上一篇我們加入了 Prompt Injection，了解 Agent 在使用外部資料時，除了要能取得資訊，也需要注意資料中的內容是否安全，前面我們也陸續做了 SQLite、Calculator、RAG、File System 等 MCP Tool。

不過目前我們大多都是一次測試一個功能，所以今天就來把前面做過的東西串起來，讓 Agent 面對一個比較完整的任務時，自己判斷要使用哪些 Tool，並一步一步完成。

今天要做什麼？

這次我們給 Agent 一個完整的任務：

請幫我分析 CS 系的學生，找出成績低於 60 分的學生，使用 Calculator 計算 CS 系的平均成績，再參考知識庫中的學習建議，最後將完整的分析結果整理成 report.txt。

這個任務裡面其實包含了幾個步驟：

SQLite
  ↓
取得 CS 系學生資料
  ↓
Calculator
  ↓
計算平均成績
  ↓
RAG
  ↓
查詢學習建議
  ↓
File System
  ↓
寫入 report.txt

這次的重點不是我們在程式裡把順序全部寫死，而是讓 Agent 根據使用者的任務，自行決定需要使用哪些 Tool。

加入 File System 的寫入功能

前面 File System MCP 已經可以讀取檔案，這次再加入一個 write_file Tool，讓 Agent 可以建立或修改檔案。

@server.tool()
def write_file(file_path: str, content: str) -> str:
    """在 sandbox 中建立或寫入檔案"""

    path = SANDBOX / file_path

    try:
        path.resolve().relative_to(SANDBOX.resolve())
    except ValueError:
        return "錯誤：不允許寫入 sandbox 外的檔案。"

    path.parent.mkdir(parents=True, exist_ok=True)
    path.write_text(content, encoding="utf-8")

    return f"成功寫入檔案：{file_path}"

這樣 Agent 就多了一個可以實際「產生檔案」的 Tool。

Calculator 增加平均值計算

這次除了原本的四則運算之外，我們也增加 average：

@server.tool()
def average(numbers: list[float]) -> float:
    """計算一組數字的平均值"""

    if not numbers:
        return 0

    return sum(numbers) / len(numbers)

這樣 Agent 就可以把從 SQLite 查到的成績交給 Calculator 計算平均值，而不是直接由模型自己計算，也減少模型一直呼叫 Calculator 導致一分鐘請求次數達到上限

讓 Agent 同時連接多個 MCP Server

這次 Agent 會同時連接四個 MCP Server：

SQLite MCP
Calculator MCP
RAG MCP
File System MCP

每個 Server 負責不同的事情：

Agent 會先取得這些 Server 提供的 Tool，接著交給 Gemini 判斷目前任務需要使用哪些工具。

實際測試

首先創建一個文件加入學習建議，接著執行 Agent，並讓它把建議加入RAG

然後開始測試這次的任務，可以看到 Agent 依序使用不同的 Tool

RAG 再從知識庫找到相關的學習建議，之後 Agent 將整理好的內容交給 write_file，下方圖片可以看到對話結果

最後可以在 day19/sandbox/report.txt 看到產生的分析報告。

總結

到目前為止，我們已經把 SQLite、Calculator、RAG、File System 等不同 MCP Tool 串接起來，今天更進一步，讓 Agent 不只是「會使用 Tool」，而是可以根據一個完整任務，自行組合不同的 Tool，一步一步把事情完成。

這也是 MCP + AI Agent 很重要的一個應用方式：讓不同能力的 Tool 組合起來，共同完成一個任務。