前言
在上一章节中，我们完成了 slidev mcp 的环境搭建和基本的测试，但是这还不够，为了测试验证 MCP 的真实性能，我们需要放到大模型的环境下进行交互测试，并根据测试结果不断优化和完善 Agent 的能力。
交互测试 MCP
自检程序完成后说明你的 mcp 工具没问题了，这个时候就可以直接在「交互测试」中测试一下我们的 mcp 接入大模型后组装成的 Agent 效果如何了！
我们新建一个空白测试，然后选择「交互测试」，这个时候你就会进入一个很眼熟的对话框，这个对话框和你平时使用的大模型的别无二致，通过这个功能，我们可以在不进行 mcp 安装的情况下就测试我们开发的 agent 效果如何。
我们在对话框中粘贴我们事先准备好的一个草拟好的演讲提纲
你可以直接把任意大段文本丢给大模型，让大模型帮你生成类似这样的提纲，这里就涉及到一个可以将网站链接转换成 markdown 的项目 crawl4ai 了，此处不做赘述了，网上关于 crawl4ai 也有对应的 mcp，大家可以把它作为额外的服务器载入 openmcp 中。在 openmcp 中连接多个服务器的教程可以看 这里 .
“`markdown
讲演提纲：从大模型的幻觉现象剖析开发 AI Agent 的技术瓶颈和解决思路
封面页
- 标题：从大模型的幻觉现象剖析开发 AI Agent 的技术瓶颈和解决思路｜到底谁的幻觉更大？
- 作者：锦恢 (LSTM-Kirigaya)
- 背景图：使用文章中的首张配图（链接）
- 副标题：探讨 AI Agent 开发中的核心挑战与解决之道
1. 前言
- 讲演者背景：Blender MCP 开发者OpenMCP 项目作者
- 核心问题：AI 领域 Demo 多但实用产品少两大关键问题：大模型的幻觉开发者的幻觉
2. 大模型的幻觉
定义
- 大模型不知道自己不知道什么，遇到未知问题时会胡编乱造。
- 核心表现：盲目假设（如数据库查询案例）虚构答案
案例展示
- 问题场景：开发数据库查询 MCP 工具
- 现象：AI 回复“我不知道”，但工具实际支持查询错误调用过程：直接使用 Comment 类型查询未先确认“评论对应的节点类型”
- 配图：错误回复截图错误调用过程截图
3. 解决大模型幻觉的方法
前提条件
- 明确 应用场景 和 设计边界：AI Agent 能做什么？不能做什么？
具体方法
- 系统提示词：明确告知 AI 能力边界提供清晰的指令模板
- MCP 工具原子化拓展：细化查询能力（如先查询“评论节点类型”）
效果展示
- 优化后结果：AI 正确识别节点类型返回结构化数据
- 配图：优化结果截图
4. 开发者的幻觉
核心问题
- 开发者对大模型能力边界的不切实际期望
- 现实背景：Pretrain Scaling Law 已接近极限大模型能力边界逐渐清晰
具体表现
- 在不适合的领域强行开发 AI Agent
- 失败后归咎于“大模型太垃圾”
- 忽视设计边界和方法论
警示
- 开发者需：学习 AI 底层技术理性认识大模型局限避免“饭圈化”思维
5. 结论与 OpenMCP 介绍
核心总结
- 大模型幻觉：不知道自己不知道什么
- 开发者幻觉：对能力边界的不切实际期望
- 两者均为 AI Agent 开发的核心障碍
OpenMCP 项目
- 定位：一体化 MCP 开发与部署解决方案
- 资源：官方站点GitHub
- 呼吁：“AI 时代不要抛弃自己的大脑”
附录（可选）
- 参考文献：文中提到的 OpenMCP 教程链接相关技术术语解释（如 Pretrain Scaling Law）
- Q&A 环节：预留观众提问时间 “`
然后我们询问：
“` 请帮我把下面的大纲做成 slidev ppt：
{{content}} “`
{{content}} 的地方就复制上面的大纲的文本内容。按下回车即可看到大模型会帮我们逐步进行执行：
注意了！如果你的大模型厂商不支持原生的「函数调用」（也就是询问的时候会报错，不过常见的 deepseek，qwen 等等 openmcp 内置的模型都是支持 函数调用），可以尝试把工具栏下面的「开启 XML 指令包裹」开起来：
更多关于 openmcp 「交互测试」的使用方法，可以移步 官方文档.
稍等片刻，就能看到 slidev mcp 生成的结果了：
我们进入这个文件夹，然后运行服务器:
你就可以看到我们生成的效果：
PPT 架子是生成了，但是效果嘛，就有点不尽如人意了。根本缘由在于大模型对于部分参数缺少了上下文，导致胡乱填写。列如大模型不知道封面图要放什么，所以它只会自己从大纲里面找到第一个。
下面这一页也有问题：
我们想要渲染出这张图，但是 agent 给出的渲染结果却是两个链接，这也是不对的。所以，在第一轮交互测试后，我们就有必要开始进行第一次的迭代了。
AI Agent 开发须知：永远不要认为你能一次性就开发出完美的 Agent，Agent 必定要在反复迭代和测试中不断改善。
根据交互测试结果反复迭代 mcp 工具
针对之前的问题，我们可以从如下两个角度出发，进行改善：
- 通过约束 mcp 工具的入口参数来规约调用工具的行为范式。参考.
- 增加 mcp 提词来注入额外的先验知识。参考.
我们在之前的代码中添加如下的代码：
“`python
“`
然后我们启动第二版本的 slidev mcp，点击交互测试，我们先按照下面的步骤来选中我们刚刚创建的 prompt
在正式启动之前，记得先删除之前生成的文件夹（由于 slidev mcp 实现了读取存在的 ppt 的功能，如果读取后再修改，那么本文后面案例的复现难度就会提升）
等待生成后，可以看到，此时的 PPT 就变成正常的双栏结构了，左侧文字，右侧图片。
当然，根据你的领域知识，可能生成的 ppt 还存在其他地方的问题，那么就需要进行下一轮迭代，直到迭代到让你满意为止。
导出 mcp 配置文件
如果你的测试已经让你满意，那么你就可以选择将你的结果导出，点击工具栏最右的「导出 mcpconfig」，然后会出现一个对话框：
选择导出或者复制都行，复制出的配置文件，可以直接载入 Claude Desktop 或者 Cherry Studio 中，也可以根据此处的教程，使用 openmcp-sdk 直接部署到你的服务或者程序中。
结论
好啦！信任通过这篇教程，大家应该能够更加直观地了解到 AI Agent 的一个基本开发流程，以及 mcp 是什么，如何调试和部署了。
想要了解更多的 Agent 开发信息，可以浏览一下 OpenMCP 的官网，那里面提供了不少的使用教程和开发案例。
暂无评论内容