Agentic AI工作流涌現(xiàn)！本文揭秘如何用 Anthropic 的 MCP 賦能 LLM，實現(xiàn)自主決策。通過 Todo List MCP Server 和 Calendar MCP Server 演示，展示 MCP 客戶端如何協(xié)調(diào)工具和動態(tài)提示，構(gòu)建模塊化、可組合的智能自動化流程。MCP 嵌套實現(xiàn)類似微服務(wù)的代理委托，dev-scaffolding 服務(wù)器聯(lián)動 spec-writer、code-gen、test-writer，構(gòu)建強大工具系統(tǒng)。

譯自：How MCP Enables Agentic AI Workflows[1]

作者：Michael Field

人們對 Anthropic 的 模型上下文協(xié)議 (MCP)[2] 的興趣與對它是什么以及為什么要使用它的困惑一樣高。在本系列文章的第 1 部分中，我深入 探討了 MCP[3]——它是什么，以及它不是什么。在本文中，我將探討圍繞它如此多討論的主要原因：賦能 agentic AI 工作流。

用于 Agentic 工作流的 MCP

原始的 大型語言模型 (LLM)[4] 只是將輸入映射到輸出。一個 agentic LLM 系統(tǒng)賦予 LLM：

? 行動的工具

? 對過去步驟的記憶

? 迭代循環(huán)和推理的方式

? 可選的目標或任務(wù)

因此，當你將 LLM 與工具連接起來，讓它決定調(diào)用哪些工具，讓它反思結(jié)果并讓它計劃下一步——你就使它具有了 agentic 能力。它現(xiàn)在可以決定下一步做什么，而無需被告知每一步。

那么這與 MCP 有什么關(guān)系呢？嗯，正如我們所提到的，MCP 可以提供超出工具的上下文。MCP 服務(wù)器還可以提供參數(shù)化的提示，從而有效地允許 MCP 服務(wù)器向 LLM 提供下一個指令。這種提示鏈可以打開一些非常有趣的大門。

更引人注目的是 MCP 如何在正確的時間呈現(xiàn)相關(guān)的工具，而無需將每個選項都塞進提示上下文中。MCP 允許一種更模塊化的方法，而不是過度設(shè)計提示描述以考慮每一種可能性并迫使 LLM 進入確定性的工作流程：“這是來自此工具調(diào)用的響應(yīng)，如果事情變得更復(fù)雜，這里有一些可能有幫助的工具?！边@使得系統(tǒng)更具適應(yīng)性和可擴展性，同時仍然讓 LLM 能夠靈活地探索新的路徑，如果最初的指令不是完全確定性的。

事實上，有了這些能力，我們就擁有了一些類似于 agent 的東西，它從以下幾個方面的相互作用中產(chǎn)生：

? LLM（推理和決策）

? MCP 服務(wù)器（提供工具和鏈接提示）

? MCP 客戶端（管理循環(huán)和執(zhí)行）

? 用戶（提供目標）

讓我們來看看實際情況。我將演示一個非常簡單的 agentic 工作流，其中 LLM 根據(jù)返回的提示調(diào)用來自多個 MCP 服務(wù)器的工具。以下是我正在使用的服務(wù)器：

Todo List MCP Server

[[tool]]
name = "add_task"
description = "Adds a new task to your todo list."
input_parameters = [
  { name = "task_description", type = "string", description = "The task to add to your todo list." }
]

[[prompt]]
name = "plan_daily_tasks"
description = "Plans the day by breaking down a user goal into actionable tasks."
input_parameters = [
  { name = "user_goal", type = "string", description = "The user's goal for the day." }
]
template = """Based on the user's goal: '{user_goal}', generate 2-3 specific, actionable tasks that would help the user achieve it.
For each task, call the `add_task` tool with a helpful task description."""

Calendar MCP Server

[[tool]]
name = "schedule_event"
description = "Schedules an event in your calendar."
input_parameters = [
  { name = "task_description", type = "string", description = "The task or event to be scheduled." },
  { name = "time", type = "string", description = "The time when the event should be scheduled (e.g., '2pm today')." }
]

[[prompt]]
name = "schedule_todo_task"
description = "Schedules a task from the todo list into your calendar."
input_parameters = [
  { name = "task_description", type = "string", description = "The task to schedule." }
]
template = """The user wants to schedule the task: '{task_description}'.
Suggest a good time for today and call the `schedule_event` tool to add it to the calendar."""

好的，現(xiàn)在想象你有一個聊天機器人，可以訪問這些 MCP 服務(wù)器提供的上下文。當用戶提供一個高級目標，例如“我今天想專注于深度工作”時，MCP 客戶端會協(xié)調(diào)一個模塊化的、多服務(wù)器的工作流程來滿足請求。它將用戶消息與來自所有連接的 MCP 服務(wù)器的工具元數(shù)據(jù)和提示指令打包在一起，并將其發(fā)送到 LLM。LLM 首先從 Todo Server 中選擇一個高級規(guī)劃工具 plan_daily_tasks，該工具返回一個提示，指示 LLM 使用 add_task 將目標分解為可操作的任務(wù)。

隨著任務(wù)的創(chuàng)建和 LLM 收到通知，LLM 會進一步推理并決定通過調(diào)用 schedule_todo_task 來安排任務(wù)，從而觸發(fā) Calendar Server。該服務(wù)器使用新的提示指導(dǎo)來使用 schedule_event 做出響應(yīng)，此時 LLM 會以特定時間最終確定當天的計劃。

每個工具交互都由 MCP 客戶端路由和協(xié)調(diào)，該客戶端管理推理循環(huán)，協(xié)調(diào)工具執(zhí)行并跟蹤整個會話的交互狀態(tài)。這形成了一個完全自主的工作流程：用戶設(shè)定目標，LLM 推理和決策，MCP 服務(wù)器公開工具和動態(tài)提示，MCP 客戶端協(xié)調(diào)流程，從而在各個領(lǐng)域?qū)崿F(xiàn)智能、可組合的自動化。

從一個非?；A(chǔ)和高級的提示開始，你現(xiàn)在有了一個代理，它可以自行做出多個決策以達到最終目標。當然，如果不了解用戶希望將精力集中在哪些深度工作上，那么生成這些任務(wù)的價值就微乎其微了，但是改進這一點只需要修改 MCP 服務(wù)器，使其具有更全面和周到的提示。

MCP 嵌套

當你開始關(guān)注單層 MCP 客戶端和服務(wù)器之外的東西時，事情開始變得非常有趣。MCP 服務(wù)器也可以是其他 MCP 服務(wù)器的客戶端。這種嵌套實現(xiàn)了模塊化、組合和類似代理的委托，其中一個服務(wù)器可以將部分推理或功能“委托”給另一個服務(wù)器。

這就像代理的 微服務(wù)[5]。正如我們從后端應(yīng)用程序的 單體架構(gòu)轉(zhuǎn)向微服務(wù)架構(gòu)[6] 一樣，我們現(xiàn)在正在使用 MCP 服務(wù)器將工具邏輯與代理運行時解耦?；谛?MCP 服務(wù)器的快速添加，很容易想象一個龐大且高度可組合的工具系統(tǒng)，可以像樂高積木一樣用于構(gòu)建全面的工作流程。

例如，你可以擁有一個 dev-scaffolding MCP 服務(wù)器，它充當高級協(xié)調(diào)器，專注于通過協(xié)調(diào)幾個專門的上游 MCP 服務(wù)器來幫助開發(fā)人員將想法轉(zhuǎn)化為可工作的代碼。當用戶請求新的應(yīng)用程序功能（例如，“添加登錄功能”）時，協(xié)調(diào)器服務(wù)器使用上游服務(wù)器——spec-writer 生成 API 規(guī)范，code-gen 從該規(guī)范搭建代碼，以及 test-writer 生成相應(yīng)的測試用例。

這些集體的 MCP 服務(wù)器也可以用于特定于環(huán)境的功能。換句話說，它們公開相同的接口（例如，query_database ），但配置用于不同的環(huán)境。這將允許你擁有一個 dev-app-server ，其中包括上游 MCP 服務(wù)器，例如使用 SQlite 數(shù)據(jù)庫的 dev-db-server 、返回模擬身份驗證響應(yīng)的 dev-auth-server 以及包裝本地命令行界面 (CLI) 工具的 dev-deploy-server 。然后，prod-app-server 將指向與基于云的部署相關(guān)的相關(guān)上游服務(wù)器。

像 mcp.run 這樣的平臺已經(jīng)大量利用了這種可組合性。Mcp.run 允許你安裝一個可擴展的、動態(tài)可更新的服務(wù)器，該服務(wù)器利用它稱為 servlet 的 MCP 服務(wù)器的上游注冊表。這些 servlet 不需要 本地安裝，但可以在 mcp.run 基礎(chǔ)設(shè)施上遠程運行。

由于多種原因，這非常強大，但就本文而言，它突出了 MCP 生態(tài)系統(tǒng)中正在發(fā)生的一個重要轉(zhuǎn)變：遠程 MCP 服務(wù)器。這就是本系列第三篇也是最后一篇文章的主題。

想了解更多？了解 Kong 今天如何解決現(xiàn)實世界中的 MCP 服務(wù)器挑戰(zhàn)。

引用鏈接

[1] How MCP Enables Agentic AI Workflows:https://thenewstack.io/how-mcp-enables-agentic-ai-workflows/

[2]模型上下文協(xié)議 (MCP):https://thenewstack.io/model-context-protocol-a-primer-for-the-developers/

[3]探討了 MCP:https://thenewstack.io/what-is-mcp-game-changer-or-just-more-hype

[4]大型語言模型 (LLM):https://thenewstack.io/category/llm/

[5]微服務(wù):https://thenewstack.io/microservices/

[6]單體架構(gòu)轉(zhuǎn)向微服務(wù)架構(gòu):https://thenewstack.io/microservices/microservices-vs-monoliths-an-operational-comparison/