阿里妹導讀
文章探討了AI Agent的發展趨勢，並透過一個實際案例展示瞭如何基於MCP（Model Context Protocol）開發一個支援私有知識庫的問答系統。
前言
業界推測 2025 年是 AI Agent 的元年，從目前的技術發展速度看確實是有這個趨勢。從年初 DeepSeek 的爆火開始，目前開源大模型的能力基本與商業大模型拉齊甚至是超越，完全開放的開源策略讓大模型的使用徹底平權。這個可以說在某種程度上改變了 AI 應用的商業模式，基於自訓練的閉源模型的優勢被顯著削弱，商業競爭從模型效能轉向對應用場景的創新。
AI 應用的形態不斷演進，從早期的 Chat 到 RAG，再到現在的 Agent。參考 Web 2.0 和移動網際網路時代的技術發展，當某種新形態的應用開發需求爆發式增長，會催生新的開發框架和新的標準的建立，AI 應用正在經歷這個過程。
目前開發框架還處於百花齊放的狀態，Python 是否會成為主流開發語言，哪個開發框架會成為主流，這些都還未知，有待觀望。但是近期比較火熱的 MCP（Model Context Protocol）看起來已成事實標準，特別是近期 OpenAI 也官宣了對 MCP 的支援。
關於 MCP 的介紹不在本文贅述，本著學習的目的，動手做了一個實踐，主要為了體驗如何基於 MCP 開發一個 Agent 應用。本次實踐會實現一個目前最常見的一類 AI 應用即答疑係統，支援基於私有知識庫的問答，會對知識庫構建和 RAG 做一些最佳化。
整體流程設計
主要分為兩部分：知識庫構建和檢索。
1.知識庫構建
a.文字切段：對文字進行切段，切段後的內容需要保證文字完整性以及語義完整性。
b.提取 FAQ：根據文字內容提取 FAQ，作為知識庫檢索的一個補充，以提升檢索效果。
c.匯入知識庫：將文字和 FAQ 匯入知識庫，並進行 Embedding 後匯入向量。
2.知識檢索（RAG）
a.問題拆解：對輸入問題進行拆解和重寫，拆解為更原子的子問題。
b.檢索：針對每個子問題分別檢索相關文字和 FAQ，針對文字採取向量檢索，針對 FAQ 採取全文和向量混合檢索。
c.知識庫內容篩選：針對檢索出來的內容進行篩選，保留與問題最相關的內容進行參考回答。
相比傳統的 Naive RAG，在知識庫構建和檢索分別做了一些常見的最佳化，包括 Chunk 切分最佳化、提取 FAQ、Query Rewrite、混合檢索等。
Agent 架構
整體架構分為三個部分：
1.知識庫：內部包含 Knowledge Store 和 FAQ Store，分別儲存文字內容和 FAQ 內容，支援向量和全文的混合檢索。
2.MCP Server：提供對 Knowledge Store 和 FAQ Store 的讀寫操作，總共提供 4 個 Tools。
3.功能實現部分：完全透過 Prompt + LLM 來實現對知識庫的匯入、檢索和問答這幾個功能。
具體實現
所有程式碼開源在這裡，分為兩部分：
1.Python 實現的 Client 端：實現了與大模型進行互動，透過 MCP Client 獲取 Tools，根據大模型的反饋呼叫 Tools 等基本能力。透過 Prompt 實現了知識庫構建、檢索和問答三個主要功能。
2.Java 實現的 Server 端：基於 Spring AI 框架實現 MCP Server，由於底層儲存用的是 Tablestore，所以主體框架是基於這篇文章的程式碼進行改造。
知識庫儲存
知識庫儲存選擇 Tablestore（向量檢索功能介紹），主要原因為：
1.簡單易用：僅一個建立例項步驟後即可開始使用，Serverless 模式無需管理容量和後續運維。
2.低成本：完全按量計費，自動根據儲存規模水平擴充套件，最大可擴充套件至 PB 級。當然如果採用本地知識庫肯定是零成本，但這裡實現的是一個企業級、可透過雲共享的知識庫。
3.功能完備：支援全文、向量和標量等檢索功能，支援混合檢索。
MCP Server
實現了 4 個 Tools（具體註冊程式碼可參考 TablestoreMcp），相關描述如下：
知識庫構建
1、對文字進行切段並提取 FAQ
完全透過提示詞來完成，可根據自己的要求進行調優。
以上是一個示例，可以看到透過大模型能比較準確的對文字進行切段並提取 FAQ。這種方式的優勢是切段的文字能保證完整性以及語義一致性，能夠比較靈活的對格式做一些處理。提取的 FAQ 很全面，對於簡單問題的問答透過直接搜尋 FAQ 是最準確直接的。最大的缺點就是執行比較慢並且成本較高，一次會消耗大量的 Token，不過好在是一次性的投入。
2、寫入知識庫和 FAQ 庫
這一步也是透過提示詞來完成，基於 MCP 架構可以非常簡單的實現，樣例如下：
知識庫檢索
同樣這一步也是透過提示詞加 MCP 來實現，非常的簡單，樣例如下：
透過提示詞描述實現了一個稍微複雜點的檢索：
1.先對問題進行拆解，拆解為更原子的子問題。
2.每個子問題分別檢索知識庫和 FAQ，檢索結果彙總後篩選留下與問題最相關的內容。
3.按照格式返回結果。
知識庫問答
直接看下提示詞和效果
從 MCP Server 的 Log 內可以看到自動呼叫了知識庫和 FAQ 的檢索工具，並能根據之前匯入的內容進行回答。
演示
1、建立知識庫儲存例項
可透過命令列工具（下載地址）來建立 Tablestore 例項，參考這個文件先進行配置。
配置成功後執行以下命令進行例項建立，例項名自行選擇，需要保證 Region 內唯一。
2、啟動 MCP Server
啟動前需要在環境變數內配置如下幾個引數：
可參考程式碼庫 README 內的步驟進行啟動，也可將專案匯入 IDE 後直接執行 App 這個類，啟動後會自動初始化表和索引。
3、匯入知識庫
這一步需要執行程式碼庫內的 knowledge_manager.py 工具，執行前需要先配置訪問大模型的 API-KEY，預設採用 qwen-max。
exportLLM_API_KEY=sk-xxxxxx請自行準備知識庫文件，使用 markdown 格式，執行如下：
4、檢索知識庫
執行如下：
5、基於知識庫進行問答
最後
對應前言部分的觀點，這一輪技術革命可以參考 Web 2.0 和移動網際網路時代的技術發展，當某種新形態的應用開發需求爆發式增長，一定會催生新的開發框架和新的標準的建立。AI 應用的技術是能夠完全構建在當前的技術框架之上，所以發展迭代的速度非常之快，很期待未來的發展。
構建OLAP全場景，揭秘即時/離線數倉一體化架構
隨著企業的業務資料量和資料來源不斷增加，分析的難度和複雜度顯著提升。AnalyticDB MySQL 提供了一個能整合多型別資料來源，確保資料的一致性和完整性、高效的資料分析平臺， 支援複雜查詢和分析需求，能夠快速洞察資料價值，更好地支撐業務決策。
點選閱讀原文檢視詳情。