黄庄三号四能力 Agent

基于 LangGraph 的多能力 AI Agent，集成 FC / MCP / 思考模式 / Skill 四种核心能力。

v2.0 配置驱动版 — 新增工具/技能/MCP服务器无需改源码，丢文件或改配置即可。

四项能力

能力	方案	支持度
Function Call	LangGraph 原生 ToolNode	★★★★★
MCP	langchain-mcp-adapters + 确定性路由	★★★★
思考模式	自建 think_node + CoT 推理链	★★★★
Skill	自建 SkillRegistry 注册机制	★★★★

目录结构

hz3-agent/
├── config.yaml          ← 一个文件管所有配置（模型、MCP、路由关键词）
├── agent.py             ← Agent 主程序，从配置加载
├── mcp_server.py        ← MCP 服务器（示例：时间/字符统计/UUID）
├── tools/               ← 工具目录，丢 .py 文件即注册
│   ├── weather.py
│   ├── calculator.py
│   └── knowledge.py
├── skills/              ← 技能目录，丢 .yaml 文件即注册
│   ├── weather_analyst.yaml
│   ├── math_tutor.yaml
│   └── knowledge_explorer.yaml
└── README.md

快速开始

cd hz3-agent

# 自动测试（不带MCP）
python3 agent.py --test

# 自动测试（带MCP）
python3 agent.py --mcp --test

# 交互模式（带MCP）
python3 agent.py --mcp

# 交互模式（不带MCP）
python3 agent.py

新增工具

在 tools/ 目录下创建 .py 文件，暴露 TOOLS 列表即可：

# tools/stock.py
from langchain_core.tools import tool

@tool
def get_stock_price(symbol: str) -> str:
    """查询股票价格"""
    return f"{symbol}: 当前价格 123.45"

TOOLS = [get_stock_price]  # 必须！供自动扫描

重启 Agent 即自动加载，无需改任何其他文件。

新增技能

支持两种格式：

格式1: .yaml 文件（简洁定义）

在 skills/ 目录下创建 .yaml 文件：

# skills/stock_analyst.yaml
name: stock_analyst
description: "股票分析师 - 查询股价并给出分析"
prompt: |
  你是股票分析师。根据以下行情给出分析建议：
  行情数据：{input}
tools:
  - get_stock_price

格式2: OpenClaw 格式（目录 + SKILL.md + scripts/）

在 skills/ 目录下创建目录，放入 SKILL.md 和 scripts/：

skills/
└── my-skill/
    ├── SKILL.md          ← OpenClaw 标准格式
    └── scripts/
        └── do_something.py

SKILL.md 格式：

---
name: my-skill
description: "我的自定义技能"
---

# 我的自定义技能

技能的详细说明和使用方法...

Agent 会自动扫描 SKILL.md 的 frontmatter 和 scripts/ 目录，执行脚本并将输出传给 LLM。

路由关键词

无论哪种格式，都需要在 config.yaml 的 skill_keywords 中添加路由：

skill_keywords:
  stock_analyst: ["股价", "股票", "行情"]
  my-skill: ["关键词1", "关键词2"]

新增 MCP 服务器

在 config.yaml 的 mcp_servers 列表中添加一项：

mcp_servers:
  - name: "hz3-tools"           # 已有的
    command: "python3"
    args: ["mcp_server.py"]
    transport: "stdio"
    route_keywords:
      get_current_time: ["几点", "时间"]
      count_chars: ["统计字符", "字符数"]
      generate_uuid: ["UUID"]

  - name: "my-new-server"       # 新增的
    command: "python3"
    args: ["path/to/my_server.py"]
    transport: "stdio"
    route_keywords:
      my_tool: ["关键词1", "关键词2"]

启动时加 --mcp 参数即可连接所有配置的 MCP 服务器。

架构流程

用户输入 → think(思考) → skill_route(路由)
                              │
                   ┌──────────┴──────────┐
               匹配MCP工具            匹配Skill
               直接调用             进入skill_exec
                   │                    │
              返回结果          执行工具+提示词模板
                   │                    │
                   └──────────┬─────────┘
                              │
                         agent(主节点)
                         │           │
                   有tool_calls   无tool_calls
                      │              │
                   tools节点        END
                      │
                   回到agent

代码调用

from agent import run_agent, build_graph, load_config, scan_tools, scan_skills

config = load_config()
tools = scan_tools()
skills = scan_skills()
graph = await build_graph(config, skills, None, tools)

result = await run_agent("黄庄天气怎么样？", graph)
print(result["reply"])      # 回复
print(result["thinking"])   # 思考过程
print(result["skill"])      # 使用的技能

关键设计决策

1. MCP 确定性路由 — 关键词匹配后直接 session.call_tool()，绕过模型不调工具的问题
2. 思考结果合并 — 与 system prompt 合并为单条 SystemMessage，避免干扰工具调用
3. AsyncExitStack 长连接 — MCP session 在 Agent 生命周期内保持
4. 迭代保护 — agent 节点迭代超过阈值强制结束，防死循环
5. 配置驱动 — 所有新增/调整通过 config.yaml + 丢文件完成，不改源码

依赖

langgraph>=1.1
langchain-openai>=1.2
langchain-mcp-adapters>=0.2
mcp>=1.0
pyyaml>=6.0