Deep Research Agent 要稳定完成多工具协同,不能只依赖通用模型的原生 Function Calling。围绕 FC-SFT 冷启动链路,讲清种子数据构造、Teacher 轨迹生成、质量过滤、防遗忘混合训练和评估闭环。
大模型接入业务系统时,单靠“请输出 JSON”很容易出现字段缺失、类型错误和多余文本。通过 JSON Schema、Structured Outputs、代码校验和重试机制,可以把自由文本输出变成可被程序稳定消费的数据接口。
AI Coding Agent 的控制流并不神秘,核心是大语言模型根据上下文决定下一步动作,程序执行工具并把结果放回上下文。通过一个可运行的 Python 示例,可以看清 while 循环、工具调用、规则文件和上下文工程之间的关系。
OpenClaw 是一个本地优先的 AI Agent 运行时,把大语言模型、消息通道、本地文件、Shell、浏览器和长期记忆连接起来。内容拆解它的本地架构、ReAct 编排、分层记忆、System Prompt 组装方式,以及适合和不适合的使用场景。
AI 编程工具的关键不只是“让模型写代码”,而是理解 Token、工具调用、代码库索引、规则配置和上下文管理。掌握这些机制后,可以更稳定地完成代码检索、需求拆解、问题排查、流程图生成和项目协作。
MCP 是连接大语言模型与外部工具、数据源的开放协议。围绕 MCP 的设计理念、Client/Server 架构、JSON-RPC 通信机制、Stdio/SSE/Streamable HTTP 传输方式,以及数据库智能查询场景中的 Server 设计、安全控制和工程化实现展开讲解。
MCP(模型上下文协议)用于统一 Agent 与外部工具之间的通信。围绕 MCP 的三类角色、SSE 与 JSON-RPC 2.0、初始化握手、工具列表和工具调用流程,使用 Spring Boot WebFlux 实现一个可运行的 MCP Server。