自己写一个智能体-使用MCP服务

我们提到，智能体之所以比单纯的语言模型强大，是因为它拥有了“手”和“脚”——也就是使用工具的能力。

智能体 = 大语言模型（大脑） + 规划（前额叶） + 工具（手脚）

理论说得再多，终究要落地。今天我们就来聊聊如何通过MCP (Model Context Protocol)协议，真正的让你的智能体“动”起来。我们将以一个实际场景为例：写一段代码，让AI自动把一篇文章发布到微信公众号。

什么是 MCP？

在开始写代码之前，得先解决一个痛点。

以前我们要让 GPT 连接外部工具（比如读取文件、搜索网页、操作数据库），通常需要针对不同的 API 写一大堆胶水代码。如果你用LangChain，你得遵循它的接口规范；如果你换个框架，可能全得重写。

MCP (Model Context Protocol)就是 AI 时代的USB-C 接口。它是由 Anthropic 等公司推动的一个开放标准。

MCP Server：提供工具（比如：文件读取服务、微信发布服务）。
MCP Client：也就是我们的智能体（负责连接模型和服务端）。
LLM：负责决策调用哪个工具。

只要大家遵循这个协议，你的智能体就可以无缝连接任何支持 MCP 的工具，而不需要关心底层的具体实现。

实战：构建公众号发布智能体

接下来，我们通过一段Node.js代码，演示如何把一个本地 Markdown 文件，通过 MCP 服务发布到微信公众号。

1. 准备工作

在这个例子中，我们需要三个角色的配合：

大脑：一个支持 Function Calling 的大模型（如 GPT-4o 或 DeepSeek 等兼容 OpenAI 格式的模型）。
工具箱 (MCP Server)：这里我们使用文颜 MCP，这是一个封装了微信公众号发布功能的 MCP 服务，我们通过 Docker 运行它。
智能体 (MCP Client)：我们自己写的这段 JS 代码。

2. 连接 MCP 服务

首先，我们需要建立与 MCP Server 的连接。在代码中，我们通过StdioClientTransport来启动一个 Docker 容器作为我们的工具服务。

import { Client } from "@modelcontextprotocol/sdk/client/index.js"; import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js"; // ... 环境变量检查代码 ... const pwd = process.cwd(); // 建立传输通道：通过 Docker 运行 wenyan-mcp 服务 const transport = new StdioClientTransport({ command: "docker", args: [ "run", "--rm", "-i", // 必须开启交互模式，以便通过 stdio 通信 "--env-file", ".env.test", // 传入公众号的 AppID 等凭证 "-e", `HOST_FILE_PATH=${pwd}`, "-v", `${pwd}:/mnt/host-downloads`, // 挂载目录，让容器能读取到文章 "caol64/wenyan-mcp", ], }); const client = new Client( { name: "wenyan-client", version: "1.0.0" }, { capabilities: {} } ); await client.connect(transport);

这段代码对应了上一篇提到的**“工具使用”**的前提——智能体得先能拿得起工具。

3. 获取工具列表

连接成功后，智能体需要知道自己有哪些工具可用。这对应了理论篇中的**“问题分类”**准备阶段，只有知道有哪些工具，模型才能决定用哪个。

// 获取 MCP 服务端提供的所有工具 const mcpResponse = await client.listTools(); // 将 MCP 的工具定义转换为 OpenAI 兼容的 Function Calling 格式 const openaiTools = mcpResponse.tools.map((tool) => ({ type: "function", function: { name: tool.name, description: tool.description, parameters: tool.inputSchema, // MCP 的 schema 通常直接兼容 }, }));

此时，openaiTools里就装满了诸如publish_article之类的方法描述。

4. 思考与决策

现在进入核心环节。我们将文章内容和需求告诉 LLM，让它自己判断该做什么。

const llmClient = new OpenAI({ apiKey: LLM_API_KEY, baseURL: LLM_BASE_URL }); const content = "./test/publish.md"; // 待发布的文章路径 // 用户的指令：既包含了目标（发布），也包含了参数（使用 phycat 主题） const userPrompt = { role: "user", content: `使用phycat主题将这篇文章发布到微信公众号：\n\n${content}` }; // 第一轮对话：询问 LLM const response = await llmClient.chat.completions.create({ model: LLM_MODEL, messages: [userPrompt], tools: openaiTools, // 把工具箱展示给它 tool_choice: "auto", // 让模型自己决定是否用工具 });

在这里，模型会分析userPrompt。它发现你的意图是“发布”，并且它看到了openaiTools里有一个能发布的工具，于是它不会直接回答“好的”，而是会返回一个tool_calls请求。

5. 执行工具与反馈

智能体捕获到模型的调用请求，真正的去执行操作，并将结果反馈给模型。这就是**“优化答案”**的前奏。

const assistantMessage = response.choices[0].message; if (assistantMessage.tool_calls) { for (const toolCall of assistantMessage.tool_calls) { const name = toolCall.function.name; const args = JSON.parse(toolCall.function.arguments); // 关键步骤：通过 MCP Client 真正的调用 Docker 里的服务 const result = await client.callTool({ name: name, arguments: args, }); // 获取工具执行结果（比如：发布成功的链接） const toolContent = result.content.map((item) => item.text).join("\n"); // 将结果拼接回对话历史 const finalMessages = [ userPrompt, assistantMessage, { role: "tool", tool_call_id: toolCall.id, content: toolContent, }, ]; // 第二轮对话：让 LLM 根据工具执行结果给用户一个最终回复 const finalResponse = await llmClient.chat.completions.create({ model: LLM_MODEL, messages: finalMessages, }); console.log(finalResponse.choices[0].message.content); } }