AI 工作流专栏 02：LLM 到 MCP 五大概念

英文： "Hello world"   ->  ["Hello", " world"]           -> 2 tokens
中文： "你好世界"      ->  ["你", "好", "世", "界"]        -> 4 tokens（约）
长词： "unbelievable" ->  ["un", "bel", "ieve", "able"]  -> 4 tokens

# 用 OpenAI 的 tiktoken 库看一句话有多少 token
import tiktoken

enc = tiktoken.encoding_for_model("gpt-4o")
text = "我爱学习 AI 工作流，争取半年后拿远程 offer"
tokens = enc.encode(text)
print(f"文本：{text}")
print(f"Token 数：{len(tokens)}")
print(f"Token 列表：{tokens}")
print(f"解码回原文：{enc.decode(tokens)}")

文本：我爱学习 AI 工作流，争取半年后拿远程 offer
Token 数：12

① 角色设定（Role）：你是一个资深 XX 专家
② 任务描述（Task）：请完成 XX 工作
③ 上下文（Context）：背景信息是 XX
④ 输出格式（Format）：请用 JSON 输出，字段包含 XX
⑤ 约束与示例（Rules）：不要 XX；参考示例 XX

from openai import OpenAI
import os

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

# 差 Prompt
bad_prompt = "写个产品介绍"

# 好 Prompt
good_prompt = """你是一个有 10 年经验的 3C 数码文案专家。

【任务】请为下面这款产品写一段电商详情页开头文案。

【产品信息】
- 名称：极光 Pro 无线鼠标
- 卖点：4000Hz 回报率、75g 超轻量化、磁吸充电、续航 120 小时
- 目标人群：电竞玩家和设计师

【输出要求】
1. 字数 150-200 字
2. 用"痛点 + 解决方案 + 数据支撑"结构
3. 语气专业但不枯燥，像数码博主测评
4. 不要用"颠覆""革命性"等夸张词

【参考示例】
"普通鼠标拖泥带水？极光 Pro 用 75g 极轻机身 + 4000Hz 回报率，让你每一次拉枪都快人一步……"
"""

def call(prompt):
    r = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
    )
    return r.choices[0].message.content

print("=== 差 Prompt 输出 ===")
print(call(bad_prompt))
print("\n=== 好 Prompt 输出 ===")
print(call(good_prompt))

原始文档（PDF/Word/网页/数据库）
   ↓ ① 解析（提取纯文本）
   ↓ ② 切片（切成 500 字一段的 chunk）
   ↓ ③ Embedding（每段转成 1536 维向量）
   ↓ ④ 存入向量数据库（pgvector / Pinecone / Qdrant）

用户提问 "退款政策是什么？"
   ↓ 问题 Embedding（问题也转成向量）
   ↓ ⑤ 向量检索（找出最相似的 5 段文档）
   ↓ 拼 Prompt（问题 + 检索到的文档）
   ↓ LLM 生成（"根据文档，退款政策是……"）
   ↓ 返回用户（附来源引用）

from openai import OpenAI
import os

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

# 假设这是我们检索到的相关文档片段
retrieved_docs = [
    "7 天无理由退货：商品签收后 7 天内，未拆封未使用可申请全额退款。",
    "生鲜食品、贴身衣物、定制商品不支持 7 天无理由退货。",
    "退款到账时间：原路退回，支付宝/微信 1-3 工作日，银行卡 3-7 工作日。"
]

question = "我买的内衣能退吗？"

# 关键：把检索到的文档塞进 Prompt
prompt = f"""请根据【参考资料】回答用户问题。如果资料里没有答案，请说"资料中未提及"，不要编造。

【参考资料】
{chr(10).join(f'[{i+1}] {d}' for i, d in enumerate(retrieved_docs))}

【用户问题】
{question}

【回答要求】
1. 只基于参考资料作答
2. 在句末标注引用编号，例如 [2]
3. 资料不足时明确说明
"""

r = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[{"role": "user", "content": prompt}],
)
print(r.choices[0].message.content)
# 输出：内衣属于贴身衣物，根据参考资料[2]，不支持 7 天无理由退货。

Thought（思考）：我该做什么？
Action（行动）：调用某个工具
Observation（观察）：工具返回了什么
→ 回到 Thought，继续下一步

# 一个能查天气 + 查汇率的 Agent（思路示意，生产环境请用成熟框架）
import json

tools = {
    "get_weather": lambda city: f"{city}今天 28 度，晴",
    "get_exchange_rate": lambda cur: f"1 人民币 = { {'usd':0.14, 'eur':0.13}.get(cur) } {cur}"
}

def agent_run(user_question):
    messages = [
        {"role": "system", "content": "你是一个助手，可以调用工具：get_weather(city)、get_exchange_rate(cur)。需要工具时用 JSON 输出 {tool, args}，否则直接回答。"},
        {"role": "user", "content": user_question}
    ]

    while True:  # ReAct 循环
        r = client.chat.completions.create(model="gpt-4o-mini", messages=messages)
        reply = r.choices[0].message.content

        if reply.strip().startswith("{"):  # LLM 决定调工具
            decision = json.loads(reply)  # 解析出 {"tool": ..., "args": ...}
            tool_result = tools[decision["tool"]](**decision["args"])
            messages.append({"role": "assistant", "content": reply})
            messages.append({"role": "user", "content": f"工具返回：{tool_result}"})
            continue  # 拿到工具结果，回到思考
        else:
            return reply  # 不调工具，即最终答案

print(agent_run("北京天气怎么样？美元汇率多少？"))

AI 应用（MCP Client）
    ↕  标准协议（JSON-RPC）
MCP Server（包装了某个工具/数据源）
    ↓
真实工具：数据库 / GitHub / Slack / 文件系统 等

# 一个最小 MCP Server，让 AI 能读本地文件夹
from mcp.server import Server
import os

server = Server("my-file-reader")

@server.tool("list_files")
def list_files(path: str):
    """列出某文件夹下的文件"""
    return os.listdir(path)

@server.tool("read_file")
def read_file(path: str):
    """读取文件内容"""
    with open(path) as f:
        return f.read()

# 启动后，Claude Desktop / Cursor 等支持 MCP 的客户端就能直接用这俩工具了

                    ┌──────────────┐
                    │   用户输入    │
                    └──────┬───────┘
                           ↓
            ┌──────────────────────────┐
            │     Prompt（指令层）       │ ← 你写的提示词
            │  ┌────────────────────┐  │
            │  │  RAG（检索增强）    │  │ ← 检索文档塞进来
            │  └────────────────────┘  │
            └──────────────┬───────────┘
                           ↓
                  ┌─────────────────┐
                  │   LLM（大脑）    │ ← 大模型本身
                  └────────┬────────┘
                           ↓
                  ┌─────────────────┐
                  │  Agent（决策层） │ ← 决定调不调工具、怎么调
                  └────────┬────────┘
                           ↓
                  ┌─────────────────┐
                  │  MCP（工具接口）  │ ← 标准化连工具
                  └────────┬────────┘
                           ↓
                  ┌─────────────────┐
                  │ 工具/数据源      │
                  │ DB / API / 文件  │
                  └─────────────────┘