Agent: Agent 是一个能像人一样思考、决策并自动完成任务的智能程序（代理本质上是一个在 MCP 客户端上构建的 while 循环！）。 MCP: MCP 是一个标准 API，用于暴露一组可以被连接到 LLMs 的工具。（mcp client 和 mcp server 进行交互） agent 和 mcp clien 之间进行交互 Function Call：

每个概念给出代码示例:

--- mcp 和agent的一种关系 MCP 提供类似于函数调用（tool calling）的能力，将工具封装成标准函数（包含名称、描述、参数 JSONSchema）。 LLM 可根据用户请求自动调用工具，agent 负责对接模型和 MCP 服务器，接收工具列表，并以循环方式处理用户请求，直到任务完成或对话中断。

Agent 通过 run 方法实现核心循环，自动处理工具调用、执行并将结果反馈给 LLM，直到退出条件满足。并可扩展控制流工具（如 task_complete、ask_question）便于任务结束或澄清问题。

# 简单AI Agent伪代码（聊天机器人示例）

# 1. 感知模块：获取用户输入
function get_user_input():
    user_input = read_from_interface()  # 从界面/终端读取文字
    return user_input

# 2. 大脑模块：处理输入并生成回复
function process_input(input):
    # 假设使用一个预训练模型或简单规则库
    if input contains "你好":
        response = "你好！有什么可以帮你的？"
    else if input contains "天气":
        response = query_weather_api()  # 调用外部API获取天气
    else:
        response = "抱歉，我没听懂，能再说一遍吗？"
    return response

# 3. 行动模块：执行回复
function take_action(response):
    send_to_interface(response)  # 将回复发送到界面/终端

# 4. 交互模块：主循环，管理用户交互
function main():
    while True:  # 持续运行
        # 感知：获取用户输入
        user_input = get_user_input()
        
        # 停止条件
        if user_input == "退出":
            break
            
        # 大脑：处理输入，生成回复
        response = process_input(user_input)
        
        # 行动：输出回复
        take_action(response)

# 可选拓展：学习模块（简单示例）
function learn_from_feedback(user_input, user_feedback):
    if user_feedback == "不好":
        update_knowledge_base(user_input, "需要改进")  # 记录问题输入
    # 未来可加入模型微调或强化学习

# 启动Agent
main()

说明

感知：get_user_input模拟从界面获取用户输入。
大脑：process_input用简单条件语句模拟思考，实际可替换为AI模型（如LLM）。
行动：take_action将结果输出到界面。
交互：main循环让Agent持续与用户交互。
学习（拓展）：learn_from_feedback模拟通过反馈改进，实际可加入机器学习。

拓展伪代码（复杂场景）

如果要扩展为更复杂的Agent（比如任务规划Agent），可以加以下模块：

# 拓展：任务规划Agent伪代码
function plan_task(task):
    # 规划模块：分解任务
    subtasks = break_down_task(task)  # 拆分成小任务
    for subtask in subtasks:
        action = decide_action(subtask)  # 为每个小任务决定行动
        execute_action(action)  # 执行

# 感知：从环境获取多源数据
function get_environment_data():
    sensor_data = read_sensors()  # 比如摄像头、麦克风
    api_data = fetch_from_api()  # 外部数据
    return combine_data(sensor_data, api_data)

# 学习：通过经验优化
function optimize_model(experience):
    update_model_weights(experience)  # 使用强化学习或微调

# 主循环
function advanced_main():
    while True:
        data = get_environment_data()
        task = analyze_data(data)
        plan_task(task)
        optimize_model(get_experience())

参考链接

Tiny Agents: an MCP-powered agent in 50 lines of code

通俗易懂理解AI 相关概念

说明

拓展伪代码（复杂场景）

参考链接