Cheatsheets

Appearance

Agent 设计指北 ​

几个概念 ​

  • Agentic AI：1. 理解目标/任务 2. 拆解步骤 3. 调用工具执行动作 5. 观察结果并调整。我理解的几个关键点：将任务拆解为多个TODO、根据反馈进行调整、复盘

Agent 应用的架构地图 ​

RAG ​

理解向量数据库

  • Hybrid Search
  • pgvector
  • Celery Workers 异步任务：文档解析 / 记忆提取 / 定时任务

Agent 模式清单 ​

  • MCP 和 Tool 的区别：对 LLM 来说没有区别，都是 bind_tools()；对工程架构来说，区别在于工具是本地函数，还是从 MCP Server 加载进来的外部能力
LangGraph 代码对比

1. 核心区别只有一行

py
# 原生 Tool
tools = [add]

# MCP Tool
tools = await client.get_tools()

2. 原生 LangChain Tool

工具直接定义在当前项目中，再绑定给 LLM。

py
from langchain.chat_models import init_chat_model
from langchain.tools import tool


@tool
def add(a: int, b: int) -> int:
    """计算两个整数之和。"""
    return a + b


llm = init_chat_model("openai:gpt-5.4")

tools = [add]
llm_with_tools = llm.bind_tools(tools)

response = llm_with_tools.invoke("计算 18 + 24")

print(response.tool_calls)

3. MCP Tool

工具由外部 MCP Server 提供。LLM 使用方式不变，只是 tools 的来源发生变化。

py
import asyncio

from langchain.chat_models import init_chat_model
from langchain_mcp_adapters.client import MultiServerMCPClient


async def main():
    client = MultiServerMCPClient(
        {
            "math": {
                "transport": "stdio",
                "command": "python",
                "args": ["/absolute/path/to/math_server.py"],
            }
        }
    )

    tools = await client.get_tools()

    llm = init_chat_model("openai:gpt-5.4")
    llm_with_tools = llm.bind_tools(tools)

    response = await llm_with_tools.ainvoke("计算 18 + 24")

    print(response.tool_calls)


asyncio.run(main())

MCP Server 的最小写法：

py
# math_server.py
from fastmcp import FastMCP


mcp = FastMCP("Math")


@mcp.tool()
def add(a: int, b: int) -> int:
    """计算两个整数之和。"""
    return a + b


if __name__ == "__main__":
    mcp.run(transport="stdio")
对比项原生 LangChain ToolMCP Tool
工具定义位置当前项目内部外部 MCP Server
工具定义方式@tool@mcp.tool()
LLM 绑定方式llm.bind_tools([add])llm.bind_tools(await client.get_tools())
LLM 看到的内容Tool SchemaTool Schema
LLM 使用体验无区别无区别
实际调用方式通常是本地函数调用通过 stdio 或 HTTP 调用外部服务
是否需要额外服务不需要需要 MCP Server
适合场景当前项目内部的小工具多项目复用、跨进程、跨语言、独立部署
  • Skill = Prompt + Tool + Workflow 技能和工作流密切相关！

美图 Agent 中台技术分享 ​

大模型上下文的智能区间 ​

结论：80K-100K

HuggingFace Agent Course ​

Claude Code 源代码泄露 ​

TODO