【宁波银行-大模型基础训练营】直播-主题2作业点评&主题3：智能体开发与MCP设计

在金融体系全面拥抱生成式人工智能的当下，很多从业者面临一个实际难题：如何把大模型能力真正嵌入到日常业务流程中，而不仅仅是停留在调用 API 的初级阶段。这门由宁波银行内部研发体系推出的训练营课程，正是要解决“从调用到应用”之间的断层。它不只讲概念，而是聚焦于智能体（Agent）的落地开发与 MCP（Model Context Protocol）的设计逻辑，直接对应银行内部构建可协作、可调用外部工具的智能助手的真实工程场景。对于正在从传统开发向 AI 应用层转型的工程师，或者希望深入理解大模型如何与业务系统解耦、集成的技术负责人，这份材料提供了非常具体的切入路径。

适合谁看，以及从哪里入手

这门课适合已经掌握 Python 基础、理解 RESTful API 调用，且对 Prompt Engineering 有一定实践经验的开发者。如果你连基本的 LLM 调用逻辑都未理清，直接看智能体部分会感觉抽象且难以落地，建议先补齐基础概念。课程采用“点评+新知”的双轨结构，前半部分针对主题二作业进行逐行代码点评，这不是简单的答案公布，而是展示了资深工程师在代码审查时关注的边界条件处理、异常捕获与性能优化细节，这部分是极佳的工程规范教材。后半部分则正式进入主题三，系统讲解智能体的状态机管理、工具调用链路以及 MCP 协议如何标准化模型与外部数据源的交互。建议的学习路径是：先花半小时精读作业点评中关于错误处理的案例，理解银行级系统对稳定性的严苛要求；再带着这些工程视角，去听主题三中关于 MCP 架构设计的讲解，你会发现协议设计背后的取舍逻辑，往往比协议本身更重要。

学完能做什么，资料如何配合练习

学完这部分内容，你应当具备独立设计一个轻量级金融助手原型的能力。具体来说，你可以编写一个基于 MCP 协议的智能体，让它能够安全地调用内部知识库或外部行情接口，并处理调用失败时的降级策略。这不是纸上谈兵，而是可以直接用于部门内部演示或小型试点项目的完整模块。资料包中包含了点评时的原始代码片段和主题三的完整设计文档。练习时，不要直接运行文档代码，而是尝试在本地搭建一个模拟环境：先手动实现一个简易的 MCP Server，暴露几个简单的函数接口；再写一个 Agent Client 去调用它们。重点观察当“模型幻觉”导致参数错误时，你的重试机制如何介入。这种“拆解-重构-测试”的过程，比单纯观看直播回放有效得多。通过这种高强度的动手复现，你才能真正理解如何在资源受限的金融环境中，平衡智能体的灵活性与安全性，从而在后续工作中独立承担类似模块的开发与维护职责。