一、MCP (Model Context Protocol)
1. 核心概念
是什么：MCP是一个开放协议，用于在应用（如IDE、Agent） 和工具/数据源（如服务器、数据库） 之间建立标准化的通信。
目标：解决AI工具生态的碎片化问题，让任何应用都能通过统一接口动态发现和调用任何外部资源。
核心角色：
MCP Client：AI应用（如你的LangGraph智能体）。发起请求。
MCP Server：提供工具和资源的服务。处理请求并返回结果。
Transport：通信方式（SSE / STDIO）。
2. 核心接口/方法
initialize：握手，交换客户端和服务器的能力信息。tools/list：客户端发现服务器提供了哪些可调用的工具（函数）。tools/call：客户端调用指定的工具并传入参数。resources/read：客户端读取服务器管理的资源（如文件内容）。resources/list：客户端发现服务器提供了哪些可用的资源。notifications：服务器主动向客户端发送通知（需SSE传输）。
3. SSE vs. STDIO
SSE (Server-Sent Events)：
基于HTTP，适合远程服务化部署。
一个Server可服务多个Client。
支持服务器主动推送（
notifications）。
STDIO (Standard Input/Output)：
基于进程管道，适合本地集成。
Server作为Client的子进程启动，生命周期绑定。
更简单、高效，但不支持远程和多客户端。
4. 核心优势（面试时要强调的点）
解耦与复用：智能体（Client）与工具（Server）解耦，一个工具服务器可被多个智能体复用。
动态性：智能体无需预知工具信息，运行时动态发现和调用。
安全性：工具访问权限集中在Server端控制，更安全。
标准化：提供了统一的工具集成规范，避免重复造轮子。
二、Function Calling
1. 核心概念
是什么：大语言模型的一种能力，允许模型识别出用户请求中需要调用外部工具/函数的意图，并结构化地输出调用所需的参数。
工作流程 (ReAct模式)：
规划：LLM根据用户请求，决定是否需要调用函数，以及调用哪个函数。
执行：系统在外部执行该函数（代码）。
观察：将函数执行的结果返回给LLM。
反思：LLM基于结果生成最终回答或决定下一步行动。
2. 如何定义函数 (Function Signature)
通常以一个JSON Schema数组的形式在请求时提供给LLM。
包含三大要素：
name：函数名。description：功能的详细自然语言描述，这是LLM是否调用该函数的关键。parameters：参数的JSON Schema定义（类型、描述、是否必需等）。
3. LLM的输出
当LLM决定调用函数时，它会停止生成普通文本，转而输出一个结构化的JSON对象（如OpenAI的
tool_calls数组）。包含：要调用的函数ID (
id)、函数名 (name)、参数 (arguments)。
4. 核心优势与价值
突破局限：让LLM能够获取实时信息、执行操作、访问私有数据，克服了其知识截止、可能产生幻觉等局限。
赋能智能体：是构建AI智能体（Agent）的基石，使LLM从“问答机”升级为“行动中枢”。
5. Function Calling vs. MCP
Function Calling：是LLM的能力，定义了LLM如何请求调用一个函数。
MCP：是通信协议，定义了函数调用请求如何在不同进程间传输。
关系：MCP可以看作是Function Calling的“传输层”和“基础设施”。你的智能体通过Function Calling决定调用
get_weather，然后通过MCP协议将这个消息发送给远端的天气工具服务器。
三、其他重要AI应用概念
1. RAG (Retrieval-Augmented Generation) 检索增强生成
是什么：通过从外部知识库检索相关信息，并将其作为上下文提供给LLM，从而生成更准确、更可靠的答案的技术。
核心流程：
索引：将文档切块、嵌入（Embedding），存入向量数据库。
检索：将用户问题嵌入，在向量库中检索最相关的K个文本片段。
增强：将检索到的片段（Context）和用户问题（Question）组合成一个新的提示（Prompt）。
生成：将增强后的提示发送给LLM生成答案。
优势：降低成本（无需微调）、可溯源、可及时更新知识（只需更新向量库）。
2. Agent (智能体)
是什么：能理解用户指令、规划任务、调用工具并自主完成复杂目标的AI系统。
核心组件：
规划：分解任务、反思修正（ReAct, CoT）。
记忆：短期记忆（对话上下文）、长期记忆（向量库/数据库）。
工具使用：Function Calling的核心价值体现。
经典框架：LangGraph, AutoGPT, BabyAGI。
3. LangChain / LlamaIndex 核心概念
LangChain：
核心价值：提供了一套组件和链（Chain）来简化LLM应用的开发。
必知概念：
Model I/O(LLM, PromptTemplate, OutputParser),Retrieval,Chains(LCEL),Agents(AgentExecutor, Tools),Memory。
LlamaIndex：
核心价值：专注于构建RAG应用，是“LLM和外部数据之间的桥梁”。
必知概念：
Index(向量索引、摘要索引),Query Engine,Retriever,Node,Ingestion Pipeline。
4. 提示工程 (Prompt Engineering)
核心原则：清晰、具体，提供充足上下文。
必知技巧：
Few-Shot：提供几个示例，让LLM模仿。
Chain-of-Thought (CoT)：“让我们一步步思考”，引导模型推理。
Role-Playing：“你是一个专业的...”，为模型设定角色。
模板化：使用
{variable}占位符构建可复用的提示模板。
5. 评估与优化
评估指标：
忠实度 (Faithfulness)：答案是否基于提供的上下文？(防幻觉)
答案相关性 (Answer Relevance)：答案是否回答了问题？
上下文相关性 (Context Relevance)：检索的上下文是否都与问题相关？
优化方向：
检索优化：调整切块大小/重叠、尝试不同嵌入模型、优化检索策略（混合搜索、重排序）。
提示优化：迭代提示词，加入指令和格式要求。
迭代评估：构建评估数据集，持续迭代优化整个Pipeline。
