随着大模型技术的日益成熟，Agentic解决方案在各个领域展现出强大的应用潜力。本文将深入探讨如何使用 模型上下文协议（MCP）服务器，构建一个用于 Raibot Agentic解决方案的强大后端。我们将详细介绍 MCP 服务器的概念、作用，以及如何利用它来管理 Prompts（提示词），Resources（资源） 和 Tools（工具），最终打造一个智能、高效的 Raibot。

1. 模型上下文协议（MCP）：Agentic 解决方案的核心

模型上下文协议（MCP） 是一种标准化的通信协议，旨在促进大模型 Agent 和外部环境之间的有效交互。它定义了一套通用的接口，使得 Agent 能够安全、可控地访问外部的 资源 和 工具。

在传统的 Agentic 解决方案中，Agent 往往需要直接集成各种外部功能，这导致代码臃肿、耦合度高，难以维护和扩展。而 MCP 的引入，将这些外部功能抽象为独立的 MCP服务器，Agent 通过标准化的协议与服务器通信，极大地简化了 Agent 的开发和部署。 举例来说，一个电商客服 Agent 需要访问商品信息、用户订单等数据，传统的做法是将数据库访问逻辑直接嵌入 Agent 代码中。而使用 MCP 后，可以将这些数据封装在 MCP 服务器中，Agent 只需通过 MCP 协议请求数据，无需关心底层数据库的细节。

MCP服务器 的核心优势在于：

• 解耦：将 Agent 与外部环境解耦，降低系统的复杂性。
• 标准化：使用标准化的协议进行通信，提高系统的互操作性。
• 安全性：提供安全、可控的访问机制，保护敏感数据。
• 可扩展性：易于扩展新的功能和资源，满足不断变化的需求。
• 可维护性：降低维护成本，简化系统升级和维护工作。

2. Prompts（提示词）：引导 Raibot 行为的关键

Prompts（提示词） 在 Agentic 解决方案中扮演着至关重要的角色。它们是引导 Agent 行为的指令，通过提供清晰、明确的提示，可以有效地控制 Agent 的输出结果，并使其更好地完成任务。

在 Raibot 项目中，Prompts 可以用来指导 Raibot 如何与用户交互，如何利用 Tools 完成任务，以及如何解释和呈现结果。例如，我们可以定义一个 Prompt，要求 Raibot 充当一个友好的向导，帮助用户了解机器人的功能和使用方法。

一个良好的 Prompt 应该具备以下特点：

• 清晰明确：避免使用含糊不清的语言，确保 Agent 能够准确理解指令。
• 简洁扼要：用最少的文字表达最完整的信息。
• 情境感知：根据当前的情境调整 Prompt，使其更具针对性。
• 可测试性：容易测试和验证，确保 Prompt 能够达到预期效果。

You are a helpful assistant connecting to a server that can control a robot called Raibot.\n...

这个 Prompt 示例定义了 Raibot 的角色，明确告知它是一个连接到服务器并控制机器人的助手。

3. Resources（资源）：Raibot 的知识库

Resources（资源） 是 Agentic 解决方案的重要组成部分，它们为 Agent 提供了必要的知识和信息，使其能够更好地理解环境、做出决策。在 Raibot 项目中，Resources 可以包括地图数据、历史指令、位置信息等。

例如，地图资源 可以帮助 Raibot 了解周围的环境，从而更好地规划路径和执行任务。历史指令资源 可以帮助 Raibot 学习用户的偏好，从而提供更加个性化的服务。 位置资源 可以帮助Raibot记录当前位置，避免迷路。

Resources 应该具有以下特性：

• 可访问性：Agent 能够方便地访问和利用 Resources。
• 一致性：确保 Resources 的数据一致性和准确性。
• 安全性：保护敏感 Resources 免受未经授权的访问。
• 可更新性：能够及时更新 Resources，以反映环境的变化。

文章中提及了以下三种 Resources：

• 地图 (Map): Raibot 已经探索过的区域。
• 历史记录 (History): Raibot 接收和执行过的指令。
• 位置 (Location): Raibot 当前的坐标。

这些 Resources 就像 Raibot 的记忆，帮助它更好地完成任务。

4. Tools（工具）：Raibot 的执行器

Tools（工具） 是 Agentic 解决方案中执行特定任务的模块。它们封装了各种外部功能，Agent 可以通过调用 Tools 来完成各种操作。

在 Raibot 项目中，Tools 可以包括运动控制、传感器数据采集、图像识别等功能。例如，我们可以定义一个 运动控制工具，允许 Raibot 控制机器人的运动方向和速度。 我们可以定义一个 定位工具, 用于读取当前机器人的坐标。

一个优秀的 Tool 应该具备以下特点：

• 易用性：Agent 能够方便地调用和使用 Tool。
• 可靠性：确保 Tool 能够稳定、可靠地执行任务。
• 安全性：保护 Tool 免受恶意攻击和滥用。
• 可扩展性：易于扩展新的 Tools，以满足不断变化的需求。

文章中提及了以下几种 Tools：

• Hello World Tool: 一个简单的问候工具，用于测试服务器的连通性。
• 位置工具 (Location Tool): 获取 Raibot 当前位置信息的工具。
• 模拟器工具 (Simulator Tool): 模拟 Raibot 的运动，测试指令的有效性。

这些 Tools 赋予了 Raibot 执行各种任务的能力。

5. 构建 MCP服务器：Raibot 的中枢大脑

构建 MCP服务器 是实现 Raibot Agentic 解决方案的关键步骤。MCP服务器 负责管理 Prompts、Resources 和 Tools，并为 Agent 提供访问接口。

在文章中，作者使用 Typescript 和 @modelcontextprotocol 包构建了一个 MCP服务器。该服务器基于 Streamable HTTP 协议，支持多客户端连接，并提供了完善的日志记录功能。

构建 MCP服务器 的步骤如下：

1. 选择传输机制：Streamable HTTP 是推荐的传输机制，因为它支持双向通信和会话恢复。

2. 创建 HTTP 服务器：使用 Express 等框架创建 HTTP 服务器，监听指定端口。

3. 实现 MCP 协议：使用 @modelcontextprotocol 包提供的 API，处理客户端的 POST、GET、DELETE 请求。

4. 注册 Prompts、Resources 和 Tools：将 Prompts、Resources 和 Tools 注册到 MCP服务器 中，并定义相应的处理逻辑。

5. 测试服务器：使用 MCP Inspector 等工具测试 MCP服务器 的功能和性能。

作者在文章中详细介绍了如何注册 Prompts、Resources 和 Tools。通过创建不同的文件，将各个功能模块解耦，提高了代码的可维护性。例如，raibotLocationResource.ts 文件定义了如何读取和写入 Raibot 的位置信息，使用了 Zod 库进行数据校验，确保数据的准确性。

6. 使用 MCP Inspector 测试 Raibot 的大脑

MCP Inspector 是 Anthropic 团队开发的浏览器端工具，用于测试和调试 MCP服务器。它可以连接到 MCP服务器，并列出服务器提供的 Prompts、Resources 和 Tools。

通过 MCP Inspector，开发者可以方便地测试 Tools 的功能，并查看 Resources 的数据。这对于调试 Agentic 解决方案非常有用。例如，可以使用 MCP Inspector 测试 Raibot Simulator Tool，验证指令是否能够正确地控制 Raibot 的运动。

7. Raibot 应用案例：智能路径规划

基于我们构建的 MCP服务器，我们可以实现一个 Raibot 智能路径规划的应用案例。假设 Raibot 需要从 A 点移动到 B 点，它可以按照以下步骤执行：

1. Agent 获取地图资源：Agent 通过 MCP 协议请求 地图资源，获取周围环境的信息。

2. Agent 分析地图，规划路径：Agent 利用大模型能力分析地图，规划出一条最优路径。

3. Agent 调用运动控制工具：Agent 通过 MCP 协议调用 运动控制工具，控制 Raibot 沿着规划的路径移动。

4. Raibot 实时更新位置信息：Raibot 在移动过程中，实时更新 位置资源，以便 Agent 随时掌握 Raibot 的状态。

通过这个应用案例，我们可以看到 MCP服务器 在 Agentic 解决方案中发挥的重要作用。它为 Agent 提供了必要的知识和工具，使其能够智能地完成任务。

8. 总结：MCP服务器助力 Raibot 智能进化

本文深入探讨了如何使用 模型上下文协议（MCP）服务器 构建 Raibot Agentic 解决方案。通过将外部功能抽象为 Prompts、Resources 和 Tools，并由 MCP服务器 统一管理，我们可以极大地简化 Agent 的开发和部署，提高系统的灵活性和可扩展性。

随着大模型技术的不断发展，Agentic 解决方案将在各个领域展现出更加强大的应用潜力。而 MCP服务器 作为 Agentic 解决方案的核心基础设施，将发挥越来越重要的作用。 我们期待在未来的文章中，进一步探索 MCP服务器 的高级特性和应用场景，助力 Raibot 实现更加智能的进化。