前言概览
在很多 LLM 应用中，常见的智能体框架包括 LangChain、AutoGPT、CrewAI 等。
我们尝试不依赖任何 Agent 框架，而是用 TypeScript 亲手实现了一套简单的 Agent 逻辑，盘一下Agent各组件之间的关系，打通了如下能力链条：
✅ 调用RAG（检索增强生成）接口为LLM注入上下文知识
✅ 调用 OpenAI LLM（如 GPT-4o）流式生成对话
✅ 调用外部工具在写文件/抓网页等
✅ 使用 MCP 协议启动多个“工具智能体”进行协同
可以理解为一个极简的多工具智能体原型，也是学习 Agent 系统简单切入点。
学习参考视频：
名词解释:
一、项目运行效果展示
该项目有三个功能测试：
调用 LLM 接口实现流式问答：支持边生成边输出的对话体验；每次生成不依赖上下文，体现出一次性交互的特性。
通过 MCPClient 调用外部工具的agent：可接入网页爬取工具与本地文件系统，实现网页信息抓取与文件写入等能力。
通过 RAG 接口实现知识库注入：将本地文件夹中的文本向量化，Agent 基于检索出的知识内容进行创作，并将生成的故事写入本地文件。
注意：都是命令行运行，没有图形化界面。
1. 流式问答功能实现
调用 LLM 接口实现流式问答效果如下图：
问题：
回答：
2. 可以调用外部工具的agent功能实现
可接入网页爬取工具与本地文件系统，实现网页信息抓取与文件写入，效果如图：
生成的文件：
总结的文件中，新闻链接都可以访问。
3. 通过 RAG 接口实现知识库向量化
将本地文件夹中的文本向量化，Agent 基于检索出的知识内容进行创作，并将生成的故事写入本地文件。这是最后完成的效果体现：
本地文件展示：
二、如何本地运行项目？
默认电脑安装了node.js环境
执行以下命令，配置好环境：
git clone git@github.com:likerhood/llm-mcp-rag.git npm install npm add dotenv openai @modelcontextprotocol/sdk chalk配置请求网址和apikey：
llm的请求网址和api-key
rag的请求网址和api-key
这里选择很多，可以选择deepseek的和硅基流动的，具体可以自己搜索<如何使用api调用大语言模型>
进入项目的src目录，执行
npm run dev
三、模块协作逻辑：LLM、RAG、MCP、Agent 如何协同？
1. 理解智能体：LLM 只是“大脑皮层”，不是全部
我们可以把“智能体（Agent）”理解为一个模仿人类思维行为模式的最小智能单元，它具备以下能力模块：
🧠 记忆：存储知识和经验，例如通过向量数据库或 RAG 技术实现记忆检索；
👁️ 感知：通过语音、图像等模态获取环境信息，比如语音识别、图像识别；
💡 决策：基于当前任务、历史上下文和外部知识做出选择——这通常由 LLM（大语言模型）完成；
⚙️ 行动：执行任务，调用工具，比如保存文件、爬取网页、生成图片等。
🧩 RAG、LLM、MCP、工具之间的联系：
模块
对应图中角色
说明
LLM（大语言模型）
大脑皮层
决策与语言生成的核心，用于思考和输出
RAG（检索增强生成）
海马体（记忆）
通过向量化知识库，实现外部记忆的调用
MCP（工具协议）
动作接口（行动）
统一协议，让 LLM 能够“调用”外部工具
工具（Tool）
行动模块
执行实际任务，如写文件、抓网页、发邮件等
Agent
统筹全局，有很多框架
串联 LLM、RAG、MCP 的控制中枢，是一个“思考 + 行动”的统一体
智能体不是单一模块，而是一个具备“记忆 → 感知 → 决策 → 行动”能力的组合体。
在我们实现的项目中，Agent 通过 RAG 记住知识、用 LLM 思考问题、借助 MCP 工具完成任务，才构成了一个完整的智能行为闭环。
2. LLM、RAG、MCP、Agent 如何协同工作
2.1 协作图
在本项目中，LLM（大语言模型）、RAG（检索增强生成）、MCP 工具协议与 Agent 的协作流程如下图所示：
2.2 整体流程总结：
用户请求发起：
用户通过一个自然语言任务或指令向 Agent 发起请求，例如：“请根据知识库内容写一篇关于 Antonette 的故事”。
RAG 检索上下文（可选步骤）：
Agent 会使用 RAG（EmbeddingRetriever）模块将用户请求向量化，并在本地知识库中检索相关内容。
返回相似度最高的上下文（context）作为输入，交由 LLM 使用，从而提升回答的准确性和上下文性。
Agent 初始化 LLM 并传入上下文和工具：
Agent 使用
ChatOpenAI封装的大语言模型（如 GPT-4）开始对话。同时将 MCP 提供的工具注册给 LLM，使其具备使用外部工具的能力（function call）。
LLM 决策是否使用工具：
LLM 接收上下文和用户问题后判断是否需要调用工具，例如：
是否需要访问网页（fetch 工具）
是否需要保存文件（file 工具）
如果需要调用工具，会返回 tool_call 请求。
Agent 识别 tool_call 并委托 MCPClient 调用对应工具：
Agent 查找哪个 MCPClient 实例提供了该工具（例如 fetch 工具）。
调用 MCPClient 的
callTool方法，底层通过stdio与 MCP Server 通信，实现真正的系统操作。
MCP 工具服务完成操作并返回结果：
MCP Server 是运行在本地的服务（如
uvx mcp-fetch、npx mcp-file），完成任务后通过 MCP 协议返回结果。
LLM 接收结果并继续生成回复：
Agent 将工具返回的结果通过
appendToolResult方法再次发送给 LLM。LLM 使用最新的上下文继续回复，可能再次调用工具，直到任务完成。
最终输出：
Agent 返回最终的自然语言结果（如 Markdown 文件内容、写入文件路径等），任务结束。
ai生成的流程图，忍受一下哈
四、源码讲解
1. 类图
2. 各模块职责解析
1. Agent：智能代理核心
主控类，负责：
初始化 LLM 模型（
ChatOpenAI）注册 MCP 工具客户端（
MCPClient）执行主流程：接收 Prompt → 判断是否调用工具 → 调用工具 → 追加结果 → 再生成回答
关键函数：
init()：初始化 LLM 和 MCP 工具invoke(prompt)：执行一轮对话close()：资源回收
2. ChatOpenAI：封装 OpenAI 聊天逻辑
对
OpenAI.Chat的封装，支持：提供消息历史与上下文
支持注册 ToolCalls（function calling）
接收并管理 Tool 返回结果
核心方法：
chat(prompt)：发送 prompt，接收 LLM 响应appendToolResult(...)：将工具调用结果注入对话上下文
3. MCPClient：MCP 工具客户端
封装 MCP 协议客户端逻辑，负责连接某一个 MCP 工具服务（如
fetch、file）每个 MCPClient 实例代表一个 MCP 工具，Agent 会统一管理多个 MCPClient
核心方法：
init()：连接 MCP Server，注册工具callTool()：调用 MCP 工具实际执行操作（通过stdio通信）
4. EmbeddingRetriever：RAG 检索模块
用于将文本嵌入向量，插入向量库，并进行语义相似度检索
支持三种操作：
embedDocument()：插入知识文档embedQuery()：将查询语句向量化retrieve()：返回与查询语义最接近的文档（上下文）
5. VectorStore：向量存储模块
内存中存储向量和对应文档，支持余弦相似度计算
是检索模块的底层依赖组件
核心功能：
addEmbedding()：添加一条向量文档search()：根据向量找 topK 最相似文档
6. VectorStoreItem
一个简单的数据结构，记录一条向量和对应文档内容
3. 模块协作流程回顾：
Agent 统一调度 → LLM 判断是否用工具 → 工具由 MCPClient 调用 → 工具服务执行 → 结果传回 LLM → 输出最终响应；
可选：RAG 模块作为前置上下文注入机制，为 Agent 和 LLM 提供语义支持。
总结
主要内容
在这个项目中，我们构建了一个能够自主响应简单请求的 Agent ，它背后的核心是四个关键组件的协同工作：
LLM（大语言模型）：就像是大脑，能够理解用户的问题并生成自然语言回答，但它本身不具备“访问网页”或“写入文件”这样的能力。
RAG（检索增强生成）：提供了“知识记忆”，能从本地知识库中找到相关信息，补充 LLM 原本不掌握的内容，让回答更贴合实际、更有依据。
MCP（工具协议）：就像是“手脚”，通过 MCPClient 连接各种工具（如爬网页、写文件等），让 LLM 具备动手能力。
Agent（智能体）：是整个系统的“指挥官”。它接收用户请求，调用 RAG 检索背景知识，调度 LLM 进行思考和判断，如果需要用工具就调用 MCP，再把整个流程协调好并返回给用户答案。
整个系统的协作过程是这样的：用户提出请求 → RAG 检索知识 → Agent 初始化 LLM → LLM 判断是否调用工具 → Agent 执行工具操作 → LLM 得到结果继续生成回复 → 最终输出答案。
评论区