← 返回首页 📚 实战课程
📑 本篇章节导航 (共5章,点击直达)
本节目标(学完能回答的面试题)核心知识(1小时精讲内容)面试速记卡(考前30秒速看)练习题(自测)学习资料

L25 - Agent模式与MCP协议

本节目标(学完能回答的面试题)

核心知识(1小时精讲内容)

1. Agent 4种模式


模式1: 单Agent + 多工具(最简单)
  一个Agent + 多个Function Calling工具
  适用: 任务简单、工具少于10个

模式2: ReAct模式(面试必问)
  Thought→Action→Observation循环推理
  适用: 需要多步推理的复杂任务

模式3: Planning模式
  先规划任务步骤,再逐步执行
  适用: 任务可预先分解的场景

模式4: Multi-Agent模式
  多个专业Agent协作完成复杂任务
  适用: 不同领域专业知识交叉的任务

2. ReAct框架详解(面试核心)


ReAct = Reasoning + Acting

循环流程:
  Thought: 我需要查询用户的订单信息
  Action:  调用orderService.getOrders(userId="123")
  Observation: [订单A, 订单B, 订单C]

  Thought: 用户有3个订单,我需要检查是否有超时未支付
  Action:  调用orderService.checkTimeout(orders)
  Observation: 订单A已超时

  Thought: 我应该告诉用户订单A已超时,并建议操作
  Answer:  "您的订单A已超时未支付,建议重新下单或联系客服..."

对比:
  普通LLM: 只能基于已有知识回答
  ReAct Agent: 能调用外部工具获取实时数据后再回答

Agent核心组件:


1. LLM(大脑):     推理和决策
2. Memory(记忆):  短期(对话历史) + 长期(向量存储)
3. Tools(工具):   搜索/数据库/API/代码执行
4. Planning(规划): 任务拆解和执行策略

3. Agent反思机制(Reflexion)


普通Agent:  执行 → 输出 → 结束(结果不好也没辙)
反思Agent:  执行 → 自我评估 → 发现问题 → 修正 → 重新执行

三步循环:
  Action:     Agent执行任务,生成初始结果
  Evaluation: Agent自我评估(或用评估器打分)
  Reflection: 如果不满意,反思原因,生成改进策略

Java/Spring AI实现思路:
  String result = chatClient.prompt().user(task).call().content();
  String evaluation = chatClient.prompt()
      .system("评估结果质量0-10分")
      .user(result).call().content();
  if (score < 8) {
      // 反思 + 重新执行
  }

注意: 最大反思次数限制(2-3次),反思也消耗Token

4. MCP协议(Model Context Protocol)


全称: Model Context Protocol
提出: Anthropic(Claude团队), 2024年11月
定位: AI模型与外部工具/数据源的标准化通信协议

类比:
  USB = 硬件设备的统一接口
  MCP = AI应用的统一接口

架构:
  Host(宿主) → Client(客户端) → Server(服务端)
  一个Host可有多个Client,一个Client连接一个Server

三大原语(Primitives):

1. Tools(工具):
   可被AI调用的函数
   如: 文件读写、数据库查询、API调用

2. Resources(资源):
   可被AI读取的数据
   如: 文件内容、数据库记录、API响应

3. Prompts(提示):
   预定义的提示模板
   如: 代码审查模板、翻译模板

5. MCP vs Function Calling(高频对比题)


┌──────────────┬────────────────────┬─────────────────────┐
│    维度       │  Function Calling  │      MCP            │
├──────────────┼────────────────────┼─────────────────────┤
│ 定义者        │ OpenAI             │ Anthropic           │
│ 定位          │ 模型调工具的协议    │ 工具接入的标准协议   │
│ 范围          │ 单次调用           │ 标准化工具生态       │
│ 执行方        │ 开发者代码         │ MCP Server独立进程   │
│ 可复用性      │ 每个应用单独实现    │ 一次开发,所有AI通用 │
│ 关系          │ MCP是更上层的标准  │ 可基于MCP的工具执行  │
└──────────────┴────────────────────┴─────────────────────┘

面试话术:
"Function Calling是模型调工具的协议(OpenAI定义),
MCP是工具提供方与AI应用的标准通信协议(Anthropic定义)。
MCP是更上层的标准,定义了工具如何暴露给AI,
Function Calling可以基于MCP提供的工具来执行。
类似USB接口(Function Calling)和USB设备标准(MCP)的关系。"

6. A2A协议(Agent-to-Agent)


全称: Agent-to-Agent Protocol
提出: Google, 2025年4月
定位: 多Agent之间的标准化通信协议

MCP vs A2A:
  MCP: AI应用 ←→ 单个工具/数据源 (一对一)
  A2A: Agent ←→ Agent (多对多协作)

类比:
  MCP = 员工与工具的关系(你用锤子、用电脑)
  A2A = 员工与员工的协作(前端找后端、设计师找开发)

A2A核心概念:
  Agent Card:  Agent的能力描述(名片)
  Task:        Agent间传递的任务单元
  Message:     任务执行中的消息传递
  Artifact:    任务产生的成果物

7. 2026 AI协议栈全景


四层协议栈(面试热点):
  MCP   → Agent连接工具和数据(接口层)
  A2A   → Agent之间发现和协作(发现层)
  ACP   → Agent之间消息传递(通信层)
  AG-UI → Agent与用户交互(表现层)

面试话术:
"2026年AI协议栈分四层: MCP连接工具,A2A发现Agent,
ACP标准化消息传递,AG-UI对接用户界面。
我们项目主要用MCP(工具接入),A2A/ACP作为协议标准了解。"

8. 与你项目对照:双管道ChatClient


你的AI定价系统用了双管道设计:

管道1: Boss管道(SSE流式输出)
  用户在后台发起提问 → ChatClient流式调用GLM
  → SSE实时推送给前端
  → 适用于需要实时反馈的场景

管道2: MQ管道(自动定价)
  RabbitMQ消费定价消息 → ChatClient同步调用
  → 执行5步定价算法
  → 结果写入数据库
  → 适用于批量/异步定价场景

设计优势:
  两个管道隔离——Boss管道的延迟不影响MQ管道的吞吐量
  共享同一套@TdTool工具定义
  共享同一个ChatMemory实现

面试讲法:
"我们的Agent系统是双管道架构:
Boss管道(SSE)处理实时交互,MQ管道处理批量自动定价。
两个管道共享工具定义和对话记忆,但执行隔离互不影响。"

面试速记卡(考前30秒速看)

练习题(自测)

1. 用ReAct框架的格式,模拟一个"用户问机票价格"的完整推理过程(至少3轮Thought→Action→Observation)

2. MCP的三大原语分别是什么?举出你项目中对应的例子

3. 如果面试官问"MCP和Function Calling什么关系",你怎么回答?

4. Agent生产环境有哪些坑?至少列出3个及对应解决方案

5. 你项目中的双管道设计解决了什么问题?如果只有一个管道会有什么问题?

学习资料