如果你已经看过上一篇 MCP 的文章，那么现在是时候进入真正的实战了。
今天这篇，我们只做一件事：
用不到 100 行 Python，写一个真正能用的 AI Agent。
它可以做到：
重点是：
不是 Demo，而是一个最小可用 Agent。
一、最终效果（你将得到什么）
运行后，你可以这样用：
请输入问题：帮我查一下新加坡天气
AI 会自动：
调用工具 → get_weather返回结果 → Singapore: 🌦 +30°C
再比如：
请输入问题：帮我计算 23 + 19
AI 会：
调用 add 工具 → 返回 42
这就是一个完整的 AI Agent闭环。
二、项目结构（极简）
整个项目只有一个文件：
agent.py
依赖：
pip install mcp openai requests
import jsonimport requestsfrom openai import OpenAIfrom mcp.server.fastmcp import FastMCP# =====================# 1. MCP Server（工具层）# =====================mcp = FastMCP("Agent Tools")@mcp.tool()def add(a: int, b: int) -> int: """计算两个数字之和""" return a + b@mcp.tool()def get_weather(city: str) -> str: """获取城市天气""" url = f"https://wttr.in/{city}?format=3" return requests.get(url).text# =====================# 2. AI Agent（核心逻辑）# =====================client = OpenAI(api_key="你的API_KEY")def run_agent(user_input: str): tools = [ { "type": "function", "function": { "name": "add", "description": "计算两个数字相加", "parameters": { "type": "object", "properties": { "a": {"type": "integer"}, "b": {"type": "integer"}, }, "required": ["a", "b"], }, }, }, { "type": "function", "function": { "name": "get_weather", "description": "获取城市天气", "parameters": { "type": "object", "properties": { "city": {"type": "string"}, }, "required": ["city"], }, }, }, ] response = client.chat.completions.create( model="gpt-4o-mini", messages=[{"role": "user", "content": user_input}], tools=tools, ) msg = response.choices[0].message # ===================== # 3. 工具调用 # ===================== if msg.tool_calls: tool_call = msg.tool_calls[0] name = tool_call.function.name args = json.loads(tool_call.function.arguments) if name == "add": result = add(**args) elif name == "get_weather": result = get_weather(**args) else: result = "未知工具" return f"[工具调用] {name} → {result}" return msg.content# =====================# 4. CLI 入口# =====================if __name__ == "__main__": print("AI Agent 已启动（输入 exit 退出）") while True: user_input = input("请输入问题：") if user_input == "exit": break result = run_agent(user_input) print(result)
四、代码拆解（核心理解）
这 100 行代码，其实只做了 3 件事：
1️⃣ 定义工具（MCP思想）
@mcp.tool()def add()@mcp.tool()def get_weather()
本质：
把函数变成 AI 可调用工具
2️⃣ 告诉 AI 有哪些工具
tools = [...]
这里定义：
AI 会根据用户问题自动选择。
3️⃣ 执行工具调用
if msg.tool_calls:
流程：
用户输入↓AI判断是否需要工具↓返回 tool_call↓Python执行函数↓返回结果
这一步，就是 Agent 的核心。
五、关键理解：这就是 Agent 的本质
很多人把 AI Agent 想复杂了。
其实核心只有一句话：
AI + Tools + 自动执行
展开就是：
理解问题↓选择工具↓执行工具↓返回结果
你刚刚写的这 100 行代码：
已经是一个完整 AI Agent。
六、进阶升级（3个方向）
如果你想把这个 Agent 做强，可以往这 3 个方向升级：
1️⃣ 多工具系统
send_email()search_news()read_file()write_file()
AI能力 = 工具数量
2️⃣ 多轮对话
加入 memory：
messages = []
实现：
3️⃣ 自动执行任务（真正 Agent）
例如：
每天8点执行自动生成报告自动发送邮件
这一步，就进入：
OpenClaw / AutoGPT 的领域
七、一个非常重要的认知
很多人写到这里会有一个顿悟：
AI Agent 不难，难的是工具生态。
未来真正的竞争不是：
模型谁更强
而是：
谁的工具更多谁的工具更好
八、总结
今天你用 100 行 Python，实现了：
这已经是：
AI应用开发的核心能力。
如果你是 Python 开发者，现在正处在一个非常关键的时间点：
过去：写 API现在：写 MCP Tools未来：构建 AI 系统
最后一句话
未来的软件，不再是人调用 API，而是 AI 调用你的代码。
而 MCP，就是这场变革的入口。
