模型从“只会聊天”进…MCP代理正在颠覆智能体的边界它不再只是“对话专家”而是真正能与真实应用沟通并完成任务的AI大脑。从代码调用、任务调度到插件执行、决策控制MCPModel Context Protocol让大模型从“只会聊天”进化为“能干活的助手”。但——问题也随之而来想要搭建一个MCP代理真的太复杂了你不仅要搞懂多层交互架构还要处理模型、记忆体、协议、工具链之间的配合。如果缺乏系统的知识与实践路径分分钟踩坑。所以我们写下这篇全网最全、最硬核的实战指南。本文将带你从0开始搞懂什么是MCP它如何架构代理系统当前主流有哪些框架并教你一步步用 OpenAI SDK 从头构建出一个属于你自己的 MCP Agent。最后我们还准备了可运行的实战代码和案例讲解让你不仅看得懂还能马上做起来。MCP 及其核心组件简介模型上下文协议MCP是一种全新的开放协议旨在标准化应用程序向大语言模型LLM提供上下文信息和工具调用的方式。你可以把它理解为AI 的“通用连接器”。MCP 像一个插件系统服务于不同的 MCP 客户端例如 Cursor、Claude、Windsurf 等通过将 Agent 连接到各种数据源和工具来大幅扩展其能力边界。MCP 可帮助您在 LLM 之上构建代理和复杂的工作流程。例如Obsidian 的 MCP 服务器可帮助 AI 助手搜索和阅读 Obsidian 保险库中的笔记。MCP 的核心遵循客户端-服务器架构其中主机应用程序可以连接到多个服务器。在任何通用的 MCP 架构中通常都包含以下几个核心组件MCP 主机如 Claude Desktop、Cursor、Windsurf 等 AI 应用或者其他希望通过 MCP 协议访问数据的智能工具。它们是请求发起方代表“谁”在使用 MCP。MCP 客户端这些是与 MCP 服务器保持一对一连接的协议客户端起到通信桥梁的作用。它们负责在主机与功能模块之间传递请求和响应。MCP 服务器是一些轻量级程序每个服务器负责开放一类标准化能力例如读取本地文件、查询数据库、调用插件等。这些能力通过 MCP 协议统一暴露便于接入。本地数据源指的是你计算机上的文件、数据库或服务MCP 服务器可以安全访问它们。比如浏览器自动化相关的 MCP 服务器就需要访问你的浏览器实例才能发挥作用。远程服务除了本地资源MCP 服务器也可以连接外部 API 或基于云的服务实现更广泛的数据交互与任务执行能力。MCP Agent 的架构在 MCP 架构中MCP 代理是真正的“智能中枢”它们通过 MCP 协议实现推理、调用工具、使用记忆并执行各类任务。如果说 MCP 协议定义了“应用程序和数据源如何连接语言模型”那么 MCP 代理就是借助这一结构运行、思考并执行任务的“大脑”——它们既可以自主运行也可以与你交互协作。从更高的抽象层面来看一个 MCP 代理由以下三大核心层级构成1模型上下文层*大脑*在这一层语言模型如 GPT-4、Claude是代理的核心智力来源负责理解、推理和生成语言。它通过上下文可用的工具与资源和提示行为指令进行引导例如“编辑日历时请优先检查是否存在时区冲突。”这就像一位全能秘书在执行任务时始终遵循既定策略和边界。2协议层*神经系统*这一层负责“感知世界”和“信息传输”。它是 MCP 代理与外部环境沟通的桥梁主要包括MCP 客户端如 Cursor、Claude Desktop承担通信中枢角色MCP 服务器连接特定工具和数据源如 Gmail、Notion、本地文件系统等采用标准化的 JSON-RPC 接口完成指令下达与结果返回管理认证权限、请求响应的协调具备容错与重试机制确保系统稳定运行。这一层就像人体的神经网络负责接收指令、传递感知、调动行动。3运行时层肌肉代理的“行动力”体现在这一层。这里是工具和 API 的实际运行环境负责执行具体操作如发邮件、写文档、改代码保持短期工作状态比如处理草稿、跟踪多步骤任务的中间结果管理流程中临时的数据缓存与状态切换。如果说大脑在思考神经在传输信息那么“肌肉”就是执行动作、真正完成工作的实体。正是这三层架构的协同配合让 MCP 代理不仅能“理解你的需求”还能接入外部工具、管理状态并完成真实任务从“语言模型”进化为“任务执行体”。当 MCP 代理启动时客户端会连接到服务器以获取可用的工具、资源和提示。根据用户的请求它选择要向模型显示的内容。当模型选择作时客户端通过服务器执行该作并在此过程中处理授权和数据流。所有可用于构建MCP代理的框架和SDK如果你想构建自己的 MCP 代理市面上已经有不少优秀的框架与工具可以帮助你快速入门。选择哪种方式主要取决于以下几个因素你使用的编程语言或技术栈是偏好托管方案上手简单、但控制力较低还是自托管部署灵活自由但设置稍复杂是否开箱即用支持你想连接的工具与应用以下是目前最流行、支持 MCP 协议的框架与 SDK一应俱全✅OpenAI Agents SDKOpenAI 官方推出的 Agent 构建工具支持 MCP 原生接入提供如MCPServerStdio和MCPServerSse等类适合生产环境使用是早期 Swarm 实验的成熟版本。 安装命令pip install openai-agents✅Composio with OpenAI一个轻量级 SDK用于将 OpenAI Agent 与 Composio 的托管式 MCP 服务器集成自动完成工具注册、身份验证与通信对接。 安装命令pip install composio-openai openai✅mcp-agent by LastMile AI一个可组合的简单框架基于 MCP 协议和工作流模式构建代理同时兼容 OpenAI 的 Swarm 多代理编排思路但对模型类型不设限。 安装命令pip install mcp-agent✅MCP Python SDK官方推出的 Python SDK完整实现了 MCP 协议规范提供快速创建 MCP 服务器的类如FastMCP以及客户端连接组件。 安装命令pip install mcp[cli]✅MCP TypeScript SDK官方 TypeScript/Node SDK适用于 JavaScript/TypeScript 生态可用McpServer快速构建 MCP 服务端及客户端。 安装命令npm install modelcontextprotocol/sdk✅Google ADKGoogle 开源的 Agent 开发工具包ADK原生集成 MCP 服务器与工具支持还可接入其多智能体运行框架。 安装命令pip install google-adk✅CopilotKit MCP 支持一行命令即可将前端变成 MCP 客户端快速连接任意 MCP 兼容服务器实现工具共享、代理协作、多智能体编排。 启动命令npx copilotkitlatest init -m MCP✅ LangChain MCP Adapters将 MCP 工具封装成 LangChain 可识别组件便于在 LangGraph 等代理工作流中调用非常适合已有 LangChain 项目的开发者。 安装命令pip install langchain-mcp-adapters✅Strands Agents SDK由 AWS 开源的 Agent 构建框架支持 MCP并兼容主流模型平台Amazon Bedrock、Anthropic、LiteLLM、Llama、Ollama、OpenAI 等。 安装命令pip install strands-agents strands-agents-tools✅fast-agent支持 MCP 协议的全功能框架覆盖工具调用、采样、多模态图片/PDF输入等兼容 OpenAI 和 Anthropic 模型。 安装命令pip install fast-agent-mcp✅PraisonAI一个主打低代码体验的多智能体框架支持单行代码接入 MCP附带丰富文档与示例支持 Brave、GitHub、Perplexity、Slack 等集成。 安装命令pip install praisonaiagents mcp✅Semantic Kernel微软推出的智能体编排 SDK现已通过官方适配器支持 MCP 工具注册与调用配合 Semantic Kernel Pipeline 使用效果更佳。 安装命令pip install semantic-kernel✅Vercel AI SDKVercel 出品的 AI SDK 现已集成 MCP可在定义 Schema 时仅拉取显式声明的工具提升安全与可控性。 示例代码TypeScriptimport { experimental_createMCPClient as createMCPClient } from ai;import { openai } from ai-sdk/openai;const mcpClient await createMCPClient({ transport: { type: sse, url: https://my-server.com/sse, },});const response await generateText({ model: openai(gpt-4o), tools: await mcpClient.tools(), prompt: Find products under $100,});此外还有一些项目如 Agent-MCP因社区活跃度与成熟度较低本文暂不推荐。如果你偏好图形化使用 MCP还可以使用以下 MCP 客户端软件来对接 MCP 服务器CursorClaude DesktopWindsurfClineWitsy 等想查看更多客户端可以前往官方列出的20 MCP Clients 清单一探究竟。使用OpenAI SDK构建您的第一个MCP的AgentOpenAI Agents SDK 是 OpenAI 于 2025 年 3 月推出的官方开源框架旨在帮助开发者构建由 OpenAI 模型驱动的智能代理。这些代理不仅可以调用工具还支持内存管理、函数调用、流式输出、重试机制等完整的工作流能力真正实现“能思考、会执行”的智能体。除了基础功能你还可以使用适配器如composio_openai来更灵活地控制 MCPModel Compatibility Protocol生态。该适配器允许 OpenAI Agents SDK 客户端与 MCP 协议兼容的服务器通信进一步拓展能力边界⚡ 将 OpenAI 代理连接到任意 MCP 服务器提供的工具⚡ 在代理内部直接调用如 Composio Cloud 等平台上的工具⚡ 在保留 OpenAI 原生代理运行时的基础上实现对 MCP 的兼容扩展让我们从零开始使用原生 OpenAI SDK 构建第一个 MCP Agent第 1 步准备环境请确保你已安装 Python 3.8 及以上版本并拥有 OpenAI API Key。第 2 步创建项目并设置虚拟环境在开发过程中使用虚拟环境virtualenv可以避免全局依赖冲突推荐启用。# macOS / Linux:python3 -m venv env # 创建名为 env 的本地虚拟环境source env/bin/activate # 激活虚拟环境# Windows:python -m venv env.\env\Scripts\activate # 在 PowerShell 或 CMD 中激活激活后你会在终端前缀看到(env)代表环境已就绪。项目结构如下mcp-openai-agent/├── agent.py # 定义带工具能力的 OpenAI 代理├── run_agent.py # 主运行入口├── requirements.txt # 依赖包清单├── .env # 存储 API 密钥与配置└── README.md第 3 步安装依赖并配置 API Key本项目依赖两个关键库openai-agents官方 OpenAI SDK内置支持函数调用、内存、工具使用等python-dotenv加载.env文件中的环境变量方便管理密钥等信息安装命令如下pip install openai-agents python-dotenv安装完后将当前虚拟环境下的依赖写入requirements.txtpip freeze requirements.txt这样就可以通过以下命令快速复现依赖环境pip install -r requirements.txt为避免将敏感文件上传 GitHub请添加.gitignore忽略虚拟环境目录及.env文件。接下来在.env文件中添加你的 OpenAI API KeyOPENAI_API_KEY你的 OpenAI 密钥第 4 步获取 MCP Server 地址我们将使用 Composio 提供的 MCP Server因为它支持内置认证OAuth、API Key、JWT、Basic Auth免去了你自己构建登录系统的麻烦。Composio 提供完全托管的服务器已经集成了 250 工具如 Gmail、Slack、Notion、Linear 等并支持本地或远程运行。每个 MCP 工具都附带以下信息当前活跃用户数工具版本和更新时间所有支持的动作actions安装指引TypeScript、Python 等同时支持的主机包括ClaudeMac、Windsurf、Cursor 等。第 5 步编写 Agent 主体agent.py我们将在agent.py中定义主代理逻辑。它将连接 MCP 工具服务器并返回 Agent 与 Server 实例。import osimport openaifrom agents import Agentfrom agents.mcp import MCPServerSsefrom dotenv import load_dotenvload_dotenv()openai.api_key os.getenv(OPENAI_API_KEY)TOOL_URL os.getenv(MCP_TOOL_URL)# return openai agent connected to mcp tooldef build_agent(): mcp_server MCPServerSse({url: TOOL_URL}) agent Agent( nameGitHub Agent, instructionsYou help the user manage GitHub by creating issues, updating repos, and handling PRs using the connected GitHub tool., mcp_servers[mcp_server], ) return agent, mcp_server代码说明MCPServerSse(...)通过 SSE 协议连接 MCP 工具服务器Agent(...)实例化代理包括名称、指令说明、可连接的 MCP 工具列表build_agent()返回一个连接好 MCP 工具的代理实例和服务器对象你需要在.env文件中添加 MCP 工具的 URL例如MCP_TOOL_URLhttps://mcp.composio.dev/github/sse?customerIdxyz第 6 步运行代理run_agent.py接下来我们在run_agent.py中添加主执行逻辑用于启动代理完成任务。import asynciofrom agent import build_agentfrom agents import Runner# main task with the use caseTASK Create an issue in the repository Anmol-Baranwal/mcp-agents with the title Feat: MCP Server Implemented and body just testing stuff.async def main(): agent, mcp_server build_agent() try: await mcp_server.connect() result await Runner.run(agent, TASK) print(✅ Final Output:\n, result.final_output) finally: await mcp_server.cleanup()if __name__ __main__: asyncio.run(main())代码说明如下main()以异步方式运行整个代理工作流build_agent()初始化 agent 与 MCP serverawait mcp_server.connect()连接远程 MCP 工具服务器Runner.run(...)发送任务自动处理函数调用、工具选择、重试机制等result.final_output代理完成任务后的最终结果cleanup()优雅关闭连接第 7 步执行结果与连接验证当你运行run_agent.py系统将尝试建立到 GitHub 工具的连接。第一次使用时你需要在浏览器中打开 OAuth 链接进行授权。验证连接成功后可再次运行脚本代理就能真正创建 GitHub issue。请确保目标仓库为公开状态否则可能由于权限不足导致操作失败。恭喜你已从零成功构建了一个兼容 MCP 协议的 OpenAI 代理。一旦 GitHub 工具通过 Composio 完成认证你就可以通过 Agent 实现以下功能创建或关闭 GitHub Issue更新仓库描述、Metadata协助处理 PR 流程整合至开发者自动化流程中我尝试了多种方式每次都能顺利完成任务。一些带有源代码的真实示例在本示例中我们将构建一个可以汇总博客文章为推文的智能代理Agent。该代理由 OpenAI LLM 驱动能够访问本地文件系统和网页内容并将结果浓缩为一句 Twitter 内容。所有需要的服务器组件已经包含在仓库中因此你需要先克隆项目。此外请记得在mcp-agent/examples/basic/mcp_basic_agent/mcp_agent.secrets.yaml中添加你的 OpenAI API 密钥和 Anthropic API 密钥。示例代理代码import asyncioimport osfrom mcp_agent.app import MCPAppfrom mcp_agent.agents.agent import Agentfrom mcp_agent.workflows.llm.augmented_llm_openai import OpenAIAugmentedLLMapp MCPApp(namehello_world_agent)async def example_usage(): async with app.run() as mcp_agent_app: logger mcp_agent_app.logger # 创建一个支持读取文件系统与抓取网页的代理 finder_agent Agent( namefinder, instructionYou can read local files or fetch URLs. \ Return the requested information when asked., server_names[fetch, filesystem], # 该代理可用的 MCP 工具服务器 ) async with finder_agent: # 自动初始化 MCP 服务器并加载工具 tools await finder_agent.list_tools() logger.info(fTools available:, datatools) # 绑定一个 OpenAI 增强型 LLM llm await finder_agent.attach_llm(OpenAIAugmentedLLM) # 读取 README.md 文件内容 result await llm.generate_str( messageShow me whats in README.md verbatim ) logger.info(fREADME.md contents: {result}) # 抓取博客文章前两段内容 result await llm.generate_str( messagePrint the first two paragraphs from https://www.anthropic.com/research/building-effective-agents ) logger.info(fBlog intro: {result}) # 总结成一条 128 字符推文 result await llm.generate_str(Summarize that in a 128-char tweet) logger.info(fTweet: {result})if __name__ __main__: asyncio.run(example_usage())以下是对上述代码模块的简要解析MCPApp管理整个 MCP 运行环境处理事件循环、日志等核心框架。OpenAIAugmentedLLM使用 OpenAI 模型默认 GPT-4o实现智能任务规划与工具交互能力。Agent智能代理创建一个名为finder的代理拥有以下功能接入两个 MCP 工具服务器fetch抓取网页内容和filesystem读取本地文件根据指令读取文件或访问 URL返回对应内容。异步运行代理任务自动初始化所连接的 MCP 服务器列出并记录当前可用的工具绑定一个具备工具调用能力的 OpenAI LLM执行以下三个任务显示README.md文件内容提取 Anthropic 博客页面前两段文字将博客摘要浓缩成一条 Twitter 推文128 字符内。日志输出每一步的结果都会通过日志打印便于调试和结果回溯。OpenAI SDK使用 MCP 服务器发送电子邮件。您需要从 Composio Gmail MCP 服务器生成 SSE URL。让我们创建一个可以使用 OpenAI SDK 发送电子邮件的代理。import asyncioimport osfrom dotenv import load_dotenvimport openaifrom agents import Agent, Runnerfrom agents.mcp import MCPServerSse load_dotenv() openai.api_key os.getenv(OPENAI_API_KEY) TOOL_URL os.getenv(MCP_TOOL_URL)async def main(): gmail_server MCPServerSse({url: TOOL_URL}) try: await gmail_server.connect() agent Agent( nameGmail Agent, instructionsYou help the user manage their emails using the connected Gmail tool., mcp_servers[gmail_server] ) task send an email to hianmolbaranwal.com with subject Hello from MCP Agent and body This is a test email sent via the Gmail MCP server. result await Runner.run(agent, task) print(result.final_output) finally: await gmail_server.cleanup()if __name__ __main__: asyncio.run(main())尽管 MCPModel Context Protocol仍在不断发展完善中但其核心理念和架构设计已趋于稳定。随着更多边缘案例被探索未来还会诞生更多新框架和工具拓展 MCP 的应用边界。参考文章https://levelup.gitconnected.com/the-complete-guide-to-building-mcp-agents-ec877f30136d我非常鼓励开发者动手实践用MCP构建出有创意且有实际价值的智能体系统让世界看到“工作流 上下文”驱动下的无限可能。普通人如何抓住AI大模型的风口领取方式在文末为什么要学习大模型目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 大模型作为其中的重要组成部分 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 为各行各业带来了革命性的改变和机遇 。目前开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景其中应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过30%。随着AI大模型技术的迅速发展相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业人工智能大潮已来不加入就可能被淘汰。如果你是技术人尤其是互联网从业者现在就开始学习AI大模型技术真的是给你的人生一个重要建议最后只要你真心想学习AI大模型技术这份精心整理的学习资料我愿意无偿分享给你但是想学技术去乱搞的人别来找我在当前这个人工智能高速发展的时代AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料能够帮助更多有志于AI领域的朋友入门并深入学习。真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】大模型全套学习资料展示自我们与MoPaaS魔泊云合作以来我们不断打磨课程体系与技术内容在细节上精益求精同时在技术层面也新增了许多前沿且实用的内容力求为大家带来更系统、更实战、更落地的大模型学习体验。希望这份系统、实用的大模型学习路径能够帮助你从零入门进阶到实战真正掌握AI时代的核心技能01教学内容从零到精通完整闭环【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块内容比传统教材更贴近企业实战大量真实项目案例带你亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌02适学人群应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。vx扫描下方二维码即可【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】本教程比较珍贵仅限大家自行学习不要传播更严禁商用03入门到进阶学习路线图大模型学习路线图整体分为5个大的阶段04视频和书籍PDF合集从0到掌握主流大模型技术视频教程涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向新手必备的大模型学习PDF书单来了全是硬核知识帮你少走弯路不吹牛真有用05行业报告白皮书合集收集70报告与白皮书了解行业最新动态0690份面试题/经验AI大模型岗位面试经验总结谁学技术不是为了赚$呢找个好的岗位很重要07 deepseek部署包技巧大全由于篇幅有限只展示部分资料并且还在持续更新中…真诚无偿分享vx扫描下方二维码即可加上后会一个个给大家发【附赠一节免费的直播讲座技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等欢迎大家~】