AI智能体+MCP编程智能体从零基础到商业应用

课程定位与适用人群

这门课的核心价值在于解决“AI 从聊天走向执行”的落地难题。目前多数教程仅停留在 Prompt 工程层面，而职场真实需求是让模型具备调用工具、操作浏览器、读写文件等实际动手能力。本课程聚焦 AI 智能体（Agent）开发与 MCP（Model Context Protocol）协议应用，填补了从理论到商业级应用之间的空白。

适合具备 Python 基础、了解 LangChain 基本概念的技术人员或转行者。你需要有基本的编程思维，无需深谙算法原理，但需熟悉基础数据结构。本课程不讲授 LLM 底层训练，而是专注于如何组装现有能力，构建可交付的智能系统。

学习路径与核心内容拆解

建议遵循“环境搭建—工具开发—协议接入—记忆增强”的逻辑顺序推进：

第一阶段夯实基础环境。第 3 章涵盖 Anaconda 多版本管理及 uv 包管理工具的应用，并演示 Ollama 本地大模型部署。这是后续所有实验的基石，确保你能在离线或低成本环境下独立跑通完整流程，避免依赖云端 API 产生高额费用。

第二阶段掌握 LangChain 工具链开发。第 4 章深入讲解自定义工具的定义方法。重点包括使用 Pydantic 精确控制工具入参，通过 Tool 装饰器注册函数，以及利用 FewShotPromptTemplate 实现少样本学习。这部分是赋予智能体“手脚”的关键，决定了模型能否准确、安全地执行外部操作。

第三阶段攻克 MCP 协议与 Cursor 集成。第 7 章为实战重头戏，涵盖 Node 环境搭建、Playwright 浏览器自动化接入，以及 Cursor 编辑器对接 GitHub 和高德地图 MCP 服务。特别是 Vue-element-admin 项目的二次开发案例，展示了企业级代码库与 AI 工具流集成的真实思路，极具参考价值。

第四阶段完善多轮对话能力。第 8 章引入 LangGraph 和 Runnables 组件，讲解如何通过 FileChatMessageHistory 实现会话持久化。这解决了智能体“失忆”的痛点，对于构建具备上下文理解能力的客服或咨询类应用至关重要。

学完产出与资料使用建议

完成课程后，你将能够独立构建具备以下能力的系统：让 LLM 调用 Python 函数、API 或浏览器自动化脚本；遵循 MCP 标准协议将代码库、地图数据等资源接入工作流；开发基于历史记忆的长期对话智能体。

**资料使用建议**：鉴于视频文件较大，务必搭建本地环境同步实操。重点重复练习第 4 章的工具定义和第 7 章的 Playwright 自动化部分，这两块是工程落地中最常遇到的技术难点。不要止步于跟随 Cursor 教程操作，要深入理解 MCP 通信原理，以便将相关能力迁移至其他 IDE 或框架中，形成可复用的技能体系。