以前给 AI 加能力，得写一堆胶水代码拼 JSON。现在 MCP 出来，把“工具”标准化了，Java 这边实现一次，多种 AI 都能用。核心就三步用 Java 写工具类（爬虫、存库）；注册到 MCP Server，定义好参数 Schema；AI 通过 MCP Client 调用这些工具，自主决策。对于后端来说，这玩意儿就是“可以让 AI 调你的业务接口”的工程化方案，一点都不虚。别再手动抓数据拼

Java 里用 MCP Server 注册工具，我就把“查订单”“查日志”“发邮件”这些全包装成了 MCP 工具。我查了半天，发现它完全不记得自己已经处理过这个工单——没有记忆，每次醒来都是全新的开始，像个喝断片的同事。这就是规划过度的典型。后来又加了个“搜索知识库”的工具，它倒好，遇到任何问题都先去搜一圈，明明用户问的是“今天星期几”，它也去搜，Token 烧得我肉疼。ReWOO：把“推理”和“

AI智能客服具备毫秒级响应能力，可同时承载上万条用户咨询，彻底杜绝用户排队等待问题。依托自动化应答机制，系统能够7×24小时不间断在线，全年无休为用户提供咨询解答、业务查询、售后办理等基础服务，完美填补人工客服非工作时段的服务空白。数据显示，接入AI智能客服的企业，用户等待时间平均缩短80%，基础咨询首次解决率提升至92%，大幅减少用户重复咨询、反复沟通的成本，服务效率实现质的飞跃。。

我一开始写了一堆“你是一个诚实的助手，你的首要原则是不编造信息”这种道德教化型语句，效果很差。后来改成“文档中没有依据的内容，一律回答‘不确定’”，直接给行动指令，效果反而好得多。问“公司的报销流程是什么”，它给我编了一套标准化的报销流程，跟我们的实际流程完全对不上。我试过用便宜的小模型做第二步检查，但小模型能力不够，检查不出来大模型的错误。更离谱的是，它编得有理有据，语气斩钉截铁，新人根本看不出

花了一个周末搭了个雏形，又用了两周慢慢打磨，现在这个“个人助理 Agent”已经承包了我的日程提醒、邮件摘要、快速信息检索、甚至每天早上的穿衣建议。这个做好了，你的助手会越用越聪明。但做一个“真的有用”的个人助理，靠的是对自身场景的深刻理解，以及持续迭代的耐心。市面上的智能助手一堆，但要么只能设闹钟，要么读不了我的日历，要么数据要上云端——我一个搞后端的，自己的数据凭什么放别人服务器上？我一开始就

花了一个周末搭了个雏形，又用了两周慢慢打磨，现在这个“个人助理 Agent”已经承包了我的日程提醒、邮件摘要、快速信息检索、甚至每天早上的穿衣建议。这个做好了，你的助手会越用越聪明。但做一个“真的有用”的个人助理，靠的是对自身场景的深刻理解，以及持续迭代的耐心。市面上的智能助手一堆，但要么只能设闹钟，要么读不了我的日历，要么数据要上云端——我一个搞后端的，自己的数据凭什么放别人服务器上？我一开始就

单元测试这东西，每个程序员都知道重要，但真到自己写的时候，总觉得“代码这么简单，不可能出 Bug”。AI 的出现，把写单测的心理门槛和体力门槛都打下来了——你只需要动动嘴，AI 就把骨架搭好，你稍微改改就能用。AI 经常 Mock 了一堆方法，但在测试里只测了返回值对不对，没去 verify Mock 方法到底有没有被调用，以及被调用了多少次。一开始出来的测试代码，好看是真好看，跑起来绿也是真绿，

frequency_penalty：惩罚已经出现过的词再次出现，值越高用词越不重复。presence_penalty：惩罚已经聊过的话题再次出现，值越高越容易引入新内容。90% 的场景不需要调它们。我只有在生成长文、发现模型总在车轱辘话的时候，才会把 frequency_penalty 加到 0.3 左右。调大了会有反效果——让它翻译“你好”，它给你输出“Hello、Hi、Hey”各一遍。

pgvector 不是一个“凑合”的方案，它是一个非常务实的选择。对大多数中小型项目来说，它性能完全够用，运维成本几乎为零，还能跟业务数据无缝集成。如果你现在用的就是 PostgreSQL，先试试 pgvector。别一上来就引入新数据库，给自己加复杂度。等你真的碰到它的性能天花板时，那时候再迁移也不迟——而且那时候你更清楚自己要什么了。能用已有的组件解决的问题，绝不引入新组件。

Skill 是 AI 的“手”，让它能干具体的活。Agent 是 AI 的“脑”，让它自己规划怎么干。如果你就给 AI 装一只手，它只能做你指定的动作。如果你给它一个大脑加上一堆手，它就能自己搞一套组合拳。但记住——不是所有的活都需要组合拳。拧个螺丝，一只手就够了，非得搭个机器人工厂，除了感动自己，没半点好处。实际开发中，先从 Skill 开始。当你发现任务复杂到 Skill 搞不定、需要多步推理