Day1 学习笔记：MCP 与多智能体调度基础
1. 核心概念
MCP（Model Context Protocol）
- 定义：一种统一协议，帮助大模型调用外部工具、API 和数据源。
- 作用：
- 提供 统一接口，不管是数据库还是 Web API，都能以相同方式被调用。
- 提供 安全隔离，模型不会直接访问系统，而是通过 MCP 代理。
- 提供 上下文管理，让模型能获取外部信息补充自己的知识。
👉 类比：MCP 就像 操作系统 API，让 LLM 能安全调用系统功能。
多智能体调度（Multi-Agent Scheduling）
- 定义：在多智能体系统中，调度器负责决定 哪个 Agent 做什么任务、什么时候做。
- 智能体（Agent）：有特定能力的角色（搜索、计算、翻译……）。
- 调度器（Scheduler/Planner）：通常是 LLM，负责任务分解、分配、协调。
👉 类比：调度器 = 项目经理，Agent = 团队成员。
MCP 与多智能体调度的关系
- 多智能体调度：解决「谁来干活」。
- MCP：解决「怎么调用这些 Agent/工具」。
📌 简单公式：
调度逻辑（LLM Planner） + MCP 通信协议 = 多智能体系统闭环
2. 环境搭建
建议用 Python + 虚拟环境（conda/venv），并安装常用依赖：
# 创建虚拟环境
conda create -n mcp-agents python=3.10 -y
conda activate mcp-agents
# 安装必要库
pip install openai langchain llama-index
如果使用开源模型（如 Qwen / MiniCPM-V）：
pip install transformers accelerate
3. LLM 基础实验
以 OpenAI GPT 为例（换成其他 LLM 也可以）：
import openai
client = openai.OpenAI(
api_key="你的api",
base_url="https://api.zhongzhuan.chat/v1"#这里我使用了第三方api
)
response = client.chat.completions.create(
model="gpt-4",
messages=[{"role": "user", "content": "请用一句话解释什么是MCP（模型上下文）协议"
""}]
)
print(response.choices[0].message.content)
✅ 预期输出：一句简洁解释，比如：
“MCP 是一种标准协议，让大模型能安全调用外部工具和数据源。”
4. 今天的学习目标 ✅
- 理解 MCP 和多智能体调度的关系。
- 完成环境搭建。
- 成功调用一次 LLM API。
Day2 学习笔记：MCP 入门
1. MCP 工具（Tool）的概念
- 定义：在 MCP 体系中，工具就是 LLM 可以调用的外部功能。
- 特点：
- 有清晰的接口（输入参数、返回结果）。
- 注册到 MCP 后，LLM 才能使用。
- 可以是本地函数 / Web API / 数据库 / 另一个 Agent。
👉 类比：
MCP 工具 = 给 LLM 开放的安全 API。
2. MCP 工具的基本结构
通常需要包含以下信息：
- 工具名（如
get_weather） - 功能描述（告诉 LLM 工具能做什么）
- 输入参数（告诉 LLM 需要哪些参数）
- 调用逻辑（具体的 Python/代码实现）
3. 示例：天气查询工具
工具实现（mcp_tools.py）
import json
def get_weather(city: str) -> str:
# 模拟天气数据
fake_weather = {
"北京": "晴，25℃",
"上海": "多云，28℃",
"广州": "雷阵雨，30℃"
}
return fake_weather.get(city, "未找到该城市的天气信息")
# MCP 风格的工具注册
TOOLS = {
"get_weather": {
"description": "查询指定城市的天气",
"parameters": {
"city": "需要查询的城市名称"
},
"function": get_weather
}
}
# 调用入口
def call_tool(tool_name, **kwargs):
tool = TOOLS.get(tool_name)
if not tool:
return json.dumps({"error": "tool not found"})
return tool["function"](**kwargs)
模拟 LLM 调用（main.py）
from mcp_tools import call_tool
# 模拟 LLM 请求调用工具
request = {
"tool": "get_weather",
"args": {"city": "北京"}
}
# 调度 MCP 工具
result = call_tool(request["tool"], **request["args"])
print("MCP 返回结果：", result)
运行结果
python main.py
输出：
MCP 返回结果： 晴，25℃
4. 今天的学习目标 ✅
- 理解 MCP 工具的概念和作用。
- 会写一个最小的 MCP 工具（
get_weather）。 - 能模拟 LLM 调用 MCP 工具并返回结果。
📘 Day3 学习笔记 — 基于大模型的 MCP 调度器
一、学习目标
- 理解大模型在多智能体调度系统中的作用；
- 掌握如何把 LLM 接入 MCP 框架，实现智能工具调用；
- 实践构建一个 LLM 驱动的 MCP 调度器 原型；
- 理解参数匹配、任务解析和多工具调用的逻辑。
二、理论总结
1️⃣ MCP 与调度器结合
- MCP 提供了一个安全、标准化的接口，用于 LLM 调用工具（如天气查询、计算、搜索）。
- 调度器的作用是判断任务类型、选择工具、传递参数，形成闭环：
用户任务 → LLM 调度器 → MCP 工具调用 → 结果返回 → LLM 决策下一步
2️⃣ 大模型调度原理
- 大模型（GPT）作为调度器，能够理解自然语言任务并推理出：
- 调用哪个工具；
- 工具参数如何构造；
- 是否需要多步调用多个工具。
- 相比硬编码规则，LLM 调度更灵活，可应对复杂和多步任务。
3️⃣ 常见问题与解决方法
- 参数名不匹配：模型输出参数名可能与函数定义不一致。
- 解决方案：
- 在 prompt 中明确每个工具的参数名；
- 在调用前做参数映射兼容。
- 解决方案：
- 多步任务：需要让 LLM 先规划，再依次调用工具（Chain-of-Thought）。
三、实验记录
1️⃣ MCP 工具列表
| 工具名 | 功能 | 参数 |
|---|---|---|
| get_weather | 查询指定城市天气 | city |
| calculate | 执行数学表达式 | expression |
| search_web | 简易网页搜索 | query |
2️⃣ LLM 调度器核心逻辑
- 用户输入任务 → 发送给 LLM；
- LLM 输出 JSON 格式，包含：
{"tool": "工具名", "args": {"参数名": "参数值"}}
- Python 程序解析 JSON → 调用对应 MCP 工具 → 返回结果。
3️⃣ 实验样例任务与输出
| 用户任务 | 模型输出 | 调用结果 |
|---|---|---|
| 北京的天气 | {"tool": "get_weather", "args": {"city": "北京"}} | 晴，25℃ |
| 2+3 | {"tool": "calculate", "args": {"expression": "2+3"}} | 计算结果是：5 |
| MCP是什么 | {"tool": "search_web", "args": {"query": "MCP"}} | MCP（Model Context Protocol）是一种让LLM安全使用外部工具的标准 |
| 北京天气乘3 | {"tool": "get_weather", "args": {"city": "北京"}} | 调用成功，避免了参数名错误（已做映射处理） |
四、实践总结
- 成功将大模型作为 MCP 调度器，实现 智能化工具调用；
- 学会了 Prompt设计 影响模型输出规范；
- 理解了多工具调用、多步任务规划的必要性；
- 掌握了 参数映射和容错机制，保证 MCP 工具调用稳定。