Agent （应用）

agent是将llm+mcp等组合在一起的程序集。如果把agent看作是一个人，llm就是大脑，mcp就是控制四肢的神经。在llm不够强甚至没有llm时候，工作流或者自动化rpa脚本大行其道。例如早期的coze，dify等：选择llm，记忆等，然后再人为通过工作流把各类mcp之类连接在一块，最后发布成一个程序（即agent）。但随着llm的增强，llm在收到用户信息可以逐渐构思和怎样调用mcp等，使得人造人成为一个真的人。agent的开发思想有多种：

一、零代码
在coze/n8n等中，选中llm，mcp，提示词工程（自然语言/文本类系统提示词，使每次llm都会按照该提示词约束自身，如Re-act模式）等，再通过workflow然后发成一个程序给别人，也有人称这不是agent而是ai workflow；但是随着llm逐渐增强，agentic workflow逐渐形成，在cursor，选中llm，mcp等，llm会自己构思流程；（这个更适合个人）。

二、低代码/代码
再比如纯代码或者低代码开发，基于langchain标准化架构、基于llm原生能力（如function calling、tools use）的自定义架构等，从0搭建，如写调用llm api、写client，写server，写rag，提示此工程、写配置等。（这个更适合企业）

例如langchain（标准化）架构下的关键文件：
prompt_template；
tool函数（例如标准化mcp server和传统的函数）；
llm接口调用；
rag（标准化和传统自定义函数）；
memory；
agent主体；
其他。

除此之外还有其他架构（不同架构侧重点不同，如多agent、rag 等等），当然你也可以使用自定义架构。

注意；系统提示词（设置角色、例子、可用mcp、约束输出条件等）和用户提示，系统提示词一般单独在开发agent时配置。当然也可以一起给，例如deepseek只有一个prompt输入（不能单独系统和用户提示词（task&question），所以我们可以把它们合在一起发给deepseek，deepseek就开启了思考模式。再例如cursor，选择llm，mcp，cursor rules/claude skills（类system prompt）等。

例如re-act 框架下的agent模式的系统提示词模版，
loop（system prompt：thought-act- observation）-task （user prompt）completed。
除去re-act还有其他agent构建思想。

ps：agent：被称为应用，是将llm，mcp等打包在一个系统；mcp：被称为组件/插件，专门服务与llm。 http://t.cn/RxDSCvm