Agent智能体/MCP/Skills

理想主义的末日

一、Agent

　　Agent是一种能够感知环境、进行决策和执行动作的智能体，是感知->规划->行动的循环，能够以最低限度的配置应对多样化的应用场景；AI Agent = LLM(大脑) + Memory(记忆) + Planning(规划) + Tools(工具)。

　　1. 系统构成

　　　　A. 感知(Perception)：感知是Agent与外部世界互动的桥梁，负责收集和解析环境数据；

　　　　B. 规划(Planning)：发挥LLM的逻辑推理能力，通过思维链能力实现任务拆解；

　　　　C. 记忆(Memory)：负责存储信息，为模型提供上下文信息的组件，作用于Prompt，有利于实现持续学习和处理长期任务，侧重于以用户信息为中心，分感觉记忆、短期记忆和长期记忆，记忆机制分为基于会话、基于列表、基于图谱与基于用户档案等类型；记忆模块的实现依赖存储结构，如短期记忆用键值对内存数据库，长期记忆用向量数据库或知识图谱；

　　　　D. 工具(Tools)：调用各种工具如API接口来执行复杂的任务，是模型连接外部世界的桥梁；

　　　　E. 行动(Action)：基于规划和记忆来执行具体的行动；

　　2. 关键特征

　　　　A. 自主性：无需人工干预即可运行，独立做出决定；

　　　　B. 反应式与主动式行为：既能应对环境变化，又能主动采取措施以确保目标实现；

　　　　C. 适应性：通过处理新信息和新经验来学习和发展；

　　　　D. 目标导向：努力实现预定目标或优化成果；

　　　　E. 互动性：与其他代理或人类进行交流和合作；

　　　　F. 持久性：持续运行，监控并应对动态环境。

　　3. 方式

　　　　A. Function Call：通过将用户指令映射到预定义函数或工具，LLM先识别用户意图，再决定调用哪个函数并提取所需参数，更适合简单、明确的任务，强调直接调用工具的高效性；

　　　　B. ReAct：即推理+动作，LLM首先思考当前状态与目标，然后选择并调用合适的工具，工具的输出结果又将引导LLM进行下一步的思考与行动，如此循环直到解决问题，更适合复杂、多步骤的任务，强调推理过程的灵活性和可解释性。

　　4. 架构模式

　　　　A. ReAct：将推理(Reasoning)和行动(Action)紧密结合，形成Thought(分析当前状态，思考下一步行动)—>Action(执行具体操作如工具获取结果)—>Observation(观察行动结果，更新状态)的循环，具有单线程执行、上下文限制和错误积累(一步出错可能导致后续全错)的局限性；

　　　　B. Multi-Agent：靠多智能体分工协作处理复杂任务，效率高但架构较复杂，遵循职责分离(每个Agent复制特定领域)、协作机制(由Agent之间通过消息传递协作)、路由决策(由Router或Orchestrator分配任务)的三原则，注意Sub-Agent是特指某个Agent运行下的子Agent，支持递归嵌套；

　　　　C. CodeAct：用代码执行任务，准确性高但对环境要求严；

　　　　D. AgenticRAG：比传统RAG更主动，擅长知识检索与更新；

　　　　E. Self-Reflection：通过自我修正提升输出可靠性，不过耗时略增。

 

二、MCP

　　MCP(Model Context Protocol)是由Anthropic于2024年底提出的一种通用模型上下文协议，旨在让大语言模型能够安全、高效、结构化地访问外部工具和服务，用来解决工具碎片化、上下文污染及安全性风险的LLM三大痛点。

　　1. MCP Server类型

　　　　A. stdio类型：采用stdio传输协议，

　　　　B. HTTP类型：采用SSE或Streamable HTTP传输协议，适用于本地或远程执行环境。

 　  2. MCP架构

　　　　MCP基于JSON-RPC 2.0协议，采用客户端-主机-服务器架构

　　　　　　Host：用户直接交互的应用（Claude Desktop、Cursor、Windsurf）；

　　　　　　Client：Host 应用中管理与特定 Server 通信的组件，模型侧的协议解析器；

　　　　　　Server：连接外部系统的桥梁（数据库、API、本地文件等），实现MCP协议的服务端。

　　3. MCP三个操作

 　  　　Resources（资源）—— 应用控制，读取数据

　　　　Tools（工具）—— 模型控制，执行动作　　

　　　　Prompts（提示）—— 用户控制，复杂指令

　　4. mcp.json

{
    "mcpServers": {
         "服务器名称": {
              // 配置具体的参数
         }
    }
}

　　　　A. 服务器名称：唯一标识符，用于在配置中区分不同的MCP服务器；

　　　　B. type：传输方式，定义客户端与MCP服务器之间的通信协议，可自动推断

　　　　　　　　stdio：标准输入输出流通信，适用于本地环境；

　　　　　　　　sse：Server-Sent Events，适用于单向数据流；

　　　　　　　　http：标准HTTP请求响应，适用于本地或远程执行环境；

　　　　　　　　websocket：双向实时通信。

　　　　C. command：要执行的命令或可执行文件路径，当type=stdio时必须，如npx；

　　　　　　npx：下载到临时缓存位置，可能会被自动清理，常用于一次性执行，默认目录C:\Users\你的用户名\AppData\Local\npm-cache。

　　　　D. args：传递给命令的参数列表；

　　　　E. env：环境变量参数；

　　　　F. disabled：是否禁用此MCP服务器；

　　　　G. url：远程MCP服务器的完整URL地址；

　　　　H. headers：发送到远程服务器的HTTP头部信息；

　　　　I. timeout：工具调用的超时时间，默认30000，单位毫秒；

　　5. Playwright MCP

　　　　Playwright是一个浏览器自动化测试框架，验证网页的交互逻辑，提升开发效率。

　　　　5.1 优点

　　　　　　A. 现代化的架构：采用DevTools Protocol，绕开了WebDriver的性能瓶颈，提供了更快、更可靠的浏览器控制能力；

　　　　　　B. 与生俱来的稳定性：强大的自动等待机制，是Palywright解决业界普遍存在的测试“脆弱性”问题的关键所在；

　　　　　　C. 强大的原生工具链：集成的代码生成器、调试器和追踪查看器，极大地提升了测试脚本的编写与调试效率；

　　　　　　D. 全面的测试能力：原生支持网络请求拦截、移动端设备模拟等复杂场景，无需依赖复杂的第三方库，即可满足现代Web应用的全方位测试要求；

 　　　  5.2 参数

　　　　　　headless：false-浏览器会弹出窗口、true-代表无头模式运行

　　　　5.3 工具列表

工具	作用
start_codegen_session	开始一个新的代码生成会话，用于记录 Playwright 操作。
end_codegen_session	结束代码生成会话并生成测试文件。
get_codegen_session	获取关于代码生成会话的信息。
clear_codegen_session	清除代码生成会话而不生成测试文件。
playwright_navigate	导航到一个 URL。
playwright_screenshot	对当前页面或特定元素进行截图。
playwright_click	点击页面上的元素。
playwright_iframe_click	点击 iframe 中的元素。
playwright_iframe_fill	在页面中的 iframe 里填充某个元素.
playwright_fill	填写输入字段。
playwright_select	使用 Select 标签选择页面上的元素。
playwright_hover	悬停在页面的元素上。
playwright_upload_file	将文件上传到页面中的 input[type="file"] 元素.
playwright_evaluate	在浏览器控制台执行 JavaScript。
playwright_console_logs	检索浏览器的控制台日志（带过滤选项）。
playwright_resize	使用自定义尺寸或设备预设来调整浏览器视口大小。支持 143 种以上的设备预设，包括 iPhone、iPad、各类 Android 设备以及桌面浏览器，并提供正确的 User-Agent 和触控（Touch）模拟。
playwright_close	关闭浏览器并释放所有资源。
playwright_get	执行 HTTP GET 请求。
playwright_post	执行 HTTP POST 请求。
playwright_put	执行 HTTP PUT 请求。
playwright_patch	执行 HTTP PATCH 请求。
playwright_delete	执行 HTTP DELETE 请求。
playwright_expect_response	请求 Playwright 开始等待某个 HTTP 响应。该工具只会启动等待操作，但不会阻塞或等待该操作完成。
playwright_assert_response	等待并校验之前已发起的 HTTP 响应等待操作。
playwright_custom_user_agent	为浏览器设置自定义 User Agent。
playwright_get_visible_text	获取当前页面的可见文本内容。
playwright_get_visible_html	获取当前页面的 HTML 内容。默认情况下，输出结果会移除所有 <script> 标签，除非显式将 removeScripts 设置为 false。
playwright_go_back	在浏览器历史中后退。
playwright_go_forward	在浏览器历史中前进。
playwright_drag	将元素拖动到目标位置。
playwright_press_key	按下键盘键。
playwright_save_as_pdf	将当前页面保存为 PDF 文件。
playwright_click_and_switch_tab	点击一个链接并切换到新打开的标签页。

　　　　5.5 mcp.json

{
  "mcpServers": {
    "Playwright": {
      "command": "npx",
      "args": [
        "-y",
        "@executeautomation/playwright-mcp-server"
      ],
      "env": {}
    }
  }
}

　　　　5.6 安装

　　　　　　A. 安装playwright：npm install playwright；

　　　　　　B. 只安装chrome浏览器：npx playwright install chromium。

　　6. 其它MCP

　　　　A. Chrome DevTool MCP：Chrome DevTool是一个页面深度调试与性能分析工具。

　　　　A. MySQL MCP

　　　　B. Draw-io画图：https://github.com/DayuanJiang/next-ai-draw-io；

 

三、Skill

　　Skill是一份清晰、严谨、可执行的指令文档，用于明确告诉大模型在什么条件下，按照哪些步骤，产出什么结果。

　　1. Skill的结构

　　　　A. 一个技能中必须包含一个SKILL.md文件，还可以根据实际需求添加其他文件，如可参考的示例examples、可参考的脚本scripts、可参考的模板templates等，例如：

 　　　　B. SKILL.md文件格式

　　2. Skill的特点与使用场景

　　　　A. 特点：具有结构化、大模型可动态按需加载的优点；

　　　　B. 使用场景：用于保证输出结果的一致性与规范性、自动化重复性工作流、总结与共享专业能力。

　　3. webapp-testing：网页应用测试

 

来源：https://www.cnblogs.com/ruhuanxingyun/p/19690417