那些LLM不知道的事
开篇先尝试直接问LLM一个问题，“今天天气如何”。
然而，并未能从LLM获得期望回答。原因也很简单，今天是哪天？天气是哪里的天气？这些问题对于LLM来说统统不得而知。
因此，我们很自然地想到，是不是能让LLM自己学会用工具，哪里不会点哪里呢？
当LLM学会用工具
“让LLM自己学会用工具，来解答用户问题。”
上面这句话中，出现了三个角色，“用户”、“工具”、“LLM”，以及隐藏的第四个角色——将这一切粘合起来的“主控程序”。
关于四者的交互流程，我从百炼找了张图，供以参考：
MCP干嘛来了
没有MCP，我要怎么做
按着Agent+FunctionCall的模式，我设计了工具schema，走通了LLM的服务调用，终于让LLM学会了用工具。但随着工具越来越多、工具调用与LLM耦合得越来越深，不管是维护还是迭代，都会消耗大量的精力。
那么，问题来了：
能不能实现Agent与Tools的解耦？ 能不能能统一不同Tools的调用协议，让模型快速接入？ 能不能实现Tools的共享？
- 有了MCP，我会怎么做
现在有了MCP，一切都好起来了：
Agent和Tools，我可以分开维护了。 再多的Tools，我用"list_tools"+"call_tool"就解决了。 我可以分享自己的Tools，也可以快速接入别人的Tools了。
近距离看看MCP
MCP is an open protocol that standardizes how applications provide context to LLMs. Think of MCP like a USB-C port for AI applications. Just as USB-C provides a standardized way to connect your devices to various peripherals and accessories, MCP provides a standardized way to connect AI models to different data sources and tools.
MCP架构中的角色主要有以下几种：
MCP Hosts: 相当于上文提到的“主控程序”，比如Claude Desktop、IDE等。 MCP Clients: 服务调用的客户端，通常会被集成到Host中执行list_tools、call_tool等操作。 MCP Servers: 服务调用的服务端，通常在此定义tools、prompts、resources等。 Local Data Sources: 本地数据。 Remote Services: 远端服务。
ps：写了个mcp demo，就想让LLM告诉我，今天天气到底如何？
mcp = FastMCP("Demo")@mcp.tool(name="get_current_time",description="获取当前时间",)def get_current_time():"""获取当前时间并进行格式化展示:return:"""now = datetime.datetime.now()formatted_time = now.strftime("%Y-%m-%d %H:%M:%S")return formatted_time@mcp.tool(name="get_location",description="获取当前地点",)def get_location():"""获取当前地点:return:"""try:response = requests.get("http://ip-api.com/json/")data = response.json()if data["status"] == "success":location_info = {"country": data.get("country", ""),"region": data.get("regionName", ""),"city": data.get("city", "")}return json.dumps(location_info, ensure_ascii=False)else:return json.dumps({"error": "无法获取地理位置"}, ensure_ascii=False)except Exception as e:return json.dumps({"error": str(e)}, ensure_ascii=False)
AI搜索怎么玩MCP
场景一：文件解析与总结
API Provider选择 OpenAI Compatible
Base URL设为：
https://dashscope.aliyuncs.com/compatible-mode/v1
curl -LsSf https://astral.sh/uv/install.sh | sh 或者 pip install uv
{ "mcpServers": { "aisearch-mcp-server": { "command": "uv", "args": [ "--directory", "/path/to/aisearch-mcp-server", "run", "aisearch-mcp-server" ], "env": { "AISEARCH_API_KEY": "<AISEARCH_API_KEY>", "AISEARCH_ENDPOINT": "<AISEARCH_ENDPOINT>" } } }}此处为语雀视频卡片，点击链接查看：aisearch_mcp_demo.mp4
降低接入成本，提升用户体验：支持用户通过标准化方式快速集成AI搜索平台的服务，降低了开发门槛和接入成本，同时提升了用户体验。 提高系统灵活性：用户可根据业务需求灵活配置AI服务，适应多样化的业务需求。 支持自然语言交互与智能化操作：用户可通过简单的自然语言指令进行智能化任务编排，完成复杂的任务执行。 促进创新和业务增长：可通过MCP的标准化集成，进行快速试错与迭代，加速产品上线周期。
场景二：向量检索及排序
1. 前置准备
（新增）开通 opensearch向量检索版[4]，构建一张向量表
（其他）同场景一
{ "mcpServers": { "aisearch-mcp-server": { "command": "uv", "args": [ "--directory", "/path/to/aisearch-mcp-server", "run", "aisearch-mcp-server" ], "env": { "AISEARCH_API_KEY": "<AISEARCH_API_KEY>", "AISEARCH_ENDPOINT": "<AISEARCH_ENDPOINT>" } }, "opensearch-vector-mcp-server": { "command": "uv", "args": [ "--directory", "/path/to/opensearch-vector-mcp-server", "run", "opensearch-vector-mcp-server" ], "env": { "OPENSEARCH_VECTOR_ENDPOINT": "http://ha-cn-***.public.ha.aliyuncs.com", "OPENSEARCH_VECTOR_USERNAME": "<username>", "OPENSEARCH_VECTOR_PASSWORD": "<password>", "OPENSEARCH_VECTOR_INSTANCE_ID": "ha-cn-***", "OPENSEARCH_VECTOR_INDEX_NAME": "<Optional: index in vector table>", "AISEARCH_API_KEY": "<Optional: AISEARCH_API_KEY for embedding>", "AISEARCH_ENDPOINT": "<Optional: AISEARCH_ENDPOINT for embedding>" } } }}4. 业务价值
扩展AI应用场景：增强Agent向量检索能力，支持动态扩展和无缝集成。 优化用户体验：提供更精准的向量搜索服务，降低使用成本。
场景三：Elasticsearch智能检索
（新增）开通 Elasticsearch[5]，创建一份索引并写入测试数据
（其他）同场景一
{ "mcpServers": { "elasticsearch-mcp-server": { "command": "npx", "args": [ "-y", "@elastic/mcp-server-elasticsearch" ], "env": { "ES_URL": "http://es-cn-***.public.elasticsearch.aliyuncs.com:9200", "ES_USERNAME": "<USERNAME>", "ES_PASSWORD": "<PASSWORD>" } } }}提升数据搜索和分析能力：支持高效的全文搜索、实时分析和复杂查询。 优化用户体验：提供更精准的搜索结果和个性化服务。
