2025年被普遍视为AI Agent元年，从当前技术演进的节奏来看，这一预测正在逐步成为现实。年初DeepSeek爆火之后，开源大模型的能力已基本与商业模型持平，甚至在某些维度上实现了超越。完全开放的开源策略，在某种意义上推动了大模型使用的真正平权——这直接改变了AI应用的商业逻辑：基于自训练的闭源模型优势被明显削弱，竞争的主战场正在从模型性能转向应用场景的创新与落地。

AI应用的形态也在持续演进，从早期的对话机器人到RAG，再到如今的Agent。回顾Web 2.0和移动互联网时代的技术发展脉络，每当一种新型应用需求出现爆发式增长，必然会催生新的开发框架和行业标准。AI应用如今正经历这一过程。

当前开发框架尚未统一，仍处于百花齐放、百家争鸣的阶段。Python能否成为主流开发语言，哪个框架最终胜出，这些都还是未知数。但有一点值得关注——近期大热的MCP（Model Context Protocol）正在逐步成为事实标准，尤其是在OpenAI宣布支持MCP之后。

关于MCP的具体介绍在此不再展开。从实践角度出发，我们动手构建了一个项目，主要目的是体验如何基于MCP开发一个Agent应用。本次实践实现的是最常见的一类AI应用场景——答疑系统，支持基于私有知识库的问答，在知识库构建与RAG方面进行了多项优化。

整体流程设计

整个流程分为两大模块：知识库构建与知识检索。

1. 知识库构建

• 文本切段：对文本进行分段处理，确保每段内容的完整性与语义一致性。
• 提取FAQ：根据文本内容提取常见问题与答案（FAQ），作为知识库检索的补充，提升整体检索效果。
• 导入知识库：将文本段落和FAQ导入知识库，经过Embedding处理后存入向量数据库。

2. 知识检索（RAG）

• 问题拆解：对输入的复杂问题进行拆解与重写，拆分成更细粒度的子问题。
• 检索：针对每个子问题分别检索相关的文本段落与FAQ。文本采用向量检索，FAQ则采用全文与向量的混合检索。
• 知识库内容筛选：对检索结果进行二次筛选，保留与问题最相关的内容用于最终回答。

相比传统的Naive RAG方案，本次在知识库构建与检索两个环节均实施了常见优化，包括Chunk切分优化、FAQ提取、Query Rewrite、混合检索等手段。

Agent架构

整体架构分为三个部分：

• 知识库：内部包含Knowledge Store和FAQ Store，分别存储文本内容与FAQ内容，支持向量与全文的混合检索。
• MCP Server：提供对Knowledge Store和FAQ Store的读写操作，共暴露了4个Tool。
• 功能实现部分：完全通过Prompt + LLM实现知识库的导入、检索和问答等核心功能。

具体实现

所有代码已开源，分为两部分：

• Python实现的Client端：实现了与大模型的交互逻辑，通过MCP Client获取Tools，根据大模型的反馈调用Tools等基础能力。同时通过Prompt实现了知识库构建、检索和问答三个主要功能。
• Java实现的Server端：基于Spring AI框架实现了MCP Server。底层存储选用Tablestore，主体框架基于此前文章中的代码进行了改造。

知识库存储

选择Tablestore作为知识库的存储方案，主要基于以下几个关键原因：

• 简单易用：创建实例后即可直接使用。Serverless模式无需管理容量，也无需后续运维。
• 低成本：完全按量计费，存储规模可自动水平扩展，最大可扩展至PB级别。当然，如果采用本地知识库则零成本，但这里实现的是一个企业级、可云端共享的知识库。
• 功能完备：支持全文、向量和标量等多种检索功能，并支持混合检索。

MCP Server

实现了4个Tool，相关描述如下表：

知识库构建

1. 对文本进行切段并提取FAQ

整个过程完全通过提示词完成，可根据自身需求进行调优。从实际效果来看，大模型能够较为准确地完成文本切段与FAQ提取。这种方案的优势在于：切段后的文本能保证完整性与语义一致性，格式处理也比较灵活。FAQ提取非常全面，对于简单问题，直接搜索FAQ是最准确直接的方式。唯一的不足是执行速度较慢、成本较高，一次操作会消耗大量Token，不过好在这属于一次性投入。

2. 写入知识库和FAQ库

这一步同样通过提示词完成。基于MCP架构，实现起来非常简洁。

知识库检索

同样，这一步也通过提示词加MCP实现，逻辑清晰明了。通过提示词描述，实现了一个稍复杂的检索流程：

1. 先对问题进行拆解，拆分成更细粒度的子问题。
2. 每个子问题分别检索知识库和FAQ，将检索结果汇总后再进行筛选，保留下与问题最相关的内容。
3. 按照固定格式返回结果。

知识库问答

从提示词和实际效果来看，整个问答过程并不复杂。MCP Server的日志显示，系统自动调用了知识库与FAQ的检索工具，并能根据之前导入的内容进行准确回答。

演示

1. 创建知识库存储实例

通过命令行工具创建Tablestore实例，配置完成后执行命令创建实例。实例名需自行选择，保证在所属Region内唯一即可。

2. 启动MCP Server

启动前需要在环境变量中配置如下参数：

可参考代码库README内的步骤启动，也可以将项目导入IDE后直接运行App类。启动后系统会自动初始化表和索引。

3. 导入知识库

执行代码库内的knowledge_manager.py工具。执行前需配置大模型的API-KEY，默认采用qwen-max。

4. 检索知识库

直接执行即可。

5. 基于知识库进行问答

最后

回看开头提到的观点：这一轮技术革命可以参考Web 2.0与移动互联网时代的发展路径——当新形态的应用开发需求爆发式增长时，一定会催生新的开发框架与行业标准。AI应用的技术完全可以构建在当前技术框架之上，因此发展迭代的速度异常之快。对于未来的演进方向，值得我们持续期待。