LangChain 学习 Day 6：Agent、工具调用与 MCP

今天学习 Agent。普通问答系统只负责生成文本，Agent 则让模型具备“判断任务、选择工具、执行动作、观察结果、继续推理”的能力。它更接近大模型应用从问答走向自动化执行的关键环节。

文档中提到两类工具接入：本地工具和 MCP 工具。本地工具通常是代码中的函数、API 或业务能力；MCP 则提供一种标准化方式，让模型应用通过 Client / Server 连接外部工具和上下文资源。

工具调用的本质

工具调用并不是模型真的执行代码，而是模型根据工具描述和参数 schema 生成一次调用意图。应用层拿到这个意图后执行真实函数，再把执行结果返回给模型。这里最重要的是工具描述清楚、参数类型严格、错误信息可解释。

使用 OpenAI SDK 时，需要定义工具 schema；使用 LangChain 时，可以把函数封装为 Tool，再交给 Agent。无论哪种方式，工具边界都要明确：能做什么、不能做什么、输入是什么、输出是什么、失败如何处理。

MCP 的意义

MCP 可以理解为模型应用和外部工具之间的标准连接协议。它把工具、资源和上下文通过统一协议暴露给模型应用，减少每个工具都单独写适配层的成本。

从工作流程看，通常包括能力声明、上下文注入、模型推理、工具选择、工具调用、结果返回和最终答案生成。面试时可以强调：MCP 的价值在于标准化工具接入和上下文交换，而不是单纯多了一个插件系统。

面试八股问答

Q：Agent 和普通 Chain 有什么区别？
A：Chain 的流程通常由开发者预先固定，Agent 会根据任务动态决定是否调用工具、调用哪个工具以及下一步怎么做。Agent 更适合开放任务和复杂执行流。

Q：工具调用有哪些风险？
A：参数错误、权限越界、工具执行失败、结果注入攻击和无限循环。工程上要做 schema 校验、权限控制、超时重试、日志审计和人工兜底。

Q：MCP 解决什么问题？
A：MCP 通过统一协议连接模型应用和外部工具 / 资源，降低工具适配成本，并让上下文和能力声明更标准化。

HR / 简历表达

可以写成：“掌握 LangChain Agent 与工具调用流程，能够定义工具 schema、封装本地工具，并理解 MCP Client / Server 模式在外部工具接入中的作用。”

今日复盘

Agent 的核心不是“让模型更聪明”，而是把模型推理和真实世界操作连接起来。工具 schema、权限边界和失败处理，比单纯调用成功更重要。