智能体调用MCP Server实战指南

前记：从硬编排到自主智能体

最近一直在探索 agent 工作流编排，因为在企业内部的故障诊断与根因分析场景里，智能体的应用需求越来越迫切。早期我采用的是硬编排方式，把流程固定写死、一步步调用——但坦白说，这种硬编码的智能体离真正的“智能”还有很大距离。通过深入调研 Agent 和 MCP 的实现方案，才真正理解：一个真正意义上的智能体，应当能借助提示词自主编排工作流，自行调用工具和知识库，结合记忆来规划、决策、执行，最终高效输出我们想要的结果。

下图展示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 智能体是大语言模型与工具集的深度融合体，本质上是一种能够自主感知环境、做出决策、采取行动并与环境交互的智能应用。下面从多个维度展开说明。

核心组件

• LLM：大语言模型作为智能体的“大脑”，负责协调决策与制定行动计划。它根据任务进行推理，选择合适的工具，管理数据访问权限，并逐步推进至目标达成。
• 记忆模组：智能体依靠记忆维持上下文，能根据正在进行的任务或历史记录动态调整，为决策和行动提供参考依据。

关键特性

• 自主性：无需人类直接干预，智能体可依据预设目标和规则，自主分析环境、做出决策并执行动作。例如用于网站构建的智能体，能自主管理布局设计、编写 HTML/CSS，极大减少人工输入。
• 适应性：智能体可根据环境变化与任务需求，灵活调整行为和策略。太空探索中的探测器智能体，正是通过实时感知环境来动态优化探测策略的典型。
• 交互性：智能体能与环境、其他智能体乃至人类进行交互。在 VR/AR 场景中，它扮演虚拟伙伴角色，与用户展开自然流畅的互动。

主要功能

• 决策与解决问题：分析各类情况，权衡利弊，做出决策以解决复杂问题。导航系统中的智能体可实时考虑交通状况、路况信息，推荐最优路线。
• 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，实现生产流程的自动化与优化。
• 执行操作：根据决策结果执行具体动作。例如收到“买一杯咖啡”的指令后，智能体能自动调用外卖 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 小时全天候支持，能理解自然语言查询，代表客户处理复杂问题。呼叫中心的聊天机器人可自动执行退款审核等流程。
• 协助软件开发：GitHub Copilot 等工具可生成代码、提出编码建议、管理文档并修复错误，极大提升开发效率。
• 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，甚至根据市场波动辅助采购原材料。

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，旨在解决 AI 模型与外部数据源、工具之间的交互难题。下图清晰展示了 MCP Server、MCP Client、MCP HOST 之间的关系。

本文使用的 MCP HOST 工具是 Cherry Studio。在企业内网环境中，更倾向于使用 Dify 作为 MCP HOST。

03｜用 FastMCP 搭建 MCP Server

Python 生态中已有成熟的 FastMCP 框架，搭建一个 MCP Server 仅需几行代码。下面是一个简单示例：

# 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 环境中运行以上代码即可启动 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 中添加对应配置。

   

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：配置大模型过程不再赘述——本质上只需登录公有大模型平台，填入对应 token。此处使用了硅基流动的大模型，登录后 token 自动填充，非常便捷。

在会话窗口输入“add 5 and 4”，可以看到大模型直接调用之前配置的 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 的体现。更有趣的是，大模型还主动对错误的计算结果进行了纠错——这一点值得深入思考。

在这个示例中，Cherry Studio 将硅基流动的大模型与配置的 MCP Server 封装成一个轻量级 Agent 智能体，完整实现了智能体通过 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，这个示例显然不够完善。日常工作中经常需要用到 HTTP RESTful API，接下来将尝试用 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。