上周末的N8期AI编程训练营，现场气氛相当热烈。从炒股工具到知识工具，从科研助手到名胜古迹导游，再到图像编辑器、个人IP定位、抖音热点追踪、家庭图书馆、文献助手、刷题助手……各种不同学科背景的项目混搭在一起，这种跨界融合带来的启发，远比单纯的代码技巧要丰富得多。

这一期，重点放在了MCP的原理和使用方式上，同时也开始切入桌面软件的开发。一个有意思的趋势是：每个人都可以亲手制作自己的桌面软件，而软件本身，正在成为一种人人都能轻松生产的“商品”。

LLM智能体的本质与演进

回到一个更宏观的话题：什么是LLM智能体？根据Anthropic的研究定义，智能体的核心特征在于能够动态控制自身流程和工具使用。说得直白些，它不再是按固定剧本走的提线木偶，而是能自己看情况做决策的自主单元。

典型的早期例证包括OpenAI 2025年初发布的DeepResearch，以及Claude Sonnet 3.7。Alexander Doria最近也发表观点，认为真正的LLM智能体即将到来。要注意的是，这类智能体与当前常见的工作流系统有着本质区别——后者依赖预定义的规则和提示，而前者能进行规划、记忆，并有效执行多步骤、长期的任务。正是这种动态指导自身流程与工具使用的能力，让智能体在可扩展性和长期效能上突破了传统方法的瓶颈，有望在很多领域引发碘伏性变革。

实现真正的LLM智能体，关键路径是强化学习与推理相结合。没错，得从模型训练层面入手，让模型本身具备动态规划能力。现阶段市面上那些靠预设和提示工程拼凑出来的智能体，说到底只是过渡形态。

此外，文章还提到一个值得关注的趋势：闭源AI模型可能在2-3年内停止API服务。如果成真，将对整个AI行业的商业模式产生深远影响。

知识的连接者：从存储到洞察

另一个让人印象深刻的方向，是如何连接“未知”的知识点。Sam Altman在最新访谈里提到一个观点：过去我们很看重知识量的积累，记住得越多越显得聪明。但现在游戏规则变了，做知识的连接者，比当存储容器更有价值。确实，LLM已经掌握了海量知识，随时可以调用。但问题在于：如果你根本不知道某个知识点的存在，又怎么可能想到把它连起来？真正的优势，不在于你能记住多少，而在于你能识别出模式，把散落的东西串在一起。

这和上午训练营里的一次即兴演示有很强的关联度。当时尝试构建了一个知识点工具，核心逻辑是：输入文本后，由LLM提取并推荐关键知识点，用户可以选择感兴趣的部分，并获取对应的类比、比喻和思辨性指引。工具还包含保存模块和基于保存知识点的知识库问答聊天界面。整个方案以“知识点”作为核心构建单元，通过LLM扩充后，调用MCP-Memory Server完成存储和后续调用。

顺便提一下，MCP-Memory Server在这期间也做了优化——现在一个exe文件就能同时支持sse和stdio两种使用模式，部署起来方便了不少。

知识的价值不在于占有，而在于连接。当你能借助LLM不断探索未知领域，并把碎片组织成网络，那才是真正的竞争力所在。

以上