从 LLM 到全栈 Agent：MCP 协议 × RAG 技术如何重构 AI 的“做事能力”

一、LLM 的“手无缚鸡之力”：能说，不能做

大语言模型（LLM）的本质，是一个基于概率的文本生成器。它通过海量语料学习语言模式，能在给定上下文下预测下一个最可能的 token。这种能力让它在信息整合、逻辑推理、创意生成上表现出色。

但它存在三个根本性局限：

1. 封闭世界假设

LLM 的知识完全来源于训练数据，无法感知外部状态。

• 它不知道你当前目录下有什么文件
• 它不知道服务器是否宕机
• 它不知道最新股价是多少

2. 无副作用（Side-effect Free）

LLM 的输出只是文本，不会改变现实世界的状态。

• 它可以写出 rm -rf /，但不会真的删除你的系统
• 它可以描述“部署成功”，但不会触发 CI/CD 流水线

3. 无长期记忆

每次对话都是“全新开始”（除非使用上下文窗口），无法记住：

• 你上周让它生成的项目结构
• 你偏好的代码风格
• 任务的中间状态（如“依赖已安装，下一步该写组件”）

二、破局点：LLM + Tools = Agent（智能体）

真正的突破，来自于将 LLM 与可执行工具结合，形成 AI Agent（智能体） 。

️ 最小可行工具集（MVP Tools）

表格

极简 Agent 示例（Node.js）

import { spawn } from 'child_process';
import { writeFile } from 'fs/promises';

async function handleTask(task) {
  if (task.includes('创建 React 项目')) {
    // 1. 执行命令创建项目
    await new Promise((resolve, reject) => {
      const proc = spawn('pnpm', ['create', 'vite', 'my-todo-app', '--template', 'react-ts']);
      proc.on('close', (code) => code === 0 ? resolve() : reject(new Error('创建失败')));
    });

    // 2. 写入自定义 README
    await writeFile('my-todo-app/README.md', '# AI 生成的 Todo Appn由全栈 Agent 自动创建');

    // 3. 返回结果
    return ' 项目 my-todo-app 已创建并初始化！';
  }
  return '未识别任务';
}

Agent 的核心范式

• LLM = 大脑：理解用户意图、拆解任务、选择工具、规划步骤
• Tools = 手脚：执行具体操作、返回真实世界反馈
• 循环迭代：LLM 根据工具返回结果，决定下一步行动（ReAct 模式）

甜头来了：AI 真的能干活了！

三、新瓶颈：工具生态的“巴别塔困境”

然而，随着工具数量增加，新的复杂性浮现：

场景碎片化

表格

️ LLM 调用失败率高

• 因为缺乏工具 schema 描述，LLM 只能靠 prompt 猜参数
• 一旦猜错（如传了 cd dir && cmd 而工具已设 cwd），命令直接失败
• 错误无法自动恢复，Agent 卡死

四、MCP 协议：为 AI 工具建立“通用语言”

2024 年底，Anthropic 提出并开源 Model Context Protocol（MCP） ，旨在解决上述问题。

MCP 的三大核心能力

表格

通信方式

表格

标准 MCP 工具示例（Node.js + SDK）

// file-tool.mjs
import { McpServer } from '@modelcontextprotocol/sdk';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server';
import { readFile, readdir } from 'fs/promises';

const server = new McpServer();

// 注册 readFile 工具
server.registerTool({
  name: 'read_file',
  description: '读取指定路径的文件内容',
  inputSchema: {
    type: 'object',
    properties: { path: { type: 'string', description: '文件绝对路径' } },
    required: ['path']
  },
  handler: async ({ path }) => {
    const content = await readFile(path, 'utf8');
    return { content };
  }
});

// 注册 list_directory 工具
server.registerTool({
  name: 'list_directory',
  description: '列出目录下的文件和子目录',
  inputSchema: {
    type: 'object',
    properties: { path: { type: 'string' } },
    required: ['path']
  },
  handler: async ({ path }) => {
    const files = await readdir(path);
    return { files };
  }
});

// 启动 stdio 服务（适合本地调用）
const transport = new StdioServerTransport();
await server.connect(transport);
console.error('MCP File Tool Server Ready');

五、MCP 架构三要素：Host / Client / Server

理解 MCP，必须厘清三个角色的职责边界：

表格

完整工作流程

1. 初始化阶段
   Host 启动 MCP Client，连接 Server（spawn 子进程 or HTTP 请求）
   → 发送 { "method": "mcp.list_tools" }
   ← Server 返回工具列表及 JSON Schema

2. 任务执行阶段

   • LLM 根据任务选择工具（如 read_file）
   • Host 通过 Client 发送 { "method": "read_file", "params": { "path": "src/App.tsx" } }
   • Server 执行 fs.readFile，返回 { "result": { "content": "..." } }
   • Host 构造 ToolMessage(content=..., tool_call_id=...)，追加到对话上下文
   • LLM 基于新上下文继续推理或生成最终答案

六、仅靠工具还不够：Memory + RAG 才是完整 Agent

一个生产级 Agent 需要四大支柱：

text

编辑

AI Agent = LLM + Tools + Memory + RAG

1️⃣ Memory（记忆）：解决“健忘症”

为什么需要？

• LLM 上下文窗口有限（通常 ≤ 128K tokens）
• 长期任务（如“每周生成周报”）需跨会话记忆
• 用户偏好（如“用 pnpm 而非 npm”）应被记住

实现方案：

• 短期记忆：对话历史摘要（LLM 自动生成）
• 长期记忆：向量数据库存储关键事件（如“用户项目使用 TypeScript”）
• 检索机制：每次调用前，从记忆库召回相关信息注入 prompt

2️⃣ RAG（检索增强生成）：解决“幻觉”

问题本质：

LLM 的知识截止于训练数据（如 GPT-4 截止 2023 年），面对：

• 公司内部制度
• 最新 API 文档
• 私有代码库
• 实时数据（股价、天气）

它会“自信地胡说”。

RAG 工作原理：

1. 知识入库：将私有文档（PDF/Word/代码/网页）切片 → 向量化 → 存入向量库
2. 查询时检索：用户提问 → 生成 query embedding → 检索 top-k 相关片段
3. 增强 Prompt：将检索结果拼接到 prompt 中
4. LLM 生成：基于真实知识生成答案

LangChain RAG 示例（增强版）：

// 1. 加载多种格式文档
const loaders = [
  new TextLoader('docs/policy.txt'),
  new PDFLoader('docs/handbook.pdf'),
  new WebBaseLoader('https://internal.wiki/api-guide')
];
const docs = await Promise.all(loaders.map(l => l.load()));

// 2. 智能切片（按语义而非固定长度）
const splitter = new RecursiveCharacterTextSplitter({ chunkSize: 500 });
const chunks = await splitter.splitDocuments(docs.flat());

// 3. 向量化存储
const vectorStore = await Chroma.fromDocuments(chunks, new OpenAIEmbeddings());

// 4. 构建带记忆的 RAG 链
const chain = new RetrievalQAChain({
  llm: new ChatOpenAI(),
  retriever: vectorStore.asRetriever({ k: 3 }),
  memory: new ConversationSummaryMemory({ llm: new ChatOpenAI() })
});

// 5. 调用
const res = await chain.call({ query: '如何申请年假？' });
// → 答案严格基于公司制度文档，无幻觉

七、未来已来：MCP 如何重塑应用生态？

MCP 的普及，正在引发一场“应用层革命”：

趋势 1：80% 的 App 将消失

• 今天：用户需下载淘宝、美团、滴滴、Notion……

• 未来：用户只需一个 Universal Agent，通过自然语言调用 MCP 服务：

  • 调用 大众点评 MCP：查餐厅、预订
  • 调用 微信支付 MCP：完成支付
  • 调用 高德地图 MCP：叫车
  • 调用 日历 MCP：添加事件

趋势 2：大厂开放 MCP 服务

表格

趋势 3：一人公司成为可能

• 案例：“OpenClaw养虾”
  一个开发者构建多 Agent 协同系统：

  • 编程 Agent：用 MCP 调用 Cursor 创建项目
  • 设计 Agent：调用 Figma MCP 生成 UI
  • 财务 Agent：调用 QuickBooks MCP 记账
  • 市场 Agent：调用 Google Ads MCP 投放广告

八、开发者行动指南

如果你是一名开发者，现在就是布局全栈 Agent 的最佳时机：

三步走战略

1. 学习 MCP 协议

   • 阅读 MCP 官方规范
   • 掌握 @modelcontextprotocol/sdk

2. 将现有服务 MCP 化

   # 示例：把内部 CLI 工具包装成 MCP Server
   npx mcp-wrap --command="my-cli-tool" --name="internal_tool"
   

   • 任何可脚本化的服务，都可暴露为 MCP 工具

3. 构建自己的 Agent Host

   • 集成：

     • MCP Client（工具调用）
     • RAG（知识检索）
     • Memory（长期记忆）
     • 安全沙箱（限制危险命令）

   • 推荐框架：LangChain（实验性 MCP 支持）、LlamaIndex、自研

关键资源

• SDK：npm install @modelcontextprotocol/sdk
• 示例仓库：github.com/modelcontex…
• 社区：Discord / GitHub Discussions

结语：从“对话”到“行动”，AI 正在进化

• LLM 让 AI 学会了 说话
• Tools 让 AI 学会了 动手
• MCP 让 AI 的手脚 遍布全球
• RAG 让 AI 的知识 永不落后
• Memory 让 AI 记得你是谁

我们正站在一个新时代的门槛上：
AI 不再是聊天窗口里的“聪明朋友”，而是能替你工作的“数字员工”。

而这一切，才刚刚开始。