随着大模型技术的发展，AI 应用正在从简单的聊天机器人，逐渐发展为能够搜索信息、调用工具、处理数据甚至完成复杂任务的智能系统。

在这个过程中，我们经常会接触到：

• LLM
• Tool Calling
• Agent
• Workflow
• MCP

这些概念经常一起出现，但它们解决的问题并不相同。理解它们之间的关系，就能看懂现在大多数 AI Agent 应用的基本架构。

简单来说：LLM 负责理解和推理，Tool Calling 负责连接模型和工具，Agent 负责组织任务执行，Workflow 负责流程编排，而 MCP 负责标准化连接外部能力。

---

一、LLM：AI 应用的推理核心

LLM（Large Language Model）就是我们常说的大语言模型。

例如：

• GPT
• Claude
• Gemini
• DeepSeek
• Qwen

它主要负责：

• 理解用户输入
• 分析上下文
• 进行推理
• 生成回答

但是，LLM 本身并不能直接访问外部系统。

例如用户询问：查询一下上海今天的天气。模型不会直接访问天气接口。它只能判断：当前任务需要天气查询能力。真正获取天气数据，需要依靠外部程序完成。因此，一个完整 AI 应用通常由：

• LLM
• 应用程序
• 外部工具

共同组成。

LLM 更像系统中的“大脑”，负责判断和决策，而不是负责实际执行。

---

二、Tool Calling：让模型能够使用工具

单独的 LLM 只能处理已有信息。

如果希望 AI：

• 查询数据库
• 搜索网页
• 调用 API
• 操作文件

就需要让模型具备调用外部能力的方式。Tool Calling 就是解决这个问题的机制。

开发者会提前向模型描述：有哪些工具可以使用，以及工具需要什么参数。

例如：

天气工具：

工具：get_weather
参数：city

当用户询问天气时，模型会判断：当前问题需要天气数据。于是生成一个工具调用请求：

tool_calls: [
	{
	  "name": "get_weather",
	  "arguments": {
	    "city": "上海"
	  }
	}
]

这里需要注意：模型并没有真正调用天气接口。它只是告诉应用程序：我需要使用这个工具。真正执行工具的是运行 AI 应用的程序。

---

三、Tool 到底是谁执行的？

理解 Agent 之前，需要先明确工具调用过程中不同角色的职责。

LLM

负责：

• 理解任务
• 判断是否需要工具
• 选择工具
• 生成参数

应用程序

负责：

• 调用模型
• 接收工具调用请求
• 执行具体代码
• 获取执行结果
• 再交给模型处理

Tool

负责提供具体能力。

例如：

• 搜索服务
• 数据库
• 文件系统
• 第三方 API
• 企业业务系统

所以在实际运行过程中：用户提出需求后，LLM 负责判断下一步需要什么能力，应用程序负责执行对应工具，然后将结果重新交给模型生成最终答案。

---

四、Agent：让 AI 从回答问题变成完成任务

如果只有一次工具调用，其实还不能体现 Agent 的价值。

例如：

用户：查询上海天气。

流程非常简单：模型判断需要天气信息，然后调用天气工具，最后返回结果。但是复杂任务通常需要多个步骤。

例如：帮我制定一次上海迪士尼旅行计划。

可能需要：

• 获取天气
• 查询开放时间
• 分析热门项目
• 规划路线

这里的问题是：下一步应该做什么，并不是完全提前确定的。Agent 会根据当前任务状态，结合模型推理结果，决定：

• 是否需要调用工具；
• 调用哪个工具；
• 是否需要继续执行；
• 是否已经完成任务。

因此：

Agent 的核心并不是“会聊天”，而是：让 LLM 具备根据目标动态执行任务的能力。

一个 Agent 通常包含：

• LLM
• Tools
• 状态管理
• 执行循环

---

---

五、Workflow 和 Agent 的区别

Workflow 和 Agent 经常被放在一起讨论。

两者最大的区别在于：Workflow 强调流程设计和任务编排，Agent 强调运行过程中的动态决策。

Workflow：预先设计和编排的任务流程

Workflow 是开发者根据业务目标，将多个步骤组织起来形成的一套执行流程。

例如企业合同审核：

用户上传合同后：

1. 文档解析
2. 查询企业规范
3. AI 风险分析
4. 人工审核
5. 输出结果

其中：

• 哪些步骤存在；
• 步骤之间如何连接；
• 哪些地方需要人工介入；

都是提前设计好的。

Workflow 的特点：

• 流程结构清晰
• 执行过程可控
• 容易监控
• 适合业务场景

常见应用：

• 企业审批
• 内容生产流程
• 数据处理
• 客服流程

---

Agent：动态决定执行路径

Agent 更适合开放式任务。

例如：

用户：分析一家公司的投资价值。

Agent 可能：

• 搜索公司信息；
• 查询财务数据；
• 获取行业资料；
• 综合分析。

执行过程中，下一步动作由模型根据当前信息动态决定。

Agent 特点：

• 灵活性更高；
• 能处理复杂任务；
• 可以自主选择工具。

---

实际应用中两者通常结合

真实生产系统通常不是：Workflow 或 Agent 二选一。

更常见的是：

Workflow 负责整体流程。

Agent 负责其中需要判断的环节。

例如：

一个企业知识助手：

• Workflow 负责用户认证、流程控制、结果输出；
• Agent 负责查询资料、调用工具、分析问题。

---

六、MCP：让 AI 标准化连接外部能力

随着 Agent 能力不断增加，一个新的问题出现：

例如：企业 AI 助手可能需要访问：

• GitHub
• Notion
• 数据库
• 文件系统
• CRM
• ERP
• 内部 API

传统方式：每接入一个系统，就需要单独开发连接逻辑。

这样会导致：

• 工具接口不统一；
• 代码重复；
• 能力难以复用。

MCP（Model Context Protocol）就是为了解决这个问题。

MCP 是什么？

MCP 是一种开放协议。

它定义了一套标准，让 AI 应用能够统一发现、连接和使用外部工具和数据，解决的最大问题，是彻底终结 AI 模型与外部工具 / 数据源之间的 M×N 碎片化集成困境，让 AI 与现实世界的连接从 “定制化、高成本、不可复用” 变成 “标准化、即插即用、跨模型兼容”。

它不是：

• 一个模型；
• 一个 Agent 框架；
• 一个替代 Tool Calling 的技术。

它解决的问题是：AI 应用如何标准化连接外部能力。

---

MCP 的核心组成

MCP Host

Host 是运行 AI 的应用。

例如：

• AI 助手
• Agent 应用
• 桌面客户端

负责管理 AI 应用运行环境。

---

MCP Client

Client 是应用内部负责 MCP 通信的组件。

它负责：

• 连接 MCP Server；
• 获取可用能力；
• 发送请求；
• 接收结果。

---

MCP Server

Server 负责向 AI 暴露外部能力。

例如：

GitHub Server 可以提供：

• 查询仓库；
• 查看代码；
• 管理 Issue。

数据库 Server 可以提供：

• 查询数据；
• 获取表结构。

这些能力通过统一协议暴露给 AI。

---

MCP 和 Tool Calling 的区别

这两个概念经常被混淆。

Tool Calling：

解决：模型如何请求调用工具。

MCP：

解决：AI 应用如何发现和连接工具。

两者关系：

Tool Calling 是调用机制。

MCP 是能力连接标准。

它们可以组合使用。

---

MCP 架构

---

七、总结：AI Agent 技术栈到底是什么？

现在可以重新理解整个 AI 应用架构：

• LLM 负责理解和推理；
• Tool Calling 负责提出工具调用请求；
• 应用程序负责执行工具；
• Agent 负责组织复杂任务；
• Workflow 负责业务流程编排；
• MCP 负责统一连接外部能力。

最终：AI Agent 并不是一个神秘的自动化机器人，而是一套由模型、工具、执行环境和流程控制共同组成的新型应用架构。

理解这些基础概念之后，你就能够看懂大部分 AI Agent 产品背后的实现方式。