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

构建基于Go语言的高性能命令行AI对话客户端：从环境部署到核心实现

构建基于Go语言的高性能命令行AI对话客户端：从环境部署到核心实现

前言 在现代软件开发领域，Go语言凭借其卓越的并发处理能力、静态类型安全以及高效的编译速度，已成为构建命令行工具（CLI）的首选语言之一。本文将详细阐述如何在Ubuntu Linux环境下部署Go开发环境，并结合蓝耘（Lanyun）提供的DeepSeek大模型API，手写一个支持多轮对话、上下文记忆的智能终端聊天工具。 一、 基础运行环境的准备与构建 任何上层应用的稳健运行都离不开坚实的底层系统支持。本次部署的目标环境为Ubuntu LTS系列（20.04/22.04/24.04），这些长期支持版本保证了系统库的稳定性与安全性。硬件层面，建议配置至少1GB的内存与5GB的磁盘空间，以满足编译器运行及依赖包缓存的需求。 1. 系统包索引更新与系统升级 在进行任何开发工具安装之前，首要任务是确保操作系统的软件包索引与现有软件处于最新状态。这不仅能修复已知的安全漏洞，还能避免因依赖库版本过旧导致的编译错误。 执行系统更新操作： sudoapt update &&sudoapt upgrade -y 该指令分为两部分：apt update 用于从软件源服务器获取最新的软件包列

By Ne0inhk
OpenClaw Skills 安装与实战：打造你的 AI 技能工具箱

OpenClaw Skills 安装与实战：打造你的 AI 技能工具箱

OpenClaw Skills 安装与实战：打造你的 AI 技能工具箱 本文介绍如何使用 ClawHub 安装和管理 OpenClaw 技能包，并通过实战案例演示多个技能的协同使用。 前言 OpenClaw 是一个强大的 AI 助手框架，而 Skills（技能包）则是扩展其能力的核心方式。通过安装不同的技能包，你可以让 AI 助手具备搜索、总结、开发指导、自我学习等能力。 本文将带你完成： * ClawHub CLI 的安装与使用 * 多个实用技能包的安装 * Self-Improving 记忆系统的初始化 * 一个综合实战案例演示 一、ClawHub：技能包管理器 1.1 什么是 ClawHub ClawHub 是 OpenClaw 的官方技能包市场，提供了丰富的技能包供用户安装使用。 安装 ClawHub

By Ne0inhk
人工智能：扩散模型（Diffusion Model）原理与图像生成实战

人工智能：扩散模型（Diffusion Model）原理与图像生成实战

人工智能：扩散模型（Diffusion Model）原理与图像生成实战 1.1 本章学习目标与重点 💡 学习目标：掌握扩散模型的核心原理、前向扩散与反向扩散过程，以及基于扩散模型的图像生成任务实战流程。 💡 学习重点：理解扩散模型的噪声添加与噪声消除机制，学会使用 PyTorch 搭建 DDPM 模型，完成手写数字图像生成任务。 1.2 扩散模型的核心思想 1.2.1 为什么需要扩散模型 💡 传统的生成模型（如 GAN）存在训练不稳定、模式崩溃等问题。扩散模型作为一种基于概率的生成模型，通过逐步添加噪声和逐步去除噪声的双向过程，实现了更稳定的训练和更高质量的生成效果。 扩散模型的灵感来源于非平衡热力学，它的核心是将复杂的生成问题拆解为多个简单的马尔可夫链步骤。在图像生成、文本生成、语音合成等领域，扩散模型的表现已经超越了传统生成模型。 1.2.2 扩散模型的基本框架 💡 扩散模型包含两个核心过程：前向扩散过程和反向扩散过程。 1. 前向扩散过程：从真实数据出发，

By Ne0inhk
【Linux】Nginx配置域名+https&一个地址配置多个项目【项目实战】

【Linux】Nginx配置域名+https&一个地址配置多个项目【项目实战】

👨‍🎓博主简介 🏅ZEEKLOG博客专家 🏅云计算领域优质创作者 🏅华为云开发者社区专家博主 🏅阿里云开发者社区专家博主 💊交流社区：运维交流社区 欢迎大家的加入！ 🐋 希望大家多多支持，我们一起进步！😄 🎉如果文章对你有帮助的话，欢迎 点赞 👍🏻 评论 💬 收藏 ⭐️ 加关注+💗 文章目录 * 前言 * 域名+https配置单个项目 * 域名+https配置多个项目 * 域名不加https配置多个项目 * 本机地址配置多个项目 * 相关文章 * 相关专栏 前言 要使用https，二进制安装编译时需要添加这些参数--with-threads --with-http_ssl_module --with-http_gzip_static_module --with-http_stub_status_module --with-http_v2_module --with-http_realip_module --with-file-aio； ./configure --prefix=/usr/

By Ne0inhk