WALL-E`s Blog

上一篇我们手写了一个”单机游戏”式的 Agent——工具是自己定义的、能力是固定的，就像一个只能在自家小区逛的孩子。今天我们要让它”联网”——通过 MCP 协议接入外部工具生态，瞬间获得读写文件、查询数据库、操作 GitHub 等成千上万种能力。就像游戏角色走出新手村，接入了整个世界地图，可以接任务、买装备、组队打副本。 这是「小白讲 AI」系列的第 20 篇，也是 Agent 系列的最终章。从第 5 篇的一条 Prompt，到今天用 MCP 打造多工具 Agent——我们走了一段不短的路。这一篇既是实战教程，也是对整个系列的总结和回顾。 一、上一篇的 Agent 缺什么？回顾一下第 19 篇手写的研究助手 Agent——它能跑，但有几个明显的限制： 工具是硬编码的：只有 search 和 fetch_url 两个工具，想加新工具就得改代码 不能操作本地文件：Agent 查到了信息却没法保存下来 单打独斗：只有一个 Agent 在干活，没有分工协作 代码量随复杂度增长：工具越多、逻辑越复杂，手写代码越难维护 今天我们要解决这些问题： 用 MCP 让 Agent 动态...

前面 6 篇文章，我们学了发动机原理（Loop）、车架设计（Harness）、接口标准（MCP）、零件品牌对比（框架）、建筑规范（设计模式）。你已经了解了 Agent 的方方面面——但你从来没有亲手造过一个。今天，我们开箱，把零件一个个组装起来，让一个 Agent 真正跑起来。不用任何框架，纯 Python 手写，你会亲眼看到前面讲的每一个概念在代码中是怎么工作的。 这是「小白讲 AI」系列的第 19 篇。第 12 篇我们学了怎么调用 AI API（单次对话）。这一篇我们要在那个基础上，把”单次对话”升级成”自主循环”——让 AI 不只是回答你一次，而是自己持续工作直到任务完成。 一、我们要造什么？今天的目标是构建一个 “研究助手 Agent”——你给它一个研究问题，它会： 自主搜索互联网上的相关信息 阅读搜索结果中的关键内容 整理信息并生成一份结构化的研究报告 全程自主决策，你不需要一步步指导它 比如你问：”2026 年最流行的 AI Agent 框架有哪些？”它会自己去搜索、阅读、比较、整理，最后给你一份有条有理的报告。 我们不使用任何框架——所有代码都是手写的。...

你手里有了材料（模型选好了）、工具（框架选好了）、也知道了基本工艺（Loop、Harness 都懂了）。但真正住人的房子和路边的简易棚，差距在哪？在于设计图——承重墙怎么布局、管线怎么走、逃生通道在哪里。Agent 也是一样：同样的模型、同样的框架，用不同的架构模式来设计，出来的效果天差地别。今天我们来聊聊那些经过实战验证的 Agent 设计模式——它们是你从”demo 能跑”到”生产能用”的关键。 这是「小白讲 AI」系列的第 18 篇。上一篇我们对比了五大 Agent 框架，选好了”工具”。这一篇我们往上走一层：不管你用什么框架，这些跨框架通用的设计模式都是你需要掌握的。 一、先搞清楚：你需要几个 Agent？在选择具体的设计模式之前，第一个问题是：你的场景需要一个 Agent 还是多个 Agent？ 这个问题很重要，因为多 Agent 架构的复杂度远高于单 Agent。不要因为”多 Agent 听起来很酷”就上多 Agent——很多场景一个 Agent 就够了。 什么时候一个 Agent 就够？ 任务类型单一（比如”回答用户问题”） 工具数量有限（10 个以内） ...

你要从北京开车去上海。你可以选一辆手动挡的性能跑车——操控极好、弯道犀利，但你得自己换挡、踩离合，新手可能熄火好几次才能上手（LangGraph）。你也可以选一辆全自动的电动车——上来就能开，非常省心，但它只能在品牌自家的充电站充电，去了别的地方就抓瞎（OpenAI Agents SDK）。还有一辆 SUV——功能全面、按钮多、上手快，但你总觉得发动机盖焊死了打不开，出了问题不知道里面在干什么（CrewAI）。没有”最好的车”，只有最适合你路况的车。今天我们就来对比 2026 年市面上的主流 Agent 框架，帮你选对那辆”车”。 这是「小白讲 AI」系列的第 17 篇。上一篇我们聊了 MCP 协议——Agent 连接工具的统一标准。但有了工具接口，你还需要一个框架来把 Agent 的大脑（模型）、骨架（Harness）和循环（Loop）组装起来。今天就来聊聊怎么选。 一、为什么需要框架？在第 14 篇里，我们讲了 Harness 的五大组件：工具注册、上下文组装、护栏、状态管理、编排逻辑。如果你决定全部从零开始写…… 你得： 自己实现工具注册和调用机制 自己管理对话历...

还记得 2000 年代初手机充电器的混乱吗？诺基亚用小圆口，摩托罗拉用 mini-USB，索尼爱立信有自己的专用接口，三星又是另一种。出门要带三根线，借别人的充电器发现插不上。后来 USB 统一了一切——不管你是什么品牌的设备，一根线就搞定。AI Agent 的世界正在经历类似的变革：每个 AI 模型调用工具的方式都不一样，每个工具服务的接入方法都不同。这时候就需要一个”USB 标准”来统一它们——这就是 MCP（Model Context Protocol，模型上下文协议）。 这是「小白讲 AI」系列的第 16 篇。前三篇我们沿着进化线走完了 Context Engineering → Harness 工程 → Loop 工程。这一篇我们聊一个让 Agent 能力倍增的关键技术：MCP 协议——它正在成为 Agent 世界的基础设施。 一、开场类比：从充电口的混乱到 USB 的统一在没有 MCP 之前，Agent 想调用外部工具是什么体验？ 假设你在搭建一个 Agent，它需要用到三种工具：搜索引擎、日历服务和代码执行器。每个工具的接入方式都不一样： 搜索引擎用 RE...

你有没有用过全自动洗衣机？你把衣服扔进去，按一下启动键，然后……它就自己开始干了：进水 → 搅洗 → 排水 → 漂洗 → 脱水。如果水太浑浊，它会自动多漂洗一轮；如果衣服不平衡，它会暂停重新调整再继续脱水。整个过程中你什么都不用管——但它的每一步都有明确的判断逻辑：什么时候进入下一步、什么时候多做一轮、什么时候彻底停下来。AI Agent 的工作方式跟这台洗衣机惊人地相似。今天我们就来拆解 Agent 内部的这台”自动洗衣机”——Loop 工程。 这是「小白讲 AI」系列的第 15 篇。我们正在走一条进化线：第 5 篇讲了 Prompt Engineering（怎么说话），第 13 篇讲了 Context Engineering（管好信息），第 14 篇讲了 Harness 工程（搭好骨架）。今天是进化线的终点站——Agent 骨架搭好之后，它的”心跳”到底是怎么跳的？ 一、进化线全景回顾在正式进入 Loop 工程之前，让我们站在山顶上回看一下走过的路： 篇目 概念 核心问题 一句话概括 第 5 篇 Prompt Engineering 怎么跟 AI 说一句话...

你见过赛车比赛吗？一个顶级赛车手，技术再好、反应再快，如果给他一辆没有刹车、没有仪表盘、油门踩到底就停不下来的车，你敢让他上赛道吗？大模型就像这个赛车手——它聪明、博学、反应快，但如果你不给它装上一套精心设计的”赛车系统”（刹车在哪、仪表盘显示什么、什么时候进站加油），它很可能跑着跑着就冲出赛道了。这个”赛车系统”，就是今天要聊的 Harness（工程骨架）。 这是「小白讲 AI」系列的第 14 篇。上一篇我们聊了 Context Engineering——怎么管好 AI 看到的信息。这一篇我们往上再走一层：不只是管信息，而是搭建一整套系统骨架，让 Agent 在可控的轨道上自主运行。 一、开场类比：赛车手需要一辆好车先来想一个问题：第 8 篇里我们说 Agent 能”自己干活”——它能调用工具、观察结果、决定下一步。但谁来决定它能调用哪些工具？谁来确保它不会无限循环下去？谁来在它做了一件危险操作之前拦住它？ 答案不是模型自己。模型只管”想”和”说”。管住模型的那套系统，才是 Harness。 回到赛车的类比： 赛车手（大模型） 赛车系统（Harness） ...

你学会了一道菜的做法，照着菜谱一步步操作，味道确实不错。但如果有一天你要同时做一桌子菜呢？光靠菜谱远远不够——你得管理整个厨房：哪些食材要提前解冻、调料瓶怎么摆才顺手、砧板上现在该放什么、冰箱里还剩什么……这就是从”会做一道菜”到”管好一个厨房”的跨越。AI 领域也有同样的进化：从”写好一条提示词”（Prompt Engineering）到”管好整个上下文”（Context Engineering）。今天我们就来聊聊这个正在重新定义 AI 应用开发方式的关键概念。 这是「小白讲 AI」系列的第 13 篇。第 5 篇我们聊了 Prompt Engineering——怎么写好一条指令让 AI 听懂你的意思。这一篇我们往上走一层：不再只关注”怎么说”，而是关注”AI 看到什么”。 一、开场类比：从”写菜谱”到”管厨房”先来回忆一下第 5 篇的核心观点。Prompt Engineering 要解决的问题是：怎么跟 AI 好好说话。你学会了写清晰的指令、给出示例、分配角色、控制输出格式。这些技巧确实很有用，就像一份写得漂亮的菜谱，能让一道菜做得有模有样。 但问题来了——真实世界的 ...

理论讲了整整 11 篇，从神经网络到 Transformer，从训练到推理，我们已经把 AI 的核心概念过了一遍。但纸上谈兵终究不过瘾——今天这最后一篇，我们用 10 分钟写一个能跑的 AI 程序，让大模型真正为你干活。 1. 准备工作要调用 AI，你需要两样东西：一把”钥匙”和一个”工具箱”。 获取 API Key（钥匙） API Key 就像餐厅的会员卡——你出示它，服务员才知道该把账记在谁头上。目前主流的大模型服务商都提供 API 接入： Claude（Anthropic）：前往 console.anthropic.com 注册账号，进入 API Keys 页面，点击”Create Key”即可生成。 OpenAI：前往 platform.openai.com 注册，在 API keys 页面创建。 拿到 Key 之后，把它存到环境变量里，千万不要写死在代码中（泄露了别人就能拿你的额度花钱）： 12345# Mac / Linuxexport ANTHROPIC_API_KEY="sk-ant-xxxxx"# Windows PowerShell...

这是”小白讲 AI”系列的第 11 篇。前面几篇我们聊了 AI 怎么学习、怎么生成内容，但有一个更根本的问题一直没展开——AI 会不会”翻车”？ 翻车了怎么办？怎么才能尽量不让它翻车？今天我们就来聊聊 AI 安全与对齐这个大话题。 一、开场类比：教一个超级聪明的外星人做人想象这样一个场景：有一天，一个智力远超人类的外星人降落在你家门口。它能在几秒钟内算出火箭轨道，能流利地说一百种语言，但它对人类社会的规则一无所知。 你让它去超市帮你买菜，它可能会觉得”效率最高的方式”是直接把菜拿走——因为没人告诉它要排队结账。你让它帮你写一封邮件，它可能会用极其直白甚至冒犯的语气，因为它不理解人类的社交礼仪。 AI 对齐（AI Alignment） 要解决的，就是类似的问题。AI 模型本质上就是一个”超级聪明但没有常识的外星人”。它拥有强大的能力，但如果我们不花大力气去”教”它什么该做、什么不该做，它就可能做出各种离谱的事情。 “对齐”这个词的意思是：让 AI 的目标、行为和价值观与人类的意图对齐，也就是保持一致。听起来简单，做起来却是当今 AI 领域最难的问题之一。 二、AI 会犯什么错？...