Appearance
AI 理论
一、理解
最开始，OpenAi 发布 GPT 时，ai 看起来只是一个聊天框，我们通过发送消息（用户 prompt-用户提示词），ai 通过不同模型进行回复（类比跟不同人说话得到的回复不一样），但很多时候如果没有详细设定，ai 就只能给出一个中肯的回答，如果想让 ai 更符合某个人设，就可以对它说你扮演某个角色去进行回复。
但如果每次都需要加一个预设，这样会导致用户输入过多与真实想问内容无关的词，所以就可以将预设这些提炼成 system_prompt，每次进行提问时不仅带上用户的 user_prompt，还要带上预设的 system_prompt。这个系统提示词就主要用来描述 ai 的角色、性格、场景、语气等。这样整个对话就会更加流畅自然。
二、AI Agent 和 AI Tools
背景发展： 由于 LLM 的发展，仅仅靠对话模型无法解决实际问题，因此引入了 AI Agent，即 AI 代理，它可以通过调用 AI Tools 来解决实际问题。
AI Agent AI Agent 是一个基于 LLM 的智能代理，它可以与外部工具和应用程序进行交互，并使用 LLM 生成回复。
AI Tools AI Tools 是一个工具库，它包含各种工具，如搜索、翻译、绘图、代码生成等。
三、function Coding
背景： system_prompt 由于 ai 模型回答不确定性可能返回的格式不对的内容，agent 就会采取反复重试，这种方式不太合理，所以大模型厂商推出 function coding。
核心思想： 统一格式，规范描述。
能有针对性的训练 ai， 有更良好的回复。
四、MCP： Model Context Protocol
那么 AI agent 里也会有一些通用的 AI tools，比如浏览网页，不可能每个 agent 都去写一个 web browser，所以，我们可以定义一个通用的格式（协议），然后让 AI agent 去实现这个格式。 这个协议就是 MCP。AI tools 即是 MCP server，调用它的即是 MCP client。
MCP：模型上下文协议， 是一种开放的技术协议，主要是标准化大型语言模型（LLM）与外部工具和服务的交互方式和应用程序向 LLM 提供上下文的方式。使得大型语言模型能够更高效地与外部系统进行交互 。
好处：
- 标准化交互 ：MCP 通过标准化的规则，简化了 AI 模型与外部数据和工具的交互过程。它像是一个通用插头，使得 AI 模型能够与不同的系统进行交流，而不需要为每个系统进行定制设置 。
- 提高效率 ：MCP 通过统一的 API 将 LLM 连接到各种应用程序，大幅降低了技术实现的难度和成本。它解决了传统方式中自定义解决方案数量呈几何级数增长的问题，简化了集成过程 。
- 增强 AI 的实用性和智能性 ：MCP 赋予 AI 模型“记忆”和“触手”，使其能够调用工具、访问数据，从而提升其智能水平和实用性。它使得 AI 模型不再局限于处理语言任务，而是能够执行更复杂的操作 。
整个流程：
- 输入：用户输入问题。（通过 agent 进行提问）。
- agent：通过 AI agent（MCP Client）处理，然后通过 mcp 协议，从 mcp server 获取 tools 信息，ai agent 会将 tools 信息转化成 system_prompt 或者 function_call，然后结合用户的 user_prompt，再打包发给模型，模型想去查一些内容，就可以通过 agent 去调用 mcp 服务拿到数据。
- 模型： 通过模型处理计算，然后返回结果。
