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

自go-zero走进微服务

自go-zero走进微服务

在我最初看来，go-zero 最核心的价值体现在两点： 1、使用 .api 定义接口协议（Contract First） 2、使用 goctl 自动生成工程骨架，让开发者专注于业务逻辑 在使用中，我发现 go-zero 的核心并不止于脚手架， 而是一整套围绕“可维护性、可扩展性”的工程化约束体系。 后来真正进入项目后，我才逐渐意识到： RPC（zrpc + etcd）才是 go-zero 支撑微服务架构的第二个关键支点。 而中间件、熔断、限流、链路最终，是第三个核心支点。 参考：go-zero文档 配置环境 安装 goctl（go-zero 的脚手架） go install github.com/zeromicro/go-zero/tools/goctl@

By Ne0inhk

Android实时语音通话实战：基于WebRTC与AI降噪的优化方案

快速体验 在开始今天关于 Android实时语音通话实战：基于WebRTC与AI降噪的优化方案 的探讨之前，我想先分享一个最近让我觉得很有意思的全栈技术挑战。 我们常说 AI 是未来，但作为开发者，如何将大模型（LLM）真正落地为一个低延迟、可交互的实时系统，而不仅仅是调个 API？ 这里有一个非常硬核的动手实验：基于火山引擎豆包大模型，从零搭建一个实时语音通话应用。它不是简单的问答，而是需要你亲手打通 ASR（语音识别）→ LLM（大脑思考）→ TTS（语音合成）的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说，这是个绝佳的练手项目。 从0到1构建生产级别应用，脱离Demo，点击打开 从0打造个人豆包实时通话AI动手实验 Android实时语音通话实战：基于WebRTC与AI降噪的优化方案 最近在开发一款社交应用时，遇到了Android实时语音通话的质量问题。用户反馈中频繁出现"听不清"、"有回音"、"

By Ne0inhk

Qwen3-VL-WEBUI进阶教程：MRoPE位置嵌入解析

Qwen3-VL-WEBUI进阶教程：MRoPE位置嵌入解析 1. 引言 1.1 Qwen3-VL-WEBUI 简介 Qwen3-VL-WEBUI 是基于阿里云最新开源多模态大模型 Qwen3-VL-4B-Instruct 构建的可视化交互界面，专为开发者、研究人员和AI爱好者设计，提供开箱即用的视觉-语言推理能力。该工具不仅集成了Qwen3系列最前沿的技术特性，还通过简洁直观的Web界面降低了使用门槛，支持图像理解、视频分析、GUI代理操作、代码生成等多种高阶功能。 作为Qwen系列迄今为止最强的视觉语言模型（Vision-Language Model, VLM），Qwen3-VL在文本生成、视觉感知、上下文长度、空间推理与多模态融合等方面实现了全面升级。其内置的 MRoPE（Multi-Rotation Position Embedding） 机制是支撑其长序列建模与跨模态对齐的核心技术之一，尤其在处理256K原生上下文乃至扩展至1M token的极端场景中表现卓越。 本教程将深入解析 MRoPE的位置嵌入原理，并结合 Qwen3-VL-WEBUI 的实际部署与应用，帮

By Ne0inhk

掌握Python Web日志管理：从监控到问题定位的实战指南

掌握Python Web日志管理：从监控到问题定位的实战指南 【免费下载链接】waitressWaitress - A WSGI server for Python 3 项目地址: https://gitcode.com/gh_mirrors/wa/waitress 在现代Python Web开发中，日志管理是确保应用稳定性和可维护性的关键环节。作为Python Web服务器的核心组件，完善的日志系统不仅能够实时监控服务器运行状态，还能在故障发生时提供精准的问题定位依据。本文将深入探讨如何构建一个高效的Python Web日志管理体系，从基础配置到高级分析，帮助开发者全面掌握日志监控的核心技术与最佳实践。 日志管理核心价值：为什么它对Python Web服务器至关重要 日志是Python Web应用的"神经系统"，记录着服务器从启动到请求处理的每一个关键环节。一个精心设计的日志管理系统能够： * 提供完整的请求处理轨迹，加速问题诊断 * 记录系统资源使用情况，助力性能优化 * 追踪用户访问模式，支持业务决策 * 满足合规性要求，确保操作可审计 日志系统架构解析

By Ne0inhk