知识点的连接，真正的 LLM Agents 即将到来

推荐语

探索AI编程训练营的前沿技术，洞悉LLM智能体的颠覆性潜力。

核心内容：
1. AI编程训练营N8期的丰富学科融合与启发
2. MCP原理与桌面软件开发的讲解
3. LLM智能体的定义、特点与未来趋势

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

这个周末，我们举办了N8期的AI编程训练营，现场有 炒股工具、知识工具、科研助手、名胜古迹导游、图像编辑器、个人IP定位、抖音热点追踪、家庭图书馆、文献助手、刷题助手等等，又是满满的不同学科背景的Mix融合，给了我非常多的启发。

在这一期，我们重点介绍了MCP的原理和使用方式，同时，也开始讲解如何开发桌面软件。

每个人都可以制作自己的桌面软件，软件，可以成为每个人能够轻松生产的一种”商品“。

如果你对AI编程感兴趣的话，可以关注我们N9期，或者微信联系我litnmnm

什么是 LLM 智能体？根据 Anthropic 的定义，智能体能够动态控制自身流程和工具使用。

www.anthropic.com/research/building-effective-agents

OpenAI 的 DeepResearch（2025 年 1 月发布）和 Claude Sonnet 3.7，被认为是真正的 LLM 智能体的早期例证。 

Alexander Doria 最近发表了关于 AI 智能体（Agent）的思考，认为“真正的 LLM Agents 即将到来”。

LLM 智能体 (agents)，与目前常见的基于工作流的系统有着本质的区别。

这些新型智能体能够进行规划、记忆，并有效地执行多步骤、长期的任务。

与预定义规则和提示的工作流系统不同，真正的 LLM 智能体能够动态地指导自身流程和工具使用，从而克服了传统方法在可扩展性和长期效能方面的局限性，并有望在各个领域带来颠覆性变革。

要实现真正的 LLM 智能体，需要采用强化学习 (RL) 与推理 (Reasoning) 相结合的方法。

没错，还得训练模型，在模型本身实现动态规划的能力。目前，市面上的通过预设和提示工程实现的智能体只是过渡形态。

相关的文章还提到了另一个趋势，

市场和投资趋势，例如预测闭源 AI 模型将在 2-3 年内停止 API 服务，这可能对 AI 行业的商业模式产生深远影

如何连接“未知”知识点，显得更加重要。

奥特曼最新的访谈里提到：我们过去很看重大脑知识的积累量，一个人存储的知识越多就显得越聪明，也更容易获得尊重。

而现在，做点的连接者比知识的收集者更有价值。

确实如此，LLM掌握了大量的知识，我们可以随时调用，但如何连接不同的知识点，这个就因人而异了，如果你都不知道存在某个知识点，那你自然想不到要连接起来。

这就是未知的知识（对个人而言），如何连接在一起，和你熟悉的知识之间有什么连接关系。

现在有了，LLM，我们能尽情探索未知的知识。如果能综合并识别模式，你就有了优势。

这和我在上午AI编程训练营里的即兴演示也有很强的关联度：

“

帮我制作一个知识点工具，要求如下： 

输入模块:

文本输入框：允许用户粘贴或直接输入文本。 

知识点展示与选择模块:

推荐知识点列表：以列表或其他形式展示从输入文本中提取或推荐的知识点。 

知识点选择机制：允许用户勾选或选择感兴趣的知识点。 

知识点介绍展示模块:展示所选知识点的介绍，包括类比、比喻和思辨性指引。 

保存模块:“保存”按钮：用户点击后触发保存操作。 

知识库展示 :提供一个聊天界面，用于从已保存的知识点来答问。

”

我选择了从“知识点”作为核心来构建知识工具，通过LLM来扩充知识点，选择后，调用MCP-Memory Server来进行存储和后续的调用。

MCP-Memory Server 我也做了个优化，现在一个exe文件，同时支持sse和stdio的使用模式。