前言

加入星球的同学应该都知道，我们最近开发完成了一个AI智能体通信项目

AI智能体通讯项目通过rpc框架实现clinet与server通信，利用client把想对agent询问的问题发送给server，server集成了多个agent，来实现复杂问题的解答。

agent之间使用a2a协议进行交互，并且agent也通过mcp协议集成了mcp tools，也利用rag技术减少了大量无效mcp tools信息传入给agent消耗token。

很多学cpp / c++相关的同学，也都想做一个AI相关的项目，追一下目前的AI潮流，给简历增加点含金量。

但是又怕花钱加入星球，发现这个项目也像其他博主哪样，对于AI相关的只是调用了AI对话接口，本质还是后端这样的项目。

针对这种情况，今天这篇文章特意把我们开发的这个AI智能体项目写的学习文档内容，以及简历发出来，让大家对它有个更加清晰的认识。

（只展示部分，因为内容太多了，截图就要很长时间）

项目视频

https://www.bilibili.com/video/BV1aYmqBGEJT/?spm_id_from=333.1387.homepage.video_card.click&vd_source=b7f84f9122e6cf826e5c747e473cb4f7

https://www.bilibili.com/video/BV1zurjB1EDQ/?spm_id_from=333.1387.homepage.video_card.click

代码截图

路线学习

在讲路线的时候，我们首先要理解下我们这个项目的技术栈，都用到了哪些东西：

通讯框架rpc

AI技术：

a2a、mcp、rag

Agent：

用的阿里百炼平台

存储相关：

用的redis

等等其他一些小细节

rpc学习：可以看性能监控项目知识库，提供的一些资料，以及b站搜搜，都烂大街了

AI技术学习：

这里推荐一个博主，发现B站他也有号，可以去看看相关内容（对于这些技术入门，看这视频确实很不错）

看完相关视频以后，可以再去看看咱们星球写的《AI文档》知识库

如果还想学的更深入，那就只能看对应技术的官方文档了，官方文档也在《AI知识库》内容下面有链接分享，踏下心来也不难的

Agent：

直接看看阿里百炼平台提供的使用手册就可以了

Redis：

菜鸟教程看下基本使用就可以了，这不是咱们的重点

对于上面这些基本都了解了，就可以深入咱们项目学习了（文档、源码）

项目架构

项目通讯框架

技术方案选择

根据方案背景介绍实现的此平台server是系统服务，部门内部使用的。即供其他服务之间使用的。

因此高效的通信方案是rpc。不是那种对外提供接口让其他用户使用的，不然为啥不用http请求了。

用http请求，这些c-s的，又是后端开发逻辑了，那是不是用java、go更加合适，比如java能个线程池 只需要配置个参数即可。

这是目的之一，突出rpc的使用经验，远远比http请求这些在找工作中更加加分。

目的二是，咱们这个是AI智能体通信项目，更应该把技术聚焦在对AI底层技术的研究开发中，而不是聚焦 在后端哪些开发框架上，比如消息队列，一些处理之类的，那样为啥不用go、java。

以及怎么凸显出你对AI技术的研究，所以重点是在AI底层技术。对AI技术的研究，不是简单调用api，然后用一些后端处理框架，套个壳子说是AI项目，这对你对AI技术的提升，以及面一些AI相关岗位毫无提升。

rpc框架选择的是：谷歌的grpc，为什么不用其他的，可以看看资料分享里放的链接

也可以去看看Linux性能监控项目，也有些

通讯框架图

针对通讯框架做的工作

MCP协议开发

架构图

RAG-MCP（重点）

大家可以重点了解一下

（此部分个人认为是此项目mcp实现中优化的一个亮点，在面试中也会是一个极具加分的点）

说明

RAG-MCP (Retrieval-Augmented Generation for Model Context Protocol) 是本项目中实现的一个基于语义检索的智能工具选择框架。

它的核心思想是：当 MCP Server 提供大量工具时，不再将所有工具都发送给 LLM，而是通过语义相似度搜索，只返回与用户查询最相关的少量工具。

解决的问题

在实际应用中，一个 MCP Server 可能提供几十甚至上百个工具。如果将所有工具的描述和参数 Schema 都发送给 LLM，会带来以下问题：

（1）Token 消耗过大：每个工具的名称、描述、参数 Schema 都会占用 Token，大量工具会显著增加成本

（2）选择准确率下降：LLM 在大量工具中选择正确工具的准确率会下降

（3）响应速度变慢：处理大量工具信息需要更多时间

（4）上下文窗口限制：可能超出 LLM 的上下文窗口限制

RAG-MCP 通过语义检索，只返回与用户查询最相关的 Top-K 个工具（默认 5 个），有效解决了上述问题。

实现原理/实现过程

RAG-MCP 的工作原理可以用一句话概括：将文本转换为向量，通过向量相似度找到最相关的工具。

具体主要分为两个阶段：

（1）工具索引阶段：将每个工具的名称、描述、参数信息组合成文本，调用 Embedding API 转换为向量，存储在向量索引中

（2）查询检索阶段：将用户查询转换为向量，在向量索引中搜索最相似的工具向量，返回对应的工具

整体流程：

（1）工具索引流程:

（2）查询检索详细流程

底层原理讲解

为什么 "计算 123 + 456" 能够匹配到 "calculator" 工具？

语义匹配原理

MCP开发做的工作

a2a协议开发

开源

针对cpp开发a2a协议这部分开源出来了，弥补市面上的不足（为像新能源、机器人等提供多AI模型落地技术支持）

项目代码链接：

https://github.com/agan-cpp/a2a-cpp-sdk

项目视频：

https://www.bilibili.com/video/BV1iLS1BCEYW/?vd_source=b7f84f9122e6cf826e5c747e473cb4f7#reply115644729202456

本次案例是实现了一个A2A协议的c++ sdk。可以理解成一个协议+模型+框架（client/server）+实例四合一的完整A2A c++实现，可以直接集成到生产项目中，也可以作为实现自定义智能Agent系统的基础。

架构图

a2a开发做的相关工作

子项目---MCP server部分

子项目---整体mcp开发

子项目---a2a开发

完整项目简历

星球同学对项目评价/期待

项目运行效果截图

知识星球介绍（公认的cpp c++学习地）

星球名字：奔跑中的cpp / c++

专注cpp/c++相关求职领域的辅导

加入星球福利，后续如果有其他活动、服务，不收费，不收费，可以合理赚钱就收取下星球费用，但是不割韭菜，保持初心

感兴趣的微信扫下面的码，然后下载知识星球app登录即可

（1）高质量的项目合集

同时如果项目，遇到任何困惑也会第一时间进行解答的

（2）高质量精确性八股资料

（3）详细的学习路线

（4）活跃的学习氛围，星球打卡不只是一个形式，而是每天观看，针对同学们的学习情况提出合理化的建议，同时也有高质量的星球微信内部群

（5）星球提问简历修改，提供意见的同时，还会给安排一对一腾讯会议辅导

（6）星球同学offer情况，以及对应学习情况，给大家提供参考

（7）全网最全cpp相关面经整理

（8）编程实战能力提升平台（大家都可以使用的，免费的）

访问网址 cppagancoding.top

星球同学的评价

（9）每周也会进行直播答疑，同时有时也会给星球内部同学开一些知识、路线分享会。

具体可以看B站放的视频，up名字：cpp辅导的阿甘

（10）奖励金激励，会根据大家打卡学习/ 面经打卡整理情况，每个月每个季度发放奖励金。有的人陆陆续续已经获得了数千月的奖励金，是加入星球费用的数十倍了

等等，可能还有一些其他服务，目前没想起来的，以及后续也会增加的服务