深色模式
让Agent使用工具
大模型客观存在的一个问题在于，它无法感知外界环境。因此需要调用不同的工具（Tool），来完成更多更复杂的任务。当用户提出天气查询请求时，大模型通过理解意图提取出关键参数（如城市：北京、日期：2025年4月2日），并识别出需要调用的外部“天气查询工具”；随后，该工具通过对接“气象局接口”获取实时或预测的结构化数据，最后由模型将这些专业数据转化为用户易读的最终结果（如：晴，15-25℃）
工具（tools）
- 平台将用户需求（如“上海天气”）及可用工具清单发送给大模型，大模型通过意图识别做出“调用天气工具”的决策并下达指令。
- 平台负责执行该指令并从外部工具获取原始数据，再将结果回传给大模型进行理解与加工。
- 大模型将结构化的工具数据转化为自然语言回复，由平台反馈给用户，从而实现了从理解意图到外部执行再到信息整合的完整闭环。
- 在整个流程中，大模型起到的作用只有选择工具和归纳总结，发挥“大脑”的作用。
MCP（tools的一种呈现形式）
MCP（Model Context Protocol，模型上下文协议）是一套让大模型调用外部工具的通用标准。在它出现之前，同一个工具想接入 OpenAI、Anthropic、Google 等不同厂商，得分别编写各自的接入规范；有了 MCP，工具和数据源只需按这一套标准实现一次，就能像“万能插头”一样接入所有支持该协议的大模型。
MCP 由 Anthropic 于 2024 年 11 月正式推出并开源。前面提到的“分别编写接入规范”，本质是一个 N×M 问题——N 个大模型平台乘以 M 个工具，就要写 N×M 份互不通用的适配代码。MCP 借鉴了 USB-C 统一物理接口、以及互联网早期用 HTTP 统一网页传输的思路，把它压成 N+M：工具方按协议实现一次 Server，模型方实现一次 Client，两端即可自由组合。协议开源后，OpenAI、Google 等在 2025 年相继宣布支持，MCP 迅速成为大模型连接外部世界的事实标准。
在架构上，MCP 由三个角色组成：Host 是承载大模型的宿主应用（例如 Claude Code、Claude 桌面端）；Client 是宿主内部为每个外部服务建立的连接器；Server 则是真正提供能力的一方，把文件系统、数据库、浏览器等封装成模型可调用的工具。任何一个 Server 只要实现一次，就能被所有支持 MCP 的 Host 复用。
下面是社区中较常用的一批 MCP Server，其中 Playwright MCP 也是本手册示例环境接入的浏览器自动化工具。官方仓库里还维护着 Slack、Google Drive、数据库等更多 Server，可按需取用。
| 工具 | 说明 | 出品方 | 链接 |
|---|---|---|---|
| MCP 官方 Reference Servers | 官方参考实现合集，含 Filesystem、Fetch、Git、Memory、Sequential Thinking 等，覆盖文件读写、抓网页、Git 操作、知识记忆、分步推理 | 官方 | modelcontextprotocol/servers |
| Playwright MCP | 微软出品，用无障碍快照驱动浏览器，让模型点击、填表、抓取页面而无需截图 | 微软 | microsoft/playwright-mcp |
| GitHub MCP Server | GitHub 官方出品，让模型直接读仓库、管 Issue 与 PR、查 Actions 工作流 | 官方 | github/github-mcp-server |
| Chrome DevTools MCP | Chrome 团队出品，通过 DevTools 协议控制真实 Chrome，做自动化、调试与性能分析 | 官方 | ChromeDevTools/chrome-devtools-mcp |
| Context7 | Upstash 出品，把各类库的最新文档与代码示例实时注入上下文，减少模型用过时 API | 社区 | upstash/context7 |
Client（命令行客户端 CLI，调用另外的一个智能体）
如果说 MCP 解决的是“大模型如何连接工具”，Client 要回答的则是“人如何驱动大模型”——它是承载大模型能力、供人日常使用的客户端。客户端有多种形态：网页版、桌面 App、IDE 插件，而在 AI 编程这一场景里，最主流的形态是命令行客户端，即 CLI（Command-Line Interface，命令行界面）。Claude Code 本身就是一个跑在终端里的 CLI——你在命令行敲下需求，它调用大模型、读写文件、执行命令，直接把结果落到项目里。
命令行并不是新事物。早在图形界面出现之前，Unix 的 Shell 就是人机对话的主要方式，几十年来一直是工程师效率最高的操作入口；图形界面普及后，CLI 一度被视为“过时”，只在服务器和开发场景里保留。大模型的到来让它重新成为主角：AI 需要读写文件、执行命令、串联多个工具，终端天然就是这些能力的交汇点，又轻量、可脚本化、易于嵌进自动化流程。于是 2025 年前后，Anthropic 的 Claude Code、OpenAI 的 Codex CLI、Google 的 Gemini CLI 几乎同时把命令行选作旗舰形态，CLI 由此从“极客工具”回归为 AI 编程的主流入口。
这些 CLI 大致分两类：一类是驱动大模型的“AI 编程客户端”，本身就是 Client；另一类是“工具型 CLI”，通过命令行把某个服务的能力暴露出来供前者调用（例如本手册里 Claude Code 就常调飞书 CLI 来读写文档）。
| 工具 | 说明 | 类型 | 链接 |
|---|---|---|---|
| Claude Code | Anthropic 出品的终端 AI 编码代理，读代码库、改文件、跑命令、接各种开发工具 | AI 编程客户端 | code.claude.com/docs |
| OpenAI Codex CLI | OpenAI 出品的轻量终端编码代理，在命令行里完成写码、改码 | AI 编程客户端 | openai/codex |
| opencode | 开源终端 AI 编码代理，自带终端界面与 build、plan 两种模式 | AI 编程客户端 | sst/opencode |
| 飞书 CLI | 把飞书文档、多维表、消息等能力封装成命令行，供 Claude Code 调用 | 工具型 CLI | 帮我安装飞书 CLI：https://open.feishu.cn/document/no_class/mcp-archive/feishu-cli-installation-guide.md |
| 即梦cli | 调用即梦生图，seedance 2.0等多模态的模型 | 工具型 CLI | curl -s https://jimeng.jianying.com/cli | bash |
