AI 应用开发：大模型 API·RAG·Agent·MCP
前面是“用 AI 写代码”，这一章是“写调用 AI 的代码”。
你将学会
- 调通一次大模型 API，并处理流式与错误；
- 把提示词当代码来管理（模板化、版本化、评测）；
- 搭一个 RAG 最小闭环（检索 + 拼上下文）；
- 理解工具调用与 Agent 的循环；
- 知道 MCP 是什么、解决什么问题；
- 为 AI 应用做基本的评测与可观测。
前置知识
一、调用大模型 API
一次请求的基本结构：
text
请求：模型名 + 消息列表（system / user / assistant）+ 参数（温度等）
响应：生成的文本（或流式分片）+ 用量（token 数）要点：
- 流式输出：边生成边显示，体验好，但要做好分片拼接；
- 出错要兜：超时、限流、余额不足都要有明确提示与重试；
- 算成本：token 用量直接等于钱，界面上最好给个上限。
text
# 最小请求（伪代码）
messages = [{ role: 'system', content: '你是简洁的助手' },
{ role: 'user', content: userInput }]
return callModel({ model: 'xxx', messages, stream: true })二、提示词即代码
生产环境里，提示词不是随手打的字，而是要管理的资产：
- 模板化：把提示存成文件/常量，变量用占位符；
- 版本化：改提示走代码审查，能对比、能回退；
- 评测：准备一组固定样例，改完提示跑一遍，看是变好还是变坏。
三、RAG 最小闭环
RAG（检索增强）= 先查资料，再让模型基于资料回答。
text
文档 → 切分 → 向量化 → 存库
用户提问 → 向量化 → 检索 top-k → 拼进提示 → 模型回答最小实现：文档切块 → 存进向量库（或简单的关键词检索）→ 查询时取最相关的几块拼进提示。 先做最小闭环，再谈优化——很多“效果不好”其实是检索没找对，而不是模型不行。
四、工具调用与 Agent
- 工具调用：你把可用的函数（查天气、读数据库、发邮件）告诉模型，模型决定“调哪个、传什么”；
- Agent 循环：模型 → 调用工具 → 拿到结果 → 再决定下一步，直到完成；
- 工程要点：给循环设上限（步数、时间、花费）、失败要能停下来、危险操作要人工确认。
五、MCP 与集成
MCP（Model Context Protocol）是把外部工具与数据接给模型的通用协议：一次接入，多个模型/工具都能用。 用途：让模型读写你的文件、查你的数据库、调你的内部系统——不必每个应用各写一套胶水。
六、评测与可观测性
“感觉变好了”不算数。至少要有：
- 固定评测集：一组带期望答案的样例，改动前后各跑一次；
- 日志：记录每次请求的输入、输出、耗时、用量；
- 兜底：模型挂了/超时要降级（返回兜底文案、稍后重试）。
动手练习
- 写一个最小脚本，调通一次大模型 API，并打印用量。
- 做一个“文档问答”最小应用：给一段文档，提问能引用原文作答。
- 给它加上步数/费用上限与失败提示。
检查点
- 能画出你的 AI 应用的数据流图（输入 → 检索 → 模型 → 输出）；
- 能说出一次调用的成本来自哪里；
- 能为一次提示改动做“改前/改后”的对比评测。
常见问题
Q：一定要上向量数据库吗？ 不一定。数据少时关键词检索就够；但先别优化，先用最小闭环验证“回答对不对”。
Q：Agent 会不会失控乱调工具？ 会。所以要有步数/花费上限、危险操作白名单、以及人工确认点。
小结与下一步
到这里你已经能“用 AI 做产品”也能“做 AI 产品”。最后一步：把它变成可维护、可协作的工程——工程化与团队协作。