前言

回頭看這一路走來的過程，其實可以說是從零開始慢慢摸索出來的。

一開始我只是單純想搞懂 什麼是 Agent，怎麼樣能讓 AI 不只是回答問題，而是能自己拆解任務、用工具完成事情。

那時候還停留在理論階段，更多的是在看文件、理解架構，但隨著一步步實作，我才慢慢摸清楚整個生態的運作方式。

接著我們回顧一下這段目前為止的旅程( •̀ ω •́ )y

小結

最初的重點放在 了解 Agent 概念，包括它的角色定位、與工具的互動方式，以及為什麼需要有 sub_agent 和 root_agent 的設計。

接下來就開始動手做，從 簡單的 Agent 實作 開始，把模型和 prompt 包裝成能處理任務的小助手。之後，我不只停留在本地測試，還特地 做出 API，讓 Agent 的功能能透過 RESTful 的方式被呼叫。這時候再搭配 Gradio，就能快速做出一個互動式介面，讓整個流程更直觀、更容易展示。

再往下走，就是引入 MCP Server。這一步的意義很不一樣，因為 MCP 讓 Agent 具備了「外掛式」的能力，不需要把所有工具都寫死在程式碼裡，而是透過 MCP 協議與外部服務對接。像 Spotify 這種娛樂應用、HackMD 這種筆記協作工具、SearXNG 這種搜尋引擎，就是最佳範例。這代表我的 Agent 不再只是「單一功能」，而是能根據需求切換不同的 sub_agent，實際調用不同的服務。

所以整體來看，這條路徑就像一層層堆疊的積木：從 理解 → 實作 → API → 介面 → 外部整合，到現在已經有點像是一個雛形系統了。這也讓我更清楚，最後的目標是把這些零散的功能都統合起來，讓 root_agent 真的能成為一個「多功能智慧助理」。

結尾廢話

到這裡，我算是完成了第一階段的學習與實驗。雖然還沒有達到「超強萬能 Agent」的程度，但每一步都在往那個方向靠近。

現在工具箱裡的零件都備好了 —— Spotify、HackMD、SearXNG 這些 MCP Server 都能正常運作，就差把它們真正整合起來了！

下一篇我們就要進入重頭戲，把所有功能串成一個完整的多功能 Agent 系統，看看這個「Agent P」到底能有多厲害～

我們下一篇見(✿◡‿◡)