前言

從第 1 天到第 30 天，從對 Agent 一知半解，到現在能做出會思考、還會調用各種工具的 Agent P，每一步都像在挑戰自己。

現在 Agent P 已經誕生了，是時候該好好回憶一下這段時間的「任務回憶錄」了(￣▽￣)ブ

回憶錄

摸索

剛開始的時候，我對 Agent 的理解就是「一個會用工具的 AI」，但實際動手後才發現，光是理解 什麼是 Agent 就花了好多時間。

最大的收穫是搞清楚了 Agent 的核心概念：

• 不只是回答問題，而是能執行任務
• 能夠拆解複雜需求，調用合適的工具
• Sub Agent 和 Root Agent 的分工合作

那時候做的第一個簡單 Agent，現在看起來功能陽春得可笑，但那種「AI 真的照我的指令去做事」的成就感，到現在還記得很清楚。

建構

有了基礎概念後，就開始琢磨怎麼把 Agent 包裝得更完整。FastAPI 和 Gradio 在這個階段扮演了關鍵角色。

FastAPI 讓我的 Agent 有了對外的接口，不再只是本地測試的玩具；Gradio 則給了它一張「臉」，讓人可以直接跟它對話。

這時候我才真正感受到，一個好的 Agent 不只要功能強，還要容易使用。

記得第一次看到 Gradio 介面跑起來，輸入問題後真的收到回應的那瞬間，心裡想的是：「哇，我真的做出一個助理了！」

整合

最後這個階段是最精彩的，因為這時候開始接觸 MCP servers(Model Context Protocol servers)。

一開始聽到 MCP 時，老實說有點頭大。又是協議、又是 Server、又是 Client，感覺很複雜。但真正理解後才發現，MCP 根本就是 Agent 世界的「USB-C」—— 讓不同工具能用統一的方式接進來。

Spotify MCP Server

第一個整合的是 Spotify，讓 Agent P 能搜尋上面的音樂資訊等。看到它真的能搜尋歌曲時，感覺就像給 Agent P 裝上了「耳朵」。

HackMD MCP Server

接著是HackMD，當 Agent P 能夠查詢筆記等，它就不是單一無趣的，而是真正的工作夥伴了。

SearXNG MCP Server

最後加上搜尋功能，Agent P 終於有了「觸角」，能夠主動獲取網路上的最新資訊。這時候它已經不只是我程式裡的 Agent，而是一個能連接外部世界的智慧體。

整合的挑戰與突破

把這些 MCP Server 整合起來，其實比想像中困難：

技術挑戰：

• 各種環境配置（Node.js、Python、Docker）
• API Token 和認證管理
• 服務間的通訊協調
• 錯誤處理和容錯機制

架構挑戰：

• Root Agent 怎麼智慧分配任務
• Sub Agents 之間如何協作
• 複雜任務的分解與整合
• 使用者體驗的優化

每一個問題都是我困惱的地方，但解決的瞬間都超有成就感。特別是看到不同 Agent 能夠順暢協作去使用，且能夠完成任務時，真的有種「我終於成功了!」的感覺。

Agent P 的成長軌跡

現在的 Agent P 已經能夠：

音樂相關：「幫我找XXX的OOO歌曲」
筆記相關：「幫我查看我有哪些筆記」
資訊搜集：「幫我查最新的 AI 發展趨勢」
天氣相關：「今天台灣台北天氣如何?」
打招呼：「你好阿~P!」

從單一功能到多元服務，從被動回應到主動協助，Agent P 已經不只是一個程式，而是一個有溫度的數位夥伴。

最深刻的領悟

這 30 天最大的收穫，不是學會了某個技術，而是理解了 「整合」的力量。

單獨的 LLM 很聰明，單獨的 API 很有用，但當它們透過 Agent 架構結合起來時，1+1 真的大於 2。Agent P 能做的事情，已經遠遠超過我最初的想像。

另一個深刻體會是 「標準化」的重要性。MCP 協議讓不同工具能夠無縫接入，這種設計思維值得在其他專案中借鑑。

結尾廢話

這 30 天，從零到有，從單純了解到實作，從單機版到網路服務，從單一功能到多元整合。

現在的 Agent P 還不算完美，但它已經是一個能夠實際工作的智慧助理了。更重要的是，透過這個過程，我對 AI Agent 的生態有了更深入的理解，也為未來更複雜的專案打下了基礎。

這個挑戰讓我深刻體會到，技術的魅力不只在於它本身有多先進，而在於如何用它來解決真實的問題，創造有意義的價值。

Agent P 或許只是開始，但它代表的是一種可能性 — 讓 AI 真正成為我們生活和工作的夥伴!

感謝這段旅程中的每一個挫折和驚喜，也感謝每一位跟著這系列文章一起學習的朋友。技術路上，我們都是探索者，讓我們繼續前行，創造更多可能！

下台一鞠躬ο(=•ω＜=)ρ⌒☆