微信已开放龙虾接口
微信官方本周发布了龙虾接口，意味着我们可以通过微信来操控龙虾了。
很多项目利用这个接口做二次开发，便于各种 Bot 和 Agent 网关的接入。
AI应用常见新词汇
本篇进一步探讨那些支撑复杂AI系统的新技术和术语，例如MCP、Function Calling、Multi-Agent等。
这些技术的出现有一个共同原因：大模型本身只是提供“一问一答”的能力。在实际应用中，我们需要让AI能够处理多步骤任务、跨系统协作、长文档理解，以及复杂业务逻辑。于是便以大模型为基石，开发了各类辅助技术，使AI不仅能说话，还能“做事”。
就像几十年前，当电力技术出现后，人们不仅点亮了灯泡，还基于电力发明了电视、电冰箱、电梯、计算机网络等一系列应用。大模型同样是AI的“电力”，为衍生技术提供了基础，让整个AI生态迅速丰富并得以发展。
一、Function Calling（函数调用）
出现背景
大模型本身只能生成文本，但在实际应用中，我们希望AI能够：
- 查询数据库
- 调用接口
- 执行业务逻辑
因此引入了Function Calling机制，让模型可以“调用程序”。
核心含义
Function Calling是指模型在生成回答时，可以触发预定义函数，由系统执行具体操作，并将结果返回给模型。
实际作用
Function Calling常用于：
- 查询业务数据
- 调用系统接口
- 执行自动化流程
这是AI从“聊天工具”走向“业务系统”的关键能力。
二、MCP（Model Context Protocol，模型上下文协议）
出现背景
随着大语言模型（LLM）在企业应用中普及，人们发现：
- 不同模型版本、不同服务之间的上下文数据无法统一管理
- 企业在多系统、多模型协作时，容易出现上下文信息丢失或不一致
- 长上下文、多轮对话场景下，模型无法自动理解跨会话或跨模块的语义
为了规范模型与上下文数据的交互，并保证不同模型或服务之间上下文信息一致性，Model Context Protocol（MCP）应运而生。它定义了一套标准方法，使模型能够安全、可靠地读取、更新和传递上下文数据。
核心含义
MCP是一种协议或标准，用于管理和传递模型的上下文信息。其特点包括：
- 定义上下文数据的结构和格式
- 规范不同模型或服务之间上下文传递方式
- 支持跨多轮对话和多系统的数据共享
- 保证模型在多任务和多场景下理解一致性
简单来说，MCP就是“模型和上下文之间的通信语言”，让AI系统能够在复杂场景中保持语义连续性。
实际作用
- 多轮对话管理：保证模型在连续对话中理解上下文一致
- 跨系统协作：企业AI系统中不同服务共享上下文数据
- 长文档处理：模型能够分片处理长文本并保持全局语义
- 知识库和RAG系统：统一上下文数据接口，提高检索和生成质量
- 增强稳定性与可靠性：避免信息丢失或语义错乱
理解MCP
Model Context Protocol 的核心功能是允许 LLM 请求外部工具协助回答查询或完成任务。假设我们向 AI 助理发出以下指令：“在我们的数据库中查找最新的销售报告，并将其通过电子邮件发送给我的经理。”
以下简要说明 MCP 将如何处理这种情况：
- 请求与工具发现：LLM 明白其本身无法访问数据库或发送电子邮件。它使用 MCP 客户端搜索可用工具，并在 MCP 服务器上找到了两个相关工具：database_query 工具和 email_sender 工具。
- 工具调用：LLM 生成结构化请求来使用这些工具。首先，它会调用 database_query 工具，并指定报告的名称。然后，MCP 客户端会将此请求发送到相应的 MCP 服务器。
- 外部操作与数据返回：MCP 服务器接收请求，将其转换为面向公司数据库的安全 SQL 查询，并检索销售报告。然后，它会将这些数据格式化后发送回 LLM。
- 第二个操作与响应生成：现在已获得报告数据，LLM 调用 email_sender 工具，提供经理的邮箱地址和报告内容。邮件发送后，MCP 服务器会确认操作已完成。
- 最终确认：LLM 向您提供最终回应：“我已找到最新的销售报告，并通过邮件发送给您的经理。”
三、Workflow（工作流）
出现背景
单次AI调用往往无法完成复杂任务，因此需要将多个步骤串联起来，形成完整流程。
于是AI工作流（Workflow）逐渐成为主流设计方式。
核心含义
Workflow是指将多个AI步骤（如输入、处理、调用工具、输出）组合成一个完整流程。
实际作用
常见应用：
- 自动生成报告
- 自动审批流程
- 数据处理流水线
- 客服对话流程
目前很多AI平台都提供可视化Workflow能力。
四、Fine-tuning（模型微调）
出现背景
通用大模型虽然能力强，但在特定行业（如医疗、医药、金融）中，往往不够专业。
因此需要用行业数据对模型进行进一步训练，使其更符合业务需求。
核心含义
Fine-tuning是指在已有大模型基础上，使用特定领域数据进行再训练的过程。
实际作用
- 提升模型在专业领域的表现
- 适配企业业务场景
- 构建行业专用模型
五、LoRA（低秩适配）
出现背景
传统微调成本很高，需要大量计算资源。
为了降低成本，研究人员提出了LoRA方法，只调整模型的一小部分参数。
核心含义
LoRA是一种高效的模型微调技术，通过少量参数训练，实现模型能力调整。
实际作用
- 降低训练成本
- 提高训练效率
- 便于企业部署私有模型
六、Multi-Agent（多智能体）
出现背景
单个Agent在处理复杂任务时能力有限，因此引入多个Agent协同工作。
核心含义
Multi-Agent是指多个AI Agent分工协作，共同完成任务。
例如：
- 一个负责数据收集
- 一个负责分析
- 一个负责生成报告
实际作用
- 处理复杂业务流程
- 提高任务完成质量
- 模拟团队协作模式
七、Long Context（长上下文）
出现背景
随着应用需求增长，传统上下文长度已经无法满足处理长文档、长对话的需求。
因此模型开始支持更长的上下文能力。
核心含义
Long Context指模型可以处理更长的输入内容（更多Token）。
实际作用
- 分析长文档
- 处理复杂对话
- 提升RAG系统效果
八、Temperature（温度参数）
出现背景
模型生成内容本质是概率选择，不同场景需要不同“随机性”。
因此引入Temperature参数控制输出风格。
核心含义
Temperature用于控制模型输出的随机性：
- 低值：更稳定、确定性强
- 高值：更随机、更有创造性
实际作用
- 写报告：低温度
- 创意写作：高温度
- 数据分析：低温度