本文详细解析了智能体在通信领域的应用，介绍了智能体所需的感知洞察能力、规划决策能力、知识学习能力、长/短期记忆能力以及智能执行能力。特别强调了MCP（模型上下文协议）和Function Calling在智能体与外部工具交互中的重要作用，并对比了Function Calling与MCP的优劣。文章适合想要了解和学习大模型的程序员和小白阅读，有助于掌握智能体的核心技术和应用场景。
一、通讯内容智能体
相对通用智能体，通信领域更多要求基于实际网络业务/网络状态制定策略，因此通信领域智能体需要能理解网络，而网络数据结构相对复杂（如拓扑、性能、告警、事件等），实时性要求高，对于用户意图识别、执行方案规划等功能，提出更高要求。
二、智能体具备的能力:感知洞察能力
感知为智能体提供了可观察环境的当前状态的信息，Agen能感知学习到在模型内部知识不够时去调用外部API，比如：获取实时的信息、执行代码的能力、访问私域知识库等
三、智能体具备的能力：规划决策能力
规划决策可将复杂任务进行子目标分解，智能体将大型任务分解为更小、更易于处理的子目标，从而实现对复杂任务的高效处理，并结合历史信息进行反思与完善，改进后续规划，提高最终规划结果的质量。
四、智能体具备的能力：知识学习能力
五、智能体具备的能力：长/短期记忆能力
六、智能体记忆
智能体记忆与知识库的区别：
智能体记忆：存储智能体个人经历和学习到的信息，帮助它根据过去的经验做出决策。记忆是动态的，可以随时间更新或遗忘。
知识库：包含结构化的通用知识和规则，提供给智能体或其他系统查询使用。知识库内容较为静态，旨在为决策提供支持，不直接参与学习过程。
Agent（智能体）的记忆是通过在传递给LLM的Prompt（提示）中提供上下文实现的，使Agent 能够基于过去的交互或获取的数据更好地规划和响应。
涉及到智能体本身关联的信息分为感知记忆、关联记忆、临时记忆、短期记忆、长期记忆、静态记忆等。
感知记忆(perceptual):短暂存储通过世界接收到的信息。
对话记忆(conversation):记录交流互动的内容，包括言语、语气和情感状态，支持上下文相关的对话理解。
观察记忆(observation):通过分析对话记录形成的记忆，帮助记住物体的位置、动作序列和社会行为规则。
反思记忆(insight):涉及从观察中获得的深刻理解和顿悟，指导末来的决策和行为。
长期记忆(longterm):能够长时间保留信息的记忆，涵盖事实性知识技能和经验，具有较大的容量和持久性。
七、智能体具备的能力：智能执行能力
让大模型只做大模型该做的事儿，通过文字生成内容传 递逻辑，借助各式各样的工具完成逻辑的执行
八、MCP与工具：概述
MCP(ModelContextProtocol，模型上下文协议)是一种由Anthropic公司(开发Claude模型的公司)推出的一个开放标准协议，目的就是为了解决AI 模型与外部数据源、工具交互的难题。
通过FunctionCall，每次要让模型连接新的数据源或使用新工具，开发者都得专门编写大量代码来进行对接，既麻烦又容易出错。MCP的出现就是为了解决这些问题，类似“通用插头”或者“USB接口”，制定了统一的规范，不管是连接数据库、第三方API，还是本地文件等各种外部资源，都可以通过这个”通用接口”来完成，让AI模型与外部工具或数据源之间的交互更加标准化、可复用。
最开始推出的时候，只有Claude 客户端支持，后续由于Cursor的支持，各种插件和工具也开始陆续提供支持；最近Manus的火热，让MCP 逐步开始走进大众视野，OPENAI也宣布对MCP提供了支持：
九、MCP与工具：Function Calling
FunctionCall(函数调用)本质上就是提供了大模型与外部系统交互的能力，类似于给大模型安装一个“外挂工具箱”。当大模型遇到自己无法直接回答的问题时，它会主动调用预设的函数（如查询天气、计算数据、访问数据库等)，获取实时或精准信息后再生成回答。
以前的AI大模型只能依靠自己已有的知识回答问题，无法直接获取实时数据或与外部系统交互，比如不能直接访问数据库里的最新信息，也不能使用一些外部工具来完成特定任务。
FunctionCalling是OPENAI在2023年推出的一个非常重要的概念：
十、MCP与工具：Function Calling对比MCP
在MCP 出现之前，开发者想实现FunctionCall的成本是比较高的，首先得需要模型本身能够稳定支持FunctionCall的调用，模型本身需要进行过专门的FunctionCall调用微调才能稳定支持这种能力。
OPENAl最开始提出这项技术的时候，并没有想让它成为一项标准，所以虽然后续很多大模型（Qwen,lama等）也支持了FunctionCall的调用，但是各自实现的方式都不太一样。这意味着，如果要发开一个FunctionCall工具，需要对不同的模型进行适配，比如参数格式、触发逻辑、返回结构等等，这也大大提高了AlAgent的开发门槛。
MCPHost，比如 Claude Desktop、Cursor这些工具，在内部实现了MCPClient，然后MCPClient通过标准的MCP协议和MCP SeVer进行交互，由各种三方开发者提供的MCP Server负责实现各种和三方资源交互的逻辑，比如访问数据库、浏览器、本地文件，最终再通过标准的MCP协议返回给MCPClient，最终在 MCPHost 上展示。
开发者按照MCP协议进行开发，无需为每个模型与不同资源的对接重复编写适配代码，可以大大节省开发工作量，另外已经开发出的MCPServer，因为协议是通用的，能够直接开放出来给大家使用，这也大幅减少了开发者的重复劳动。
Function Calling对比MCP
十一、MCP与工具：智能体调用MCP工具的一般执行流程
十二、智能体调用MCP
MCP可以利用模型的FunctionCalling功能，也可以不利用而是写入系统提示词。大模型如何知道MCP工具箱里有哪些工具？使用什么样的参数进行调用?
通过平台或者Al客户端，将MCPServer相关信息填写到提示词或者tool中（需要模型具有Function calling功能MCPSerVer本质上运行在本地电脑（或平台）上的nodejs程序/python程序，因此需要环境具备npx或者uv环境
或者说：MCP的本质就是AI客户端用命令行调用了电脑上nodejs程序/python程序，然后程序执行了某些操作，再把结果返回来 (之前的API调用的环节代码是在平台端，现在API调用通过命令行)
最后
对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？
答案只有一个：人工智能（尤其是大模型方向）
当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。
再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。
如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！
下面是我整理的大模型学习资源，希望能帮到你。
👇👇扫码免费领取全部内容👇👇
1、大模型学习路线
2、从0到进阶大模型学习视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）
4、AI大模型最新行业报告
2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
5、面试试题/经验
【大厂 AI 岗位面经分享（107 道）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
6、大模型项目实战&配套源码
适用人群
四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
…
👇👇扫码免费领取全部内容👇👇
3、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
