Day13- 从0开始Agent系列视频02-“计划+执行”=智能体
输入“/”快速插入内容
Day13- 从0开始Agent系列视频02-“计划+执行”=智能体
Day13- 从0开始Agent系列视频02-“计划+执行”=智能体
用户264用户2645月25日修改
说到MCP，我首先要告诉大家， 2024 年 11 月份才刚出来的 mcp， 虽然现在漫天新闻，各种吹嘘，但我的结论告诉你，它其实仍然干不了什么活，别太焦虑，mcp 也只是过渡阶段的工具形态，未来一定会淘汰，为什么会淘汰，这又是下一期要说的东西了，一起慢慢学，别着急。对于小白用户可能有困难，如果遇到问题，欢迎进大本营，跟大家一起交流学习今天讲的是：
“计划——执行”多智能体（Agent）
基本的 ReAct 单智能体，是由一个 Agent 既负责计划拆解，也负责 Function Call（MCP）：
可能存在的问题有三个：
1.
对 LLM 的要求高：既要擅长推理规划，也要擅长做 Function Call（MCP）。
2.
LLM 的 prompt 复杂：既要能正确规划，又要正确的做 Function Call（MCP），还要能输出正确的结果。
3.
没有计划：每次 Function Call （MCP）之后，LLM 需要重新推理，没有整体的可靠计划。解决的思路，首先是把单个的 LLM 节点拆分成两个，一个负责“计划”，一个负责“执行”：
这样就解决了上面的问题 3，Planner 会给出完整计划，Executor 依据这个完整计划来依次执行。部分解决了问题 1、2，Planner 只需要擅长推理规划，Executor 则需要擅长做 Function Call 和总结，各自的 prompt 都是原先的一个子集。但同时带来一个新的问题：
1.
缺少纠错能力：最开始的计划，在执行后，是否真的符合预期、能够解决问题？继续优化多智能体结构，在 Executor 后面增加一个 LLM 节点，负责“反思和调整计划”：
这样就彻底解决了上面列出的问题，Executor 只需要按计划执行 Function Call，Reviser 负责反思和总结。这就是“计划——执行”多智能体：通过将任务解决过程拆解为负责计划的 Planner 和 Reviser，以及负责执行的 Executor，实现了智能体的单一职责以及任务的有效计划与反思，同时也能够充分发挥 DeepSeek 这种推理模型的长项、规避其短板(Function Call)。
今天的实践内容：
Thinking MCP 安装和使用https://smithery.ai/server/@smithery-ai/server-sequential-thinking?code=baee9de2-f94d-4e81-a793-69749840deff（官方网站）安装全网最受欢迎的thinking，MCP，看看效果，听说可以提高大模型的准确度，安装方法，输入下面的命令即可，会自动修改cursor的json文件：
代码块
npx -y @smithery/cli@latest install @smithery-ai/server-sequential-thinking --client cursor --config '"{}"'