如何构建MCP风格的路由AI代理系统：动态工具暴露、规划、执行与上下文注入

本教程将带领读者从零构建一个功能完整的MCP（Model Context Protocol）风格路由代理系统，该系统融合了工具发现、智能路由、结构化规划与执行，形成一个统一的工作流。整个系统基于Python实现，利用OpenAI的API提供LLM推理能力，并集成了DuckDuckGo搜索、scikit-learn数据集、TF-IDF本地检索以及沙盒化Python执行等工具。

首先，我们搭建一个模块化工具服务器。该服务器通过结构化的schema暴露多种能力，包括网页搜索、本地知识检索、内置数据集加载以及安全的Python代码执行。每个工具都通过Pydantic模型定义，包含名称、描述、输入schema和标签，以便后续路由。工具服务器负责注册和调用这些工具，并返回标准化的结果。

接下来，我们实现一个混合路由器。路由器结合启发式规则（如任务关键词匹配）和大语言模型的推理能力，动态决定针对当前任务应该暴露哪些工具。这种方式确保代理只看到最相关的工具，从而提升安全性、减少干扰并降低工具选择熵。路由器输出一个RouteDecision对象，包含选中的工具名称列表和决策理由。

然后，我们设计代理的核心逻辑，分为三个阶段：规划阶段，代理分析任务并决定是否需要使用工具以及调用的顺序；执行阶段，代理依次调用工具，并捕获输出结果；综合阶段，代理将工具输出、检索到的文档以及策略提示注入到提示词中，最终合成回答。上下文注入是MCP的重要原则，它使模型在生成回复时能够充分利用工具返回的信息。我们使用专门的PlanOutput结构来规划工具调用序列，每个ToolCall包含工具名和参数。

为了支持本地知识检索，我们构建了一个基于TF-IDF的向量检索器，预先索引了关于MCP、动态能力暴露、上下文注入、路由策略等概念的文档。代理可以通过vector_retrieve工具获取相关文档片段，增强回答的事实准确性。我们还实现了安全的Python执行沙箱，限制内置函数并捕获标准输出和错误，确保代码执行不会影响系统稳定性。数据集加载工具允许代理快速检查sklearn内置数据集（如iris、wine、breast_cancer、diabetes）的schema、预览和统计信息。

最后，我们通过多个真实任务演示了系统的能力：例如回答关于MCP的问题（使用本地检索）、搜索最新AI新闻（网页搜索）、进行数据分析（Python执行+数据集加载）。整个系统展示了MCP原则——上下文注入、路由策略、受限工具访问——如何结合以构建一个可扩展、可解释且高效的代理系统。代码实现中还包括环境检查、API密钥安全加载、全局配置等准备工作，确保教程可复现。