什么是Agent

Agent=“能行动的主体”，一个能理解目标、规划路径、执行任务的自主系统 Agent = 大模型（大脑） + 记忆系统（记忆） + 工具（手脚） + 反馈循环（学习）。

实现一个极简版的Agent

由上文可知，现在等于要实现LLM和MCP Client

• LLM

  OpenAI已成为大模型实质上的标准，几乎所有模型都兼容OpenAI的API，所以我们直接基于OpenAI相关规范进行开发，参考如下：OpenAI 文档介绍 | OpenAI 官方帮助文档中文版

定义ChatOpenAI类，api_key、base_url、model_name定义在.env文件中，使用dotenv加载

export default class ChatOpenAI {
    private llm: OpenAI;
    private model: string;
    private messages: OpenAI.Chat.ChatCompletionMessageParam[] = [];
    private tools: Tool[];
​
    constructor(systemPrompt: string = '', tools: Tool[] = [], context: string = '') {
        this.llm = new OpenAI({
            apiKey: process.env.OPENAI_API_KEY,
            baseURL: process.env.OPENAI_BASE_URL,
        });
        this.model = process.env.OPENAI_MODEL_NAME as string;
        this.tools = tools;
        if (systemPrompt) this.messages.push({ role: "system", content: systemPrompt });
        if (context) this.messages.push({ role: "user", content: context });
    }
    }

使用流式响应的方式改善用户体验

const stream = await this.llm.chat.completions.create({
            model: this.model,
            messages: this.messages,
            stream: true,
            tools: this.getToolsDefinition(),
        });

处理模型返回的流式响应，普通content和toolcall分开处理，最后返回出去

        for await (const chunk of stream) {
            const delta = chunk.choices[0].delta;
            // 处理普通Content
            if (delta.content) {
                const contentChunk = chunk.choices[0].delta.content || "";
                content += contentChunk;
                process.stdout.write(contentChunk);
            }
            // 处理ToolCall
            if (delta.tool_calls) {
                for (const toolCallChunk of delta.tool_calls) {
                    // 第一次要创建一个toolCall
                    if (toolCalls.length <= toolCallChunk.index) {
                        toolCalls.push({ id: '', function: { name: '', arguments: '' } });
                    }
                    let currentCall = toolCalls[toolCallChunk.index];
                    if (toolCallChunk.id) currentCall.id += toolCallChunk.id;
                    if (toolCallChunk.function?.name) currentCall.function.name += toolCallChunk.function.name;
                    if (toolCallChunk.function?.arguments) currentCall.function.arguments += toolCallChunk.function.arguments;
                }
            }
        }

• MCP Client

可参考：传输 – MCP 中文站（Model Context Protocol 中文）

我们使用uvx、npx命令在本地启动MCP Server服务，使用标准输入/输出 (stdio) 实现传输，核心代码如下：

private async connectToServer() {
        try {
            this.transport = new StdioClientTransport({
                command: this.command,
                args: this.args,
            });
            await this.mcp.connect(this.transport);
            const toolsResult = await this.mcp.listTools();
            this.tools = toolsResult.tools.map((tool) => {
                return {
                    name: tool.name,
                    description: tool.description,
                    inputSchema: tool.inputSchema,
                };
            });
            console.log(
                "Connected to server with tools:",
                this.tools.map(({ name }) => name)
            );
        } catch (e) {
            console.log("Failed to connect to MCP server: ", e);
            throw e;
        }
    }

• Agent

  最后定义Agent类使用llm和mcp_client即可，基于ReAct实现循环工具调用的核心处理方法如下：

while (true) {
            if (response.toolCalls.length > 0) {
                for (const toolCall of response.toolCalls) {
                    const mcp = this.mcpClients.find(client => client.getTools().some((t: any) => t.name === toolCall.function.name));
                    if (mcp) {
                        logTitle(`TOOL USE`);
                        console.log(`Calling tool: ${toolCall.function.name}`);
                        console.log(`Arguments: ${toolCall.function.arguments}`);
                        const result = await mcp.callTool(toolCall.function.name, JSON.parse(toolCall.function.arguments));
                        console.log(`Result: ${JSON.stringify(result)}`);
                        this.llm.appendToolResult(toolCall.id, JSON.stringify(result));
                    } else {
                        this.llm.appendToolResult(toolCall.id, 'Tool not found');
                    }
                }
                // 工具调用后,继续对话
                response = await this.llm.chat();
                continue
            }
            // 没有工具调用,结束对话
            await this.close();
            return response.content;
        }

参考：

完整代码仓库地址为：https://github.com/Serenity-2026/mini-agent.git，对你有帮助可以点个star~