《AI Agent智能体与MCP开发实践》读书笔记：提示词讲道理，协议立规矩
阅读方式：微信读书网页版，从版权页翻到第 16 章末，共 747 屏、16 章、18 分 07 秒。 结构是教科书式的：前 6 章打地基（大模型演进、环境、微调、在线 API、RAG、架构设计），后 10 章是七个实战项目。
拿到这本书时我以为又是一本"Agent 入门到实战"。读到第 10 章，我改变了判断。
第 10 章的标题是《云上 MCP 服务的部署与使用》，第一节叫「stdio 与 SSE 传输协议」。整整一节，在讲两种传输方式的差别、各自的适用场景、以及为什么远程服务必须换成 SSE。
在一本讲智能体的书里，这是最"不性感"的内容。没有人会因为搞懂了 stdio 和 SSE 的区别而兴奋。但恰恰是这一节，让我觉得这本书和市面上那批"Coze 拖拽搭建"的书不是一类。
一、这本书的主角不是"智能体"，是"协议"
作者王晓华是清华社的作者，写法很实。全书 16 章里，有三整章在讲协议：第 8 章 A2A、第 9 章 MCP 与应用、第 10 章云上 MCP。加上第 11、12 两章各做一个 MCP 服务实战，协议相关内容占了全书近三分之一。
这个配比说明了他的判断：智能体这个概念本身没什么新鲜的，新鲜的是"约定"。
一个能调工具、能多轮决策的程序，十年前就有，叫 workflow engine。它和今天 Agent 的差别不在"智能"，在于今天有一批标准，让任何人写的工具能被任何人写的智能体调用。
作者在第 9 章给了一个很朴素的比喻：
"MCP 的问世，旨在攻克 AI 模型与外部数据源和工具之间错综复杂的连接难题。在过往的开发进程中，开发者常常需要为不同的数据源和工具量身定制连接方案，这不仅耗费大量的时间与精力，还极易导致代码的冗余和混乱。而 MCP 凭借其标准化的特性，犹如一把万能钥匙，巧妙地减少了开发者的重复劳动。"
"万能钥匙"这个说法有点过头，但方向是对的。MCP 真正解决的不是"能不能连"，是"连一次要改几处代码"。
而 A2A 解决的是另一个层次的问题：智能体和智能体之间怎么说话。这一层比工具调用抽象一档，也更容易被忽略——因为大部分人做的项目里，只有一个智能体。
二、三道墙：为什么非得有协议
我把全书前 10 章的问题意识归纳成三句话。这三句话，也是三个章节存在的理由。
第一道墙：知识有截止日。 模型训练完就冻住了。你公司的退货规则、昨天改的价格、这个月新上的 SKU，它一个字都不知道。第 7 章整章都在补这个洞，用的办法就是 RAG。
第二道墙：手伸不到外面。 它能写代码，但查不了实时航班、天气、股价。模型只负责输出文本，"动作"得别人替它做。第 9、10 章解决这个。
第三道墙：说不清"我是谁"。 Agent A 想找 Agent B 帮忙，没有名片、没有地址、也没有约定怎么回话。第 8 章的 A2A 就是发名片。
这三道墙有个共同点：都是模型边界之外的事。 而边界之外的解决方案，几乎必然是协议，而不是更强的模型。这是这本书全篇的隐含论点，作者没明说，但从章节配比能读出来。
三、知识进屋的三级台阶（第 7 章，全书最实用）
如果只读一章，我推荐第 7 章的第 3 节：给交流客服 Agent 注入垂直领域知识。
这一节的高明之处在于，它不是直接教你"用向量数据库"，而是把三种方法按能力递进摆出来，每一种都讲清代价。
一级台阶：全文硬塞。 把资料一股脑灌进上下文。操作最简，效果最差。作者的评价很直接：
"此方法简单直接，将涵盖垂直领域全面信息的完整文本资料，一股脑地输入智能客服系统的知识库中。其优势在于操作便捷，能快速将大量知识纳入系统。然而，其弊端也比较明显，全文本数据量庞大且缺乏结构化梳理，导致知识检索时如同大海捞针，难以精准定位用户所需信息，效率与准确性欠佳。"
二级台阶：BM25 切片。 按词频统计切块打分。这是搜索引擎用了二十年的老办法，快、可解释、不用 GPU。但它有一个致命短板，作者也写得很清楚：
"不过，BM25 算法主要基于关键词匹配，对文本语义的深度理解有限，面对语义复杂或存在歧义的查询时，排序结果可能不够理想。"
这句话翻译成业务语言是：用户问"我想退款"，而文档里写的是"退货流程"——BM25 很可能匹配不上，因为它不认同义。
三级台阶：Embedding 向量。 把句子压成向量，算余弦相似度。懂同义、懂语境，代价是要模型、要算力、要一次性建索引。
关键在于，作者把这三者当成叠加关系而不是替代关系。书里的实际做法是：BM25 先粗筛，Embedding 再精排。这也是工业界的主流组合，不是二选一。
这一节我读完最大的收获不是技术，是一个判断标准：评估一套知识注入方案，别问它用了什么模型，问它"同一句话换个说法还能不能找到"。
四、工具出门的四层：从 def 到云
第 9 到 13 章是一条完整的升级路径，我把它们叠成四层。
第一层：函数调用。 Python 里写个 def，把 schema 喂给模型，模型返回要调哪个函数、传什么参数。第 9 章开头专门讲了"Python 调用工具的基本原理"，然后才进 MCP。
这一层的痛点不是难度，是碎片化。每家模型有自己的一套调用格式，项目一多，改一次要改一片。
第二层：MCP 单机 stdio。 这一层引入三个角色，作者的分工讲得很清楚：
"从架构层面来看，MCP 主要由 Host（主机）、Client（客户端）和 Server（服务器） 三大部分构成。其中，客户端扮演着通信使者的角色，负责在 AI 模型与外部系统之间传递信息；而服务器则如同一位睿智的中间人，巧妙地连接着外部系统，这些外部系统可能是庞大的数据库，也可能是功能各异的 API。"
三件套的意义在于：工具变成了可插拔的插座。写工具的人不用管谁来用，写智能体的人不用管工具怎么实现。换个项目，插座照用。
第三层：云上 SSE。 服务搬到局域网、搬到腾讯云，工具从此跨机器。第 10 章把 stdio 和 SSE 的区别讲透了：stdio 是本地进程间管道，服务必须和客户端在同一台机器上；SSE 走 HTTP，服务可以在任何地方。
这一层还带了个很实用的东西：持久化部署。书里用腾讯云做示例，讲了端口开放、在线验证、持久化服务开启。这部分内容在别的书里基本看不到，但对"能不能真的用起来"是决定性的。
第四层：A2A。 见下一节。
五、A2A：智能体的名片和门牌
第 8 章讲 A2A 协议。这一章的技术选择很务实：
"A2A 协议建立在开发者熟悉的网络技术之上：其核心通信方式是 JSON-RPC 2.0 over HTTP(S)……没有晦涩难懂的专有二进制格式，只有通过 HTTP 传输的纯文本 JSON——这种设计非常友好，就像使用所有 Web 服务都能理解的"HTML 通用语言"一样畅通无阻。"
这段话说白了就是：A2A 没有发明新东西，它只是把已有的 Web 技术拿来做智能体通信。 这是个聪明的选择，也是个省事的选择——任何一个会写 HTTP 接口的人，都能上手。
书里 Hello Agent 那个例子的三段实现，作者用了三个特别生活化的比喻，我觉得比代码本身更值得记：
"请求处理器 DefaultRequestHandler：这个组件就像智能体的"接线员"，专门负责接听和处理所有打给智能体的"电话"……
服务器 A2AStarletteApplication：这是智能体的"营业大厅"，把智能体正式搬到网络上开张营业。它会自动在固定地址（/.well-known/agent.json）挂出智能体的"招牌"（agent_card），路人一来就能看到简介、功能和联系方式……
启动服务 uvicorn.run：最后一步就是"点亮营业灯牌"。"
「招牌」这个词很准。`/.well-known/agent.json` 就是智能体的门牌号——别人想知道你能干什么、怎么联系你，访问这个地址就行。这是整章最有价值的一个概念，因为它把"智能体发现"这个抽象问题，变成了一个具体的 URL。
六、七个项目，最后收敛成一张图
全书七个实战项目：二次元陪伴 Agent 微调（第 3 章）、跨境电商智能客服（第 7 章）、Hello Agent（第 8 章）、高德地图 MCP（第 11 章）、arXiv 科研论文 MCP（第 12 章）、旅游规划智能体（第 14 章）、高品质住宅投研智能体（第 16 章）。
读到第 16 章，我发现它们的代码结构几乎一样。以投研智能体的"数据收集模块"为例：
def perception(state, llm):
prompt = ChatPromptTemplate.from_template(PERCEPTION_PROMPT)
chain = prompt | llm | JsonOutputParser()
input_data = {"research_topic": state["research_topic"], ...}
result = chain.invoke(input_data)
return {**state, ...}
这段东西你在旅游规划那一章也能看到，只是 prompt 换了、字段换了。
所有智能体的骨架就三样：一个 state 字典、一串函数、一个循环。 每个节点都是 `prompt | llm | parser`，每个函数负责读 state、算一步、写回 state。
换项目只换两样东西：System Prompt 写什么、工具清单给哪些。 代码结构几乎不动。
这是个让人清醒的结论。它意味着这个领域的门槛不在编程——而在能不能把业务写成一张表。旅游规划那张表是"出发地、目的地、天数、预算、偏好"，投研那张表是"研究主题、关注区域、时间范围"。
表写不出来，代码写得再漂亮也是白写。第 16 章的"负公摊深析"那几节看着跟 AI 无关，其实是全书最硬的部分——不懂业务，你根本填不出那张表。
七、三个保留意见
一是版本时效。 书是 2025 年 9 月清华社出的，讲的是 Qwen3。MCP 规范迭代很快，SSE 传输在较新版本里已经被 Streamable HTTP 取代。书里的代码能跑，但别把它当标准文档看，遇到协议细节还是要查官方仓库。
二是篇幅分配有点失衡。 第 2 章"开发环境配置"占了 33 屏，从 Miniconda 装到 PyCharm 建工程，截图密集。这部分对纯新手友好，但对有 Python 基础的人是纯浪费——而这批人恰恰是这本书的主要读者。
三是微调那章的例子太小。 第 3 章用 Qwen3-0.6B 做二次元角色微调，0.6B 的模型微调出来的效果，和真正能用的陪伴产品差着数量级。这一章的教学价值大于实用价值。
另外提一句：第 1 章讲 Qwen3 的 Parallel Scaling，数据挺有意思——4 路角色并行时 Loss 下降速率提升 73%，算力只增加 2.1 倍；到 16 个角色时收益就趋缓了。作者把它概括成"以空间换智慧"，对应思维链的"以时间换空间"。这个对照我记得比任何架构图都牢。
八、一句话
这本书真正教的不是怎么"做"一个智能体，而是怎么把模型做不到的事，搬到模型外面去做。提示词在模型内部讲道理，协议在模型外部立规矩。前者靠悟性，后者靠约定——约定可以复用，悟性不能。
如果你手上有一个具体场景想做成 Agent，这本书的第 7 章和第 14 章值得先读：一个教你知识怎么进去，一个教你工具怎么出来。剩下的章节，等真要用到 MCP 或 A2A 时再翻。
阅读记录：微信读书网页版逐页翻阅，747 屏 / 16 章 / 18 分 07 秒。
本书知识图谱见文中配图，原图地址：https://jiangtian.top/zb_users/upload/kg/mcp-agent-map.png
发表评论: