AI Agent新范式：FastGPT+MCP协议实现工具增强型智能体构建

Ne0inhk

— 5 min read
AI Agent新范式：FastGPT+MCP协议实现工具增强型智能体构建

AI Agent新范式：FastGPT+MCP协议实现工具增强型智能体构建

作者：高瑞冬

本文目录

一、MCP协议简介

MCP协议（Model Context Protocol）是由Anthropic在2024年11月初发布的一种协议，旨在统一AI模型与外部系统之间的通信方式，简化它们之间的交互问题。随着OpenAI官方宣布支持MCP协议，越来越多的AI厂商也开始支持这一协议。

MCP协议主要包含Client和Server两部分：

  • Client（客户端）：使用AI模型的一方，通过MCP Client可以为模型提供调用外部系统的能力
  • Server（服务端）：提供外部系统调用的一方，实际运行外部系统的主体

FastGPT从v4.9.6版本开始，新增了两种MCP相关的功能：

  1. MCP服务：可以将FastGPT应用以MCP协议对外提供
  2. MCP工具集：可以导入外部MCP服务，让FastGPT使用外部工具

mcp-proxy是开源的mcp协议聚合代理，可以聚合多个mcp服务，并提供统一的mcp服务地址。

本文将重点介绍如何在FastGPT中集成和使用MCP工具集。另外，对于私有化部署的fastgpt，本文给出了mcp服务聚合的解决方案。从而实现海量的开源mcp组件能够快速接入Fastgpt平台，为平台上的智能体应用提供丰富的集成能力。给出了开源mcp社区和fastgpt社区资源和平台的完整对接路径。

二、创建MCP工具集

1. 获取MCP服务地址

首先，您需要获取一个支持MCP协议的服务地址。这里以高德地图的MCP服务为例，访问高德地图MCP Server获取MCP地址，格式如：https://mcp.amap.com/sse?key=xxx。

2. 在FastGPT中创建MCP工具集

  1. 登录FastGPT平台
  2. 在弹出窗口中填入MCP服务地址
  3. 点击"解析"按钮，系统会自动解析出该MCP服务提供的一系列工具
  4. 点击"创建"按钮完成MCP工具集的创建

在工作台中选择"新建应用"，然后选择"MCP工具集"

创建MCP工具集

三、测试MCP工具

创建完MCP工具集后，您可以对工具集中的单个工具进行测试：

  1. 进入MCP工具集详情页面
  2. 输入测试参数，如城市名称"杭州"
  3. 点击"运行"按钮，查看工具返回的结果
  4. 系统会显示该城市的具体天气信息

选择需要测试的具体工具，例如maps_weather（天气查询工具）

测试MCP工具

四、AI模型调用MCP工具

FastGPT支持两种方式让AI模型调用MCP工具：

1. 调用单个工具

  1. 在工作流中添加"工具调用"节点
  2. 连接工作流节点，让AI模型能够调用这些工具

测试效果：分别提问天气和地点相关问题左图：AI调用天气查询工具 | 右图：AI调用地点搜索工具

天气查询结果
地点搜索结果

选择之前创建的特定MCP工具，例如选择maps_weather和maps_text_search

调用单个工具

2. 调用整个工具集

FastGPT还支持让AI自动选择合适的工具进行调用：

  1. 在工作流中添加"MCP工具集"节点
  2. 此时AI会根据用户问题智能选择合适的工具，获取所需信息后回答问题

使用"工具调用"节点连接该工具集

工具集配置
调用效果

五、私有化部署支持

如果您使用的是FastGPT私有化部署版本，需要以下步骤来支持MCP功能：

1. 环境准备

确保您的FastGPT版本升级到v4.9.6或更高版本。

Read more

docker+playwright+python+Jenkins跑web自动化

# Docker部署Jenkins以及安装Playwright跑Web自动化的那些坑 在使用Docker部署Jenkins以及安装Playwright进行Web自动化测试的过程中，我遇到了不少问题。这里分享一下我的经验和解决方法，希望能帮助到同样在探索这条技术路线的朋友们。 ## 一、云主机上部署Docker的坑 ### 1.1 默认安装Docker的问题 在云主机上部署Docker时，我发现默认安装的Docker版本可能会带来各种问题。例如，我最初安装的Docker版本较旧，导致后续操作中出现了不少奇怪的错误。（tips：由于我是在云主机上部署了一个docker，在这一步的时候就遇到很多的坑，如下： 云主机版本：） 默认去 install 安装docker，安装的docker版本是： 然后遇到各种奇奇怪怪的问题，这里就不在赘述。安装最新的docker，假如你之前存在一些镜像容器，可以按照图下去备份： ### 1.2 升级Docker的建议 如果之前已经安装了Docker，可以按照以下步骤进行升级： - **备份现有镜像和容器**：在升级之前，建议备份现有的镜像和容器，以

By Ne0inhk

n8n部署安装（docker）、支持Code in Python (Native)节点

n8n部署安装（docker）、支持Code in Python (Native)节点 前提条件： docker、docker compose已部署安装，可参考docker和docker compose部署安装 文件目录结构： n8n/ ├─ docker-compose.yaml ├─ .env ├─ n8n-task-runners.json 一、部署安装 1.镜像拉取 docker pull docker.n8n.io/n8nio/n8n #如果下载不下来，可用国内镜像，但是这个镜像名字要和国内镜像网址上的名字一致，比如国内轩辕镜像用的是 docker pull n8nio/n8n 2.创建docker-compose.yaml配置文件 version:'3'services:n8n:image: n8nio/

By Ne0inhk
【超详细】Python FastAPI 入门：写给新手的“保姆级”教程

【超详细】Python FastAPI 入门：写给新手的“保姆级”教程

前言  作为一名大学生，最近在做 Python Web 开发时发现了一个“宝藏”框架——FastAPI。 以前学 Django 光配置就头大，学 Flask 又不知道怎么写规范。直到遇到了 FastAPI，我才体会到什么叫“写代码像呼吸一样自然”。 这篇文章不讲复杂的原理，只讲最基础、最实用的操作，带你从 0 到 1 跑通第一个 API 接口！ 一、FastAPI 是什么 在 Python 的世界里，做网站后台（Web 开发）主要有三巨头： 1. Django：老大哥，功能全但笨重，像一辆重型卡车。 2. Flask：二哥，轻便灵活但插件多，像一辆自行组装的赛车。 3.

By Ne0inhk
临床智能体AI与环境感知AI的融合：基于python的医疗自然语言处理深度分析

临床智能体AI与环境感知AI的融合：基于python的医疗自然语言处理深度分析

引言 医疗领域的数智化进程正以前所未有的速度推进，人工智能技术的应用尤为显著。随着大型语言模型（LLMs）的迅猛发展，医疗AI已从简单的辅助工具升级为复杂的智能体系统。临床智能体AI与环境感知AI的融合代表了医疗AI的最新发展方向，为重塑医疗运营自然语言处理提供了全新视角。 本研究聚焦于临床智能体AI与环境感知AI的融合技术，深入探讨其在医疗运营自然语言处理中的应用。我们将详细分析spaCy、BERT-Med、Whisper、Kaldi、Drools、AWS Lex、PySyft和Intel SGX等先进工具在这一领域的应用，并提供完整的Python代码实现。 临床智能体AI与环境感知AI的基本概念 临床智能体AI的定义与特征 临床智能体AI（Clinical AI Agents）是指在临床环境中运行，能够感知医疗场景、理解患者需求、做出诊断决策并执行医疗相关任务的人工智能系统。这类智能体具备以下核心特征： 1. 感知能力：能够通过多种传感器和数据源获取医疗相关信息 2. 理解能力：能够理解复杂的医学知识和患者需求 3. 决策能力：能够基于医学知识和患者数据做出合理

By Ne0inhk