23 篇博文 含有标签「Agent」

本文是 Agent 协议系列的第二篇，前篇《Function Calling 诞生的背景》探讨了函数调用能力的起源，本篇聚焦更通用的协议层——MCP。

为什么需要 MCP？​

Function Calling 解决了「LLM 如何调用外部函数」的问题，但它有一个根本性局限：每个模型厂商的函数定义格式不同。OpenAI 有 tools 参数，Anthropic 用 tools 但 schema 略有差异，Google Gemini 用 tools / tool_config，Llama 系列模型需要特定的 prompt 模板。

这意味着你的工具代码需要为每个模型写一个适配层。更麻烦的是，工具本身的注册、发现、安全策略并没有一个统一的标准——每个 Agent 框架都在自己造轮子。

MCP（Model Context Protocol） 就是来解决这个问题的。它由 Anthropic 提出，本质上是一个通用的、模型无关的上下文与工具交互协议，定义了 LLM 应用与外部工具/数据源之间的标准通信方式。

引言​

上一篇我们聊了 Function Calling 诞生的背景——LLM 为什么必须学会调用函数。这篇更进一步，把问题摊开：

一个只会输出文本的模型，如何长出"眼睛"、"手"和"记忆"？

• 联网搜索给它眼睛，让它看到训练数据截止之后的世界；
• 文件读写给它手，让它能在真实工作环境中留下成果；
• 记忆功能让它跨越会话，记住你是谁、上次做到哪一步。

这三项能力，加上代码执行和 MCP 协议的标准化，构成了今天所有 AI Agent 的地基。本文逐项拆解它们的原理、实现路径和工程上的坑。

本文是对腾讯云开发者社区文章《一文讲透如何构建 Harness——六大组件全解析》（作者：李伟山）的阅读总结与深度解读。原文详细拆解了 AI Agent 工程中最重要的概念之一——Harness，本文在保留核心观点的同时做了结构化的梳理。