AI Agent 落地的第 0 步：MCP、RAG 与工具调用的工程化选择

1. 从大模型到 Agent：为什么需要记忆、规划与工具

2. MCP 协议如何统一外部工具调用，对比 Function Calling

3. RAG 在 Agent 中的边界：知识检索 vs 实时工具

4. 生产级 Agent 的评测、监控与安全

5. 经典代码示例：基于开源框架搭建一个检索+工具的Agent

import os
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.vectorstores import Chroma
from langchain_core.tools import Tool
from langchain_openai import OpenAIEmbeddings
llm = ChatOpenAI(model='gpt-4o-mini', temperature=0)
embedding = OpenAIEmbeddings()
vectorstore = Chroma(collection_name='company_docs', embedding_function=embedding)
retriever = vectorstore.as_retriever(search_kwargs={'k': 5})
def retriever_tool(input: str) -> str:
 docs = retriever.invoke(input)
 return '\n\n'.join([d.page_content for d in docs])
rag_tool = Tool.from_function(
 func=retriever_tool,
 name='company_docs_search',
 description='在公司知识库中检索信息，入参是自然语言查询。'
)
search = TavilySearchResults(max_results=3)
tools = [rag_tool, search]
prompt = ChatPromptTemplate.from_messages([
 ('system', '你是一个智能助手，可以检索知识库或搜索实时信息来回答问题。'),
 ('human', '{input}'),
 ('placeholder', '{agent_scratchpad}'),
])
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True)
res = agent_executor.invoke({'input': '请对比我们公司最新的产品与竞争对手的公开信息，并给出建议。'})
print(res['output'])

Mermaid流程图

推荐视频

免责声明

操作清单

• 明确业务问题，定义Agent边界
• 根据供应商锁定情况选择MCP或Function Calling
• 划分RAG与工具使用场景
• 建立评测集和过程指标
• 配置全链路追踪和监控告警
• 实施最小权限与人工审批
• 使用开源框架快速原型验证

避坑指南

• 不要把能力全塞进Prompt，优先用RAG和工具承载。
• RAG对表格和时序数据效果差，考虑混合检索。
• 工具返回内容需要消毒，防止Prompt注入。
• MCP仍在快速迭代，需要固定客户端和服务端版本。
• 评测不能只看最终答案，要关注工具调用过程。
• Agent循环成本高，要设置最大迭代次数。
• 能够修改外部系统的工具必须加白名单和审计。