如何構建MCP風格的路由AI代理系統：動態工具暴露、規劃、執行與上下文注入

本教程將帶領讀者從零構建一個功能完整的MCP（Model Context Protocol）風格路由代理系統，該系統融合了工具發現、智慧路由、結構化規劃與執行，形成一個統一的工作流。整個系統基於Python實現，利用OpenAI的API提供LLM推理能力，並整合了DuckDuckGo搜尋、scikit-learn資料集、TF-IDF本地檢索以及沙盒化Python執行等工具。

首先，我們搭建一個模組化工具伺服器。該伺服器透過結構化的schema暴露多種能力，包括網頁搜尋、本地知識檢索、內建資料集載入以及安全的Python程式碼執行。每個工具都透過Pydantic模型定義，包含名稱、描述、輸入schema和標籤，以便後續路由。工具伺服器負責註冊和呼叫這些工具，並返回標準化的結果。

接下來，我們實現一個混合路由器。路由器結合啟發式規則（如任務關鍵詞匹配）和大語言模型的推理能力，動態決定針對當前任務應該暴露哪些工具。這種方式確保代理只看到最相關的工具，從而提升安全性、減少干擾並降低工具選擇熵。路由器輸出一個RouteDecision物件，包含選中的工具名稱列表和決策理由。

然後，我們設計代理的核心邏輯，分為三個階段：規劃階段，代理分析任務並決定是否需要使用工具以及呼叫的順序；執行階段，代理依次呼叫工具，並捕獲輸出結果；綜合階段，代理將工具輸出、檢索到的文件以及策略提示注入到提示詞中，最終合成回答。上下文注入是MCP的重要原則，它使模型在生成回覆時能夠充分利用工具返回的資訊。我們使用專門的PlanOutput結構來規劃工具呼叫序列，每個ToolCall包含工具名和引數。

為了支援本地知識檢索，我們構建了一個基於TF-IDF的向量檢索器，預先索引了關於MCP、動態能力暴露、上下文注入、路由策略等概念的文件。代理可以透過vector_retrieve工具獲取相關文件片段，增強回答的事實準確性。我們還實現了安全的Python執行沙箱，限制內建函式並捕獲標準輸出和錯誤，確保程式碼執行不會影響系統穩定性。資料集載入工具允許代理快速檢查sklearn內建資料集（如iris、wine、breast_cancer、diabetes）的schema、預覽和統計資訊。

最後，我們透過多個真實任務演示了系統的能力：例如回答關於MCP的問題（使用本地檢索）、搜尋最新AI新聞（網頁搜尋）、進行資料分析（Python執行+資料集載入）。整個系統展示了MCP原則——上下文注入、路由策略、受限工具訪問——如何結合以構建一個可擴充套件、可解釋且高效的代理系統。程式碼實現中還包括環境檢查、API金鑰安全載入、全域性配置等準備工作，確保教程可復現。