/>

第五章

Agent：为什么真实决策一定是“多步”的

在上一章中，我们通过

Skill

/>趋势判断、波动分析、数据校验等能力，第一次以稳定、可复用的形式存在于系统中。

如果你的任务只是一次性分析，到这一步为止，系统已经足够好用。

/>但现实世界中的决策，几乎从来不是一次性的。

本章要回答的核心问题是：

当系统需要“根据中间结果不断调整行为”时，

/>为什么

会彻底失效？

从一次分析到“分析过程”：问题是如何升级的

回到我们的贯穿案例：

/>基于

线数据，生成投资决策建议（非投资建议）。

在前面的章节中，我们已经可以做到：

• 用

  Tool

  稳定地判断趋势、波动、动量

这已经可以支持一个静态分析报告。

/>但一旦你试图让系统更“像人”，问题就开始发生变化。

例如，你可能会自然地提出这样的需求：

• 如果日线趋势和周线趋势一致，结论更可信
• 如果多个指标给出冲突信号，需要进一步分析
• 如果近期波动异常，应当降低结论置信度

请注意，这里发生了一个非常重要的转变：

我们不再只是“做分析”，而是在“决定下一步该做什么”。

这一步，正是

Agent

拼一个“流程”

在第一次面对这种需求时，大多数工程师的直觉解法是：

• 在

  Prompt

  的调用顺序

例如，你可能会设计这样的逻辑：

• 先做日线趋势分析
• 如果趋势不明显，再做周线分析
• 如果结果冲突，再调用波动分析

  Skill

• 最后综合所有结果生成建议

在逻辑层面，这样的流程看起来是完全合理的。

/>但只要系统稍微复杂一点，这种方式就会迅速失控。

为什么

Prompt

本身，而在于决策逻辑的复杂度增长方式。

第一，决策路径呈指数级增长。

很简单；

/>当你有两个条件时，路径开始分叉；

/>当你有多个

Skill、多个信号、多个异常情况时，决策路径的数量会迅速爆炸。

在

线分析中，只要你同时考虑：

• 多时间尺度
• 多技术指标
• 数据异常
• 信号冲突

你就会发现，系统很快变成一张难以理解、难以维护的决策网。

第二，决策逻辑开始隐式分散。

在这种系统中：

• 一部分“为什么要做这一步”的逻辑，藏在

  Prompt

  里

• 一部分“如果失败怎么办”的逻辑，藏在代码里
• 一部分“什么时候停止”的逻辑，根本没有被明确表达

系统行为开始变得不可预测，而且你无法用单一视角理解整个流程。

第三，也是最致命的一点：系统失去了“过程可解释性”。

当系统给出一个最终结论时，你很难回答这样的问题：

“这个结论，是经过了哪些步骤，基于哪些中间判断得出的？”

在分析类系统中，这种不可解释性是工程不可接受的。

Agent

出现的真正动机：决策本身需要被建模

Agent

Prompt”，

出现的根本原因在于：

当系统需要做出一系列相互依赖的决策时，

/>决策过程本身必须成为系统中的一等公民。

这意味着，我们不再把“流程”藏在

Prompt

中，而是明确地建模：

• 系统的目标是什么
• 当前状态是什么
• 在这个状态下，可以采取哪些行动
• 什么时候应该停止

Agent

的严格工程定义（非常重要）

在工程语境下，一个真正的

Agent

至少包含以下要素：

1. 目标（Goal）

   />Agent

   不是“什么都做”，而是为了达成一个明确目标。

2. 状态（State）

   />Agent

   必须知道当前系统处于什么状态，而不是每一步都“重新开始”。

3. 可选行动（Actions）

   />Agent

   Skill，本身就是系统设计的一部分。

4. 决策逻辑（Policy

   />决定在当前状态下采取哪一个行动。

5. 终止条件（Termination）

   />Agent

   必须知道“什么时候算完成”。

请注意：

/>LLM

Agent：典型形态

案例一：研究型

Agent（多步信息收集）

在研究或情报分析系统中，Agent

往往需要：

• 根据初始问题决定下一步查什么
• 在信息不足时继续搜索
• 在信息充分时停止并总结

这种任务如果用固定流程实现，会极其僵硬；

/>而

的价值，正是在于它可以根据中间结果动态调整行为。

案例二：自动分析与诊断系统

在复杂系统监控或诊断中，Agent

可以：

• 根据异常信号选择进一步检查的方向
• 避免不必要的检测步骤
• 在风险过高时提前终止

这些系统的共同特点是：

/>决策路径依赖于中间状态，而不是预先写死。

案例三：任务分解与规划系统

在任务规划类应用中，Agent

的核心能力是：

• 将目标拆分为子任务
• 按顺序执行
• 在失败时调整计划

这类系统如果没有

Agent，只能通过极其复杂的手工流程实现。

一个必须强调的警告：什么时候不该用

Agent

Agent

很强，但绝对不应该滥用。

如果你的任务满足以下条件：

• 可以用单次

  Skill

  完成

• 不需要根据中间结果调整行为
• 不需要维护状态

那么引入

Agent

只会增加系统复杂度，而不会带来收益。

Agent

不是“高级形态”，而是“必要时的形态”。

本章要点

Agent

解决的是：

• 多步决策的结构化表达
• 决策过程的可解释性
• 系统行为的可控性

但它同时也引出了新的工程问题：

• Skill

  接口是否统一

• 不同数据源如何被一致地调用
• 权限、上下文、工具发现如何管理

这些问题，已经不再是单个

Agent

/>而是系统规模化后的平台级问题。

这，正是下一章要讨论的主题。

/>

第六章

MCP：当系统开始规模化生长

在上一章中，我们引入了

Agent，并看到一个重要变化：

/>系统不再只是“执行分析”，而是开始围绕目标进行多步决策。

到这一步为止，一个基于

LLM

的分析系统，在功能上已经“看起来很完整”了。

/>它能获取数据、能调用分析能力、能根据中间结果调整行为，甚至还能给出看似合理的结论。

然而，真正的工程问题，往往不是在系统刚跑起来时出现的，而是在系统开始扩展时暴露的。

本章要回答的核心问题是：

为什么一个已经能工作的

Agent

/>在扩展数据源、工具数量或应用场景时，会迅速变得不可维护？

从“一个

Agent”到“很多能力”：复杂性是如何悄然累积的

回到我们的贯穿案例：

/>基于

线数据，生成投资决策建议。

在前一章的设定中，我们已经拥有了一个相对完整的

Agent，它可以：

• 获取某个交易所的

  线数据

• 调用多个分析

Skill

在“单交易所、单数据源”的前提下，这个系统是清晰、可控的。

但请注意，现实需求几乎一定会进一步演化：

• 不同交易所的

  线是否一致？

• 是否需要对比现货与合约市场？
• 是否需要引入链上数据或宏观指标？

这些需求本身都是合理且必然的。

/>而真正的问题在于：系统是如何承载这些变化的。

一个非常真实的失控场景：接口碎片化

在没有

MCP

的情况下，系统通常会这样演化：

• 为交易所

  写一套行情获取

  需要“记住”不同接口的差异

在代码层面，你会看到：

• 相同语义的

  Tool，参数完全不同

• Skill

  的决策逻辑被迫感知底层实现细节

这意味着一个非常危险的事情正在发生：

上层系统开始依赖下层世界的具体形态。

一旦这种依赖形成，系统的任何扩展都会变得异常痛苦。

为什么“多写几层封装”并不能真正解决问题

在这个阶段，经验稍多的工程师通常会尝试通过“再封装一层”来解决问题：

• 写一个统一的行情接口
• 在内部适配不同数据源
• 对外暴露统一字段

这种做法在短期内是有效的，但它并没有解决一个更根本的问题：

模型与系统，仍然是通过“隐式约定”在协作。

模型并不知道有哪些能力可用，也不知道这些能力的边界是什么；

/>Agent

只能通过文档或硬编码逻辑“假设”某些接口一定存在。

一旦系统规模继续增长，这种隐式约定就会成为不稳定的根源。

MCP

出现的真正动机：连接方式需要被标准化

MCP（Model

Context

Protocol）出现的背景，并不是因为模型还不够强，而是因为：

模型与外部世界的连接方式，已经成为系统级瓶颈。

MCP

试图解决的核心问题，不是“模型能调用多少工具”，而是：

• 模型如何发现有哪些能力可用
• 模型如何理解这些能力的输入与输出
• 系统如何控制模型能访问哪些能力

换句话说，MCP

/>模型如何“站在系统中”这一问题。

MCP

的工程本质：从“硬编码接口”到“协议层”

要理解

MCP

的价值，一个非常重要的转变是：

/>从

思维，转向协议思维。

API

的前提是：

• 调用方知道被调用方的存在
• 参数和语义由人来理解和维护

而协议的前提是：

• 双方只遵守规则
• 能力可以被动态发现
• 系统可以在不改动上层逻辑的情况下扩展

在

LLM

系统中，这种协议层尤为重要，因为模型本身无法通过阅读代码来理解系统结构。

现实世界中的

MCP：典型形态

案例一：多数据源统一访问协议

在行情系统中，一个

MCP

线”这一能力

Agent

线”。

案例二：工具发现与能力描述系统

在复杂系统中，模型不应该“假设”工具存在，而应该被告知：

• 当前有哪些能力可用
• 每个能力的用途是什么
• 调用这些能力的代价与限制是什么

这类

MCP

的作用，是让模型具备一种“环境感知能力”。

案例三：权限与上下文隔离机制

在真实系统中，不同

Agent

可以明确规定：

• 哪些能力对当前上下文可见
• 哪些数据是只读的
• 哪些操作是禁止的

这一步对于安全性与责任划分至关重要。

从工程史的角度看

MCP

如果你从更宏观的角度看，会发现

MCP

的出现并不特殊。

在传统计算系统中：

• 操作系统抽象了硬件
• 网络协议抽象了通信
• 数据库协议抽象了存储

MCP

/>为模型时代补上一层迟到但必需的协议抽象。

本章要点

在这一章中，我们看到：

• Agent

  系统一旦扩展，接口碎片化是必然问题

• MCP

  通过协议化连接方式，解决了系统级复杂性

• MCP

  标志着

  应用从“工程系统”迈向“平台系统”

到这一步，我们已经完整走过了：

LLM

Prompt

/>

第七章

纵览与方法论：如何判断下一个“新概念”是否重要

当你完整读完前面的章节之后，可能会产生一种微妙的感觉：

看起来都很重要，但又似乎彼此之间并没有清晰的“边界线”。

/>更现实的问题是：当你走出课堂，面对每天出现的新框架、新论文、新名词时，你究竟应该如何判断它们的价值？

本章要做的事情，不是总结名词，而是回答一个更长期的问题：

当下一波

LLM

应用浪潮到来时，你凭什么知道哪些值得学，哪些可以忽略？

回到原点：这整套演进究竟在解决什么问题？

在进入方法论之前，我们必须回到最根本的一点。

纵观从

LLM

的整个演进过程，你可能会发现一个反直觉的事实：

/>几乎没有任何一个阶段，是因为“模型不够强”而出现的。

• Prompt

  失败，不是因为模型不会说话

• Tool

  出现，不是因为模型不会分析

• Skill

  出现，不是因为模型不会算指标

• Agent

  出现，不是因为模型不会规划

• MCP

  出现，更不是因为模型不够聪明

它们出现的共同原因只有一个：

系统复杂度，已经超出了“靠人脑和

Prompt

管理”的极限。

因此，这整条演进主线，本质上只有一个关键词：

/>工程失控点。

一个贯穿全书的隐藏主线：不确定性如何被安置

如果我们抽掉所有具体名词，用一句话概括前五章的全部内容，可以这样说：

LLM

应用的发展史，就是一部“如何安置不确定性”的历史。

我们可以把系统中的不确定性粗略分为两类：

1. 认知不确定性

• 语言理解
• 模式抽象
• 启发式推理

start="2">

事实不确定性

• 数据是否真实
• 计算是否正确
• 状态是否一致

整个工程演进的方向，非常明确：

• 认知不确定性

  留给模型

• 事实不确定性

  交给系统

你可以用这个视角，重新理解前面每一章的出现。

把六个阶段压缩成一张“责任分布图”

现在，我们将前面的所有内容，压缩为一张责任分布的心智模型。

• LLM

  ：负责表达、解释、推理（不负责真实）

• Prompt

  ：负责提出意图（不负责执行）

• Tool

  ：负责事实、数据、计算

• Skill

  ：负责稳定的业务语义

• Agent

  ：负责多步决策与过程控制

• MCP

  ：负责系统级连接与扩展

如果你发现某个新技术，并不能明确放进这张图中的某一层，那么它往往只是：

• 某一层的实现细节
• 或者某一层的组合包装

而不是一次真正的“范式跃迁”。

一个可反复使用的判断框架（非常重要）

下面是一套你可以在任何场景中复用的判断流程。

当你看到一个新的

LLM

概念、框架或产品时，请强制自己回答这四个问题。

问题一：它试图解决哪一类“失控”？

请不要问“它能做什么”，而要问：

• 是

  Prompt

  决策失控？

• 还是系统扩展失控？

如果你无法回答这个问题，那么这个概念很可能只是“功能展示”，而不是工程解法。

问题二：它减少的是哪种不确定性？

一个严肃的工程方案，一定在减少不确定性，而不是制造新的不确定性。

• 它是否把“猜测”变成了“查询”？
• 它是否把“隐式逻辑”变成了“显式结构”？
• 它是否让系统行为更可预测？

如果答案是否定的，那么它可能只是在“让

Demo

更好看”。

问题三：控制权是在模型，还是在系统？

这是一个极其关键、但经常被忽略的问题。

请问自己：

如果模型输出异常，这个系统还能不能兜底？

如果答案是“不能”，那么你面对的不是一个工程系统，而是一个“模型表演舞台”。

问题四：如果规模扩大

倍，会发生什么？

请不要只看“能不能跑”，而要问：

• Tool

  ×10？

如果扩展后系统必然需要“推倒重来”，那么它不是长期解法。

回到贯穿案例：K

线投资建议系统的终极形态

现在，我们用这套方法论，重新审视整本书的贯穿案例。

一个成熟的

线分析与投资建议系统，在工程上必然具备以下特征：

• K

  线数据永远来自确定性

  />你现在应该非常清楚：它失败只是时间问题。

  为什么“名词焦虑”是初学者最大的敌人

  很多学生在学习

  LLM

  />“这个框架我没学过，会不会已经落后了？”

  这本教材想传达的一个重要态度是：

  你不需要追逐名词，你需要守住结构。

  只要你理解了：

  • 哪些责任不该交给模型
  • 哪些逻辑必须工程化
  • 哪些复杂度必须被显式管理

  那么你就永远不会被新名词带节奏。

  一条你应该长期记住的工程信条

  在结束之前，我想给你留下一条可以伴随你很久的工程信条：

  当一个

  LLM

  />通常意味着它的工程结构还不够成熟。

  真正成熟的系统，往往显得：

  • 朴素
  • 保守
  • 约束明确
  • 行为可预测

  这不是因为它“不敢用模型”，

  />而是因为它知道模型应该被用在什么地方。

  />

  结语

  让我们用最直接的方式，结束这本材料：

  • LLM

    强迫我们重新认识软件工程

  • Tool、Skill、Agent、MCP

    并不是潮流

  • 它们是复杂系统在模型时代的必然产物

  如果你能带着这套结构继续学习，那么你已经掌握了比任何具体框架都更重要的东西。

  ​最后

  我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。

  那些率先拥抱

  的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

  我整理出这套

  大模型突围资料包：

  • ✅AI大模型学习路线图
  • ✅Agent行业报告
  • ✅100集大模型视频教程
  • ✅大模型书籍PDF
  • ✅DeepSeek教程
  • ✅AI产品经理入门资料

  完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

  />​​

  />

  为什么说现在普通人就业/升职加薪的首选是AI大模型？

  人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。

  从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

  />

  />智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

  AI产业的快速扩张，也让人才供需矛盾愈发突出。

  麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

  />

  ​​

  />

  资料包有什么？

  ①从入门到精通的全套视频教程⑤⑥

  包含提示词工程、RAG、Agent等技术点

  />

  AI大模型学习路线图（还有视频解说）

  全过程AI大模型学习路线

  />

  ③学习电子书籍和技术文档

  市面上的大模型书籍确实太多了，这些是我精选出来的

  />

  ④各大厂大模型面试题目详解

  />

  ⑤

  这些资料真的有用吗?

  这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE

  Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。

  目前我正在和鲁博士共同进行人工智能的研究。

  所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。

  这份学习大礼包应该算是现在最全面的大模型学习资料了。

  资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

  />

  />

  智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

  课堂上不光教理论，还带着学员做了十多个真实项目。

  学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

  ​​​​

  />

  />

  如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

  应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

  零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

  业务赋能

  ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

  👉获取方式：

  😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

  />

  ​