• Agent：一个能自主决策的“大脑”。

• Function/Tool：大脑可以使用的“手和脚”。

• MCP：一套标准化的“工具包管理规范”。

Agent - 智能体

核心定义： 一个能够理解目标、进行规划、执行动作并达成目标的 AI 系统。

角色：整个系统的 “大脑” 或 “指挥官”

工作模式：

1. 规则： 将复杂任务（如“写一份行业报告”）拆解成多个步骤（调研、分析、撰写）

2. 决策： 决定每一步需要调用哪个工具

3. 执行： 调用工具并观察结果

4. 反思： 根据结果决定下一步行动，直到任务完成

• 一个简单的例子：你让Agent“查一下明天的天气并提醒我是否需要带伞”

  • 他可能会规划为： 调用天气API -> 分析降雨概率 -> 调用日历工具创建提醒。

Function/Tool Calling - 函数/工具调用

核心定义：让 AI模型 能够主动调用外部函数或API来获取信息来获取信息或执行操作的机制

角色：她是Agent的“手、脚和感官”， 扩展了AI的能力边界

工作原理：

1. 开发者在请求Ai模型是，预先定义好一系列可用的函数（包括函数名、描述、参数）

2. AI在理解用户问题后，如果发现需要外部信息或操作，会输出一个请求，表示它想要调用某个函数

3. 你的代码执行这个函数，并将结果返回给AI

4. AI根据返回的结果，生成最终的回答。

• 一个简单的例子：

  • 你问：“旧金山现在的天气怎么样？”

  • AI思考：“我需要调用get_weather(location)函数来获取实时数据。”

  • AI响应：{ "function_call": { "name": "get_weather", "arguments": {"location": "San Francisco"} } }

  • 你的程序：执行get_weather("San Francisco")，得到 { "temp": 18, "condition": "Sunny" }，并将结果交回给AI。

  • AI最终回答：“旧金山现在天气晴朗，气温18摄氏度。”

MCP - 模型上下文协议

核心定义：一个由Anthropic公司提出的开源标准，旨在标准化AI模型与外部工具/数据源之间的连接方式。

• 角色：它是“工具包的标准化管理规范”或“统一的插件接口”。

• 要解决的核心问题：

  • 之前：每个AI项目（如AutoGPT、LangChain）都要自己重复编写连接数据库、搜索引擎、Slack等工具的代码，即“重复造轮子”。

  • 之后：通过MCP，可以编写一次工具连接器（称为MCP Server），然后任何支持MCP协议的AI应用（称为MCP Client）都可以直接使用它。

• 一个简单的例子：

  • 有人写了一个MCP Server for PostgreSQL，它知道如何连接和查询数据库。

  • 那么，无论是Anthropic的AI、你本地跑的Ollama，还是任何其他支持MCP的Agent，都不需要再自己写数据库连接代码，直接使用这个现成的Server即可。

RAG - 使用方法

1. 创建项目文档结构

knowledge-base/ ├── project-context.md # 项目背景和架构 ├── coding-standards.md # 编码规范 ├── api-documentation.md # API 文档 ├── component-library.md # 组件库文档 └── deployment-guide.md # 部署指南

示例：项目上下文文档

# project-context.md## 项目概述- 项目名称: 电商管理平台 - 技术栈: React + TypeScript + Ant Design - 状态管理: Redux Toolkit - 构建工具: Vite ## 核心业务模块1. 用户管理 - 基于 RBAC 权限控制 2. 商品管理 - SKU/SPU 管理体系 3. 订单管理 - 多状态订单流程 4. 数据统计 - ECharts 可视化 ## 开发规范- 组件命名: PascalCase - 文件命名: kebab-case - API 前缀: /api/v1/ - 代码提交: Conventional Commits

1. 在 Claude Code 中集成 RAG

Agent： 在提问时附上相关文档片段

Plan： 分步骤提供知识 一步步生成

1. RAG 增强的提示词模版

背景信息： <项目背景文档内容> 当前任务： <具体开发任务> 约束条件： - 代码规范：<编码标准> - 技术限制：<技术约束> - 业务规则：<业务逻辑> 请基于以上信息实现功能。

模版1: 功能开发

text 背景信息： <项目背景文档内容> 当前任务： <具体开发任务> 约束条件： - 代码规范：<编码标准> - 技术限制：<技术约束> - 业务规则：<业务逻辑> 请基于以上信息实现功能。

模版2: 代码优化

text 现有代码： <需要优化的代码> 项目上下文： <相关业务逻辑和架构信息> 优化要求： - 性能改进点：<具体指标> - 代码质量：<规范要求> - 可维护性：<最佳实践> 请基于项目上下文进行优化。

1. 实际应用开发

示例1: 组件开发

text 基于以下项目规范创建用户管理页面： 项目技术栈： - 前端：React 18 + TypeScript + Ant Design - 状态管理：Redux Toolkit + RTK Query - 路由：React Router v6 - API：RESTful，认证使用 JWT 用户管理需求： 1. 用户列表展示（表格形式） 2. 用户搜索（按姓名、邮箱） 3. 用户状态切换（启用/禁用） 4. 角色分配功能 API 接口： - 获取用户列表：GET /api/v1/users - 更新用户状态：PATCH /api/v1/users/{id}/status - 分配角色：PUT /api/v1/users/{id}/roles 请实现完整的用户管理组件。

1. RAG 工作机制

   1. 分片：将复杂的“工作手册”分片， 可根据段落，页码，字数、章节 等

   2. 索引：通过 Embedding 将片段文本转换为向量，然后将片段文本和片段向量存在向量数据库中

   3. 召回：用户问题 通过 Embedding 得出目标向量，然后与 片段文本向量进行相似度比对，相似度高的整合起来给大模型做分析

注：Embedding就是把语义相近的文本所对应的向量靠近，这样的话，当用户询问类似的语义后就可以将问题转化为 Embedding 最后根据向量相似度把相关文本找出来，扔给大模型。（Embedding 是专门解析语义的大模型，非gpt等大模型）