AI Agent 学习容易卡在框架太多、概念太散、案例太杂。这里按底层原理、实战案例、课程体系、企业级开发和多框架对比六个方向,梳理 6 个适合系统学习智能体开发的 GitHub 开源项目。
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。
Claude 的 Agent 能力可以按连接层、认知层和组织层理解:MCP 负责连接外部系统,PTC 用程序批量编排工具调用,Skills 按需注入专业知识,Subagents 把复杂任务拆给多个专门智能体处理。
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。
DeepResearch 可以把用户问题拆解为搜索、规划、分析、代码处理、RAG 检索和报告生成等多个步骤。围绕 Spring AI Alibaba Graph 的 Java 实现,讲清整体节点编排、混合 RAG、搜索工具、MCP 扩展、连续对话、报告导出和部署方式。
介绍 4 个实用 GitHub 开源项目:Awesome Mac 用来筛选 macOS 软件,React Bits 提供高质量 React 动效组件,Agent Rules 为 Claude Code 和 Cursor 提供工程化规则,Microverse 用 Godot 4 构建多智能体 AI 小镇。
Claude Skills 将 Agent 完成特定任务所需的指令、脚本、参考资料和素材打包成标准文件夹。内容围绕目录结构、分层加载机制、与 MCP 的关系,以及开发者如何用同样模式管理自研 Agent 能力库展开。
介绍如何让 Claude Code 使用智谱 GLM-4.6 作为编程模型,并通过 MCP 接入视觉理解和联网搜索能力。内容包括 API Key 获取、环境变量配置、MCP 服务配置、测试方法和常见排错。