?一、MCP (Model Context Protocol)?
1. 核心概念
是什么：MCP是一個開放協議，用于在應用（如IDE、Agent）?和工具/數據源（如服務器、數據庫）?之間建立標準化的通信。
目標：解決AI工具生態的碎片化問題，讓任何應用都能通過統一接口動態發現和調用任何外部資源。
核心角色：
MCP Client：AI應用（如你的LangGraph智能體）。發起請求。
MCP Server：提供工具和資源的服務。處理請求并返回結果。
Transport：通信方式（SSE / STDIO）。
2. 核心接口/方法
initialize：握手，交換客戶端和服務器的能力信息。tools/list：客戶端發現服務器提供了哪些可調用的工具（函數）。tools/call：客戶端調用指定的工具并傳入參數。resources/read：客戶端讀取服務器管理的資源（如文件內容）。resources/list：客戶端發現服務器提供了哪些可用的資源。notifications：服務器主動向客戶端發送通知（需SSE傳輸）。
3. SSE vs. STDIO
SSE (Server-Sent Events)：
基于HTTP，適合遠程服務化部署。
一個Server可服務多個Client。
支持服務器主動推送（
notifications）。
STDIO (Standard Input/Output)：
基于進程管道，適合本地集成。
Server作為Client的子進程啟動，生命周期綁定。
更簡單、高效，但不支持遠程和多客戶端。
4. 核心優勢（面試時要強調的點）
解耦與復用：智能體（Client）與工具（Server）解耦，一個工具服務器可被多個智能體復用。
動態性：智能體無需預知工具信息，運行時動態發現和調用。
安全性：工具訪問權限集中在Server端控制，更安全。
標準化：提供了統一的工具集成規范，避免重復造輪子。
二、Function Calling?
1. 核心概念
是什么：大語言模型的一種能力，允許模型識別出用戶請求中需要調用外部工具/函數的意圖，并結構化地輸出調用所需的參數。
工作流程?(ReAct模式)：
規劃：LLM根據用戶請求，決定是否需要調用函數，以及調用哪個函數。
執行：系統在外部執行該函數（代碼）。
觀察：將函數執行的結果返回給LLM。
反思：LLM基于結果生成最終回答或決定下一步行動。
2. 如何定義函數 (Function Signature)
通常以一個JSON Schema數組的形式在請求時提供給LLM。
包含三大要素：
name：函數名。description：功能的詳細自然語言描述，這是LLM是否調用該函數的關鍵。parameters：參數的JSON Schema定義（類型、描述、是否必需等）。
3. LLM的輸出
當LLM決定調用函數時，它會停止生成普通文本，轉而輸出一個結構化的JSON對象（如OpenAI的?
tool_calls?數組）。包含：要調用的函數ID (
id)、函數名 (name)、參數 (arguments)。
4. 核心優勢與價值
突破局限：讓LLM能夠獲取實時信息、執行操作、訪問私有數據，克服了其知識截止、可能產生幻覺等局限。
賦能智能體：是構建AI智能體（Agent）的基石，使LLM從“問答機”升級為“行動中樞”。
5. Function Calling vs. MCP
Function Calling：是LLM的能力，定義了LLM如何請求調用一個函數。
MCP：是通信協議，定義了函數調用請求如何在不同進程間傳輸。
關系：MCP可以看作是Function Calling的“傳輸層”和“基礎設施”。你的智能體通過Function Calling決定調用?
get_weather，然后通過MCP協議將這個消息發送給遠端的天氣工具服務器。
?三、其他重要AI應用概念
1. RAG (Retrieval-Augmented Generation) 檢索增強生成
是什么：通過從外部知識庫檢索相關信息，并將其作為上下文提供給LLM，從而生成更準確、更可靠的答案的技術。
核心流程：
索引：將文檔切塊、嵌入（Embedding），存入向量數據庫。
檢索：將用戶問題嵌入，在向量庫中檢索最相關的K個文本片段。
增強：將檢索到的片段（Context）和用戶問題（Question）組合成一個新的提示（Prompt）。
生成：將增強后的提示發送給LLM生成答案。
優勢：降低成本（無需微調）、可溯源、可及時更新知識（只需更新向量庫）。
2. Agent (智能體)
是什么：能理解用戶指令、規劃任務、調用工具并自主完成復雜目標的AI系統。
核心組件：
規劃：分解任務、反思修正（ReAct, CoT）。
記憶：短期記憶（對話上下文）、長期記憶（向量庫/數據庫）。
工具使用：Function Calling的核心價值體現。
經典框架：LangGraph, AutoGPT, BabyAGI。
3. LangChain / LlamaIndex 核心概念
LangChain：
核心價值：提供了一套組件和鏈（Chain）來簡化LLM應用的開發。
必知概念：
Model I/O?(LLM, PromptTemplate, OutputParser),?Retrieval,?Chains?(LCEL),?Agents?(AgentExecutor, Tools),?Memory。
LlamaIndex：
核心價值：專注于構建RAG應用，是“LLM和外部數據之間的橋梁”。
必知概念：
Index?(向量索引、摘要索引),?Query Engine,?Retriever,?Node,?Ingestion Pipeline。
4. 提示工程 (Prompt Engineering)
核心原則：清晰、具體，提供充足上下文。
必知技巧：
Few-Shot：提供幾個示例，讓LLM模仿。
Chain-of-Thought (CoT)：“讓我們一步步思考”，引導模型推理。
Role-Playing：“你是一個專業的...”，為模型設定角色。
模板化：使用
{variable}占位符構建可復用的提示模板。
5. 評估與優化
評估指標：
忠實度 (Faithfulness)：答案是否基于提供的上下文？(防幻覺)
答案相關性 (Answer Relevance)：答案是否回答了問題？
上下文相關性 (Context Relevance)：檢索的上下文是否都與問題相關？
優化方向：
檢索優化：調整切塊大小/重疊、嘗試不同嵌入模型、優化檢索策略（混合搜索、重排序）。
提示優化：迭代提示詞，加入指令和格式要求。
迭代評估：構建評估數據集，持續迭代優化整個Pipeline。
