什么是 Agent？

Agent 是一个智能体，可以接收用户请求，利用大模型（LLM）的推理能力，自动决定：

自己回答
还是调用外部工具（数据库、API、脚本等）

最终把结果返回给用户。
能够自主做任务拆分、结果反思、行为决策

Agent与workflow的本质区别

Agent（智能体）

类似一个“智能助手”，基于大模型（LLM）或规则引擎，具备自主决策与动态适应能力。
用户只需给目标或问题，Agent会自己规划步骤、调用工具、处理信息。
行为偏“灵活、不确定”。

在这里插入图片描述

Workflow（工作流，如dify、ragflow、langflow等）

类似一条“生产线”，由开发者预先定义步骤，每个节点都有固定的输入输出。
执行过程是确定性的，基本不会偏离设定流程。
行为偏“固定、可预测”。

Agent通常配合外部工具工作，工具则通常以MCP方式提供服务，下面简单介绍一下mcp：

什么是MCP

MCP 是 Model Context Protocol（模型上下文协议）的缩写，是由 Anthropic 2024年开发的一个开放标准协议。
用于连接AI模型（如Claude、GPT等）与外部数据源和工具，让AI能够安全、可控地访问和操作外部资源。
与http协议类比：

浏览器 ←→ HTTP协议 ←→ Web服务器  GET /api/users/123 HTTP/1.1    
Host: example.com  
Content-Type: application/json  HTTP协议是让浏览器和网站之间能互相理解的’语言

AI模型 ←→ MCP协议 ←→ 工具服务器 
{"method": "tools/call","params": {"name": "query_service_cost","arguments": {"type": "短信","name": "test"}
}
}
MCP协议是让AI和各种工具之间能互相理解的’语言’

Agent 工作流程

用户提问：  
“运维安全中心服务器费用是多少？”  
Agent 理解问题：  
判断是否需要调用工具, 如需要会自动识别工具、提取参数。  
调用 MCP 工具：  
自动提取“运维安全中心 + 服务器”两个参数传给 MCP 工具。  
工具执行查询并返回结果：  
mcp工具查询数据库查出 “服务器费用 = XXX 元”。  
Agent 整理回答：  
用自然语言告诉用户：2025年6月运维安全中心服务器费用总计为xxx元，如果您需要查看运维安全中心具体各项目组的费用分布情况，我可以为您进一步分析。

常见挑战 & 解决思路 & 注意事项

1、用户提问中的“业务词” 和工具（如数据库）中“标准词” 不一致、提问理解不准确

如运维安全中心6月份的数据库费用是多少？
但数据源存储的是运维安全部云数据库MongoDB\云数据库Redis\云数据库MySQL
解决思路：

规则/词典映射
运维安全中心 → 运维安全部，云盘 → 云硬盘等
多轮澄清
如果不确定，就反问用户（例如：“您是指捕运维安全部吗？”）
模糊匹配（字符串相似度)
用算法计算用户输入和数据库条目的相似度，对同义词效果有限
向量语义匹配（Embedding）
用大模型或开源 embedding 模型（如 text-embedding-ada-002、bge-small-zh）把“用户提问中的关键词”和“数据库字段”都转成向量。通过向量相似度找到最接近的数据库字段 RAG。
结合大模型进行纠错/归一化
让模型帮你做“归一化”：
用户提问：“运维安全中心6月份的数据库费用是多少？”
LLM 输出：查询关键词应为 “运维安全部” MongoDB\云数据库Redis\云数据库MySQL 然后再把归一化后的结果传递给工具。
以上组合的智能混合匹配模式