第3章 MCP + Skills，Agent & ldquo，工具 + 技能 & rdquo 的双轮驱动

第3章 MCP + Skills，Agent“工具+技能”的双轮驱动

3-1 大模型困境：数据获取与整合上 的“抓瞎&rdquo

3.1.1 LLM 优势

　　1.LLM 掌握的知识广阔

　　2.LLM 能够推理用户意图

　　3.LLM 根据用户的习惯，返回结果

3.1.2 困境

（1）无法获取时效性

（2）无法拥有用户的个人数据

举例1，提问：今天气温多少度？

大模型能够知识渊博是因为提前把数据已经加载在向量空间中了，比如红楼梦内容等，在向量空间中有唯一ID，并且与"同类"所在一片区域，便于关联理解，而当询问当前天气多少度？时，当前气温的数值在大模型的向量空间中没有提前记录此ID，所以大模型无法回答此问题， 即：无法获取时效性

举例2，提问：根据客户订单生成季度销售报告

当问及私人数据时，大模型无法回答此问题，即：无法拥有用户的个人数据

 

 3-2 困境解决方案：函数调用( Function Calling )

以前的解决方案：人工额外编写代码调用外部API

现在的解决方案：由语言大模型分析用户的需求是否需要调用外部信息，如果需要获取外部数据，大模型能够根据外部 API 文档，自己编写 API 函数，从而获取实时数据，进而返回给用户

Function Calling（函数调用）：

1.用户询问语言大模型当前时刻，深圳气温温度？

2.语言大模型没有当前气温温度，要他能判断出需借助外部获取当前气温温度

3.语言大模型向量空间中有能获取实时温度的第三方应用（如：墨迹天气，且有其 API 文档），语言大模型能根据掌握的 API 文档编写 API 函数，将用户深圳的地点作为参数传给墨迹天气

4.语言大模型获取当前深圳的气温温度，整合回复给用户

 

 

 

Function Calling

 

 

3-3 Function Calling就是大模型的跑腿小弟

 

3-4 更优的困境解决方案： MCP

 

3-5 对比Function Calling，MCP的不同

 

3-6 体验MCP：Jmanus配置MCP服务

 

3-7 具有专业知识的Agent Skills

 

3-8 工具调用最强组合：Agent Skills+MCP

 

3-9 搞定复杂活儿，得靠多个Agent协作

 

3-10 多Agent跨部门协作：A2A协议

 

 

 3-11 主流的多Agent开发框架

 

 

3-12 多Agent的核心执行流程

 

 

———————————————————————————————————————————————————————————————————————————

                                                                                                                         无敌小马爱学习