一文讲透 AI Agent 与 AI Workflow 的区别和深度解析：从自动化到智能化的演进
使用 Goland 远程开发基于 MCP 的智能对话助手
2025-03-13
不知道大家有没有听说过 MCP 协议？Model Context Protocol (MCP) 是 Anthropic 开发的、实现大模型工程通信的重要协议，可以大规模拓展大模型的功能。感兴趣的同学可以参考下我们之前的文章
但是当大家开始研究和使用 MCP 时，就会发现一个问题：他的可用客户端很少，几乎只有 Claude Desktop 可以用，但是这个客户端只能使用 Claude 自家的模型，而且还有其他紧张的限制，那么这个时候我们就震惊了：我们能不能借助 MCP 的思想开发一套我们自己的客户端呢？
说干就干，本期就是为大家带来使用 Jetbrains Goland 开发的基于 MCP 的智能对话助手。
架构设计
MCP的核心简单来总结就是：程序读取大模型的输出格式化，并自动的去执行某些操作。
而Goland的客户端原理就更简单了，就是在此基础上增加一个对话循环：
- 初始化：客户端访问服务端的接口，获取工具，提示，资源等资源。
- 开始对话，客户端接收用户输入，并把上述资源的上下文一起发送给大模型。
- 客户端判断通过大模型输出判断是否需要调用资源，如果需要就去调用，并将调用的结果返回给大模型。
- 大模型分析，整合结果后返回给客户端。
有了这些知识我们就可以开始架构项目了。
这次要实现的是一个使用Go语言开发的对话助手，现在因为官方并没有Go的我们的MCP SDK，而且他的客户端服务器不支持远程连接，所以这次不使用官方的架构进行开发，而是在MCP的基础上，基于它的理念，用更简单的定义实现。
创建 IDE
工欲善其事，必先利其器。一个好的IDE可以很大程度上提高我们的开发效率。对于Go语言来说，我最推荐使用Jetbrains的Goland，它拥有强大的功能和漂亮的UI，尤其适合开发这种有点复杂的项目。
这很多同学可能要说：这种大型的IDE太卡了，我的电脑顶不住啊！
坦白说是有这个问题，首先是mbp，另外在大型项目建立索引的时候卡了一段时间。但还没解开的，使用Sealos Devbox就可以解决的问题。他将Goland的服务端放在远程云端，利用云端的算力实现构建索引等CPU密集的功能，只要你本地的电脑是什么型号和情况，就可以丝滑流畅的开发。
创建开发环境
先访问Sealos Cloud：https://hzh.sealos.run
点击 Devbox 图标，然后点击“新建项目”按钮。在“运行环境”配置中，选择 Go 语言作为开发框架，并通过仔细调整项目所需的 CPU 核心数和内存大小。因为 Goland 需要一定的性能，建议采用 4c 8g 或者更高的配置。
滚动到配置页面的“网络配置”部分，配置容器端口：
- 输入 8080 (Go 的默认开发端口)
- 添加其他端口，可点击“添加端口”按钮
配置外部访问：
- 打开公网访问开关，允许外部用户通过域名访问应用。
域名配置：
- 系统会自动为应用分配一个子域名。
- 使用自定义域名，可以点击“自定义域名”并按提示设置。
注意：请确保容器端口 (8080) 与 Go 应用的运行端口一致。如果在 Go 配置中了端口，这里也需要相应修改更新。
最后，点击“创建”按钮完成项目创建。
项目创建完成后，你可以在项目列表中看到新建的项目。每个项目的“操作”栏都提供了许多便捷的选项。
使用 Goland 连接
在项目列表中找到你的项目，在“操作”列中，点击 VSCode 图标旁边的下拉箭头，从下拉菜单中选择 Jetbrains，就会自动跳出一个弹窗。
根据弹窗里的提示，下载好JetBrains Gateway应用，配置好SSH连接信息，选择自己要使用的IDE（比如Go语言项目就选择Goland），点击弹窗底部的【开始连接】。
提示
首次连接时，DevBox 需要下载相关组件，可能需要 3-5 分钟，等待等待即可。
组件下载完成后，自动打开Jetbrains Gateway。确认连接信息没问题后，直接点击“Check Connection and Continue”即可。
注
如果没有自动打开Jetbrains Gateway，可能是您的浏览器自动阻止了弹窗，请自行开通网站的弹窗权限。
接下来Jetbrains还会跳出一个弹窗进行一系列准备工作：
准备完成后，将自动打开Goland IDE，并自动连接到Devbox开发环境。
搞定，现在你就可以在 Goland 中开始愉快的进行远程开发了！
核心预测
代码：https://github.com/bearslyricattack/mcpTerminal，下面我们挑一些关键的代码为大家介绍一下位于：
加载MCP 服务
func NewTool() (*Tool, error) {
// Open the local server.json file
file, err := os.Open("server.json")
if err != nil {
return nil, fmt.Errorf("failed to open server.json file: %v", err)
}
defer file.Close()
// Create an instance of the Tool type
var tool Tool
// Decode the JSON file into the server struct
decoder := json.NewDecoder(file)
err = decoder.Decode(&tool)
if err != nil {
return nil, fmt.Errorf("failed to decode JSON: %v", err)
}
// Return the decoded Tool object
return &tool, nil
}当前我们没有使用官方 MCP 的格式，而是在本地配置了一个 json 文件，用于表征各个服务的链接地址，参数等信息。
迅速的
// GetPrompts generates a prompt message suitable for the assistant
func GetPrompts(tools string) string {
// Use a multi-line string for better readability
prompt := fmt.Sprintf(`
您是一位有用的助手，可以使用这些工具：%s
根据用户的问题选择适当的工具。
如果不需要工具，请直接回复。
重要提示：当您需要使用工具时，您必须仅使用以下确切的 JSON 对象格式进行回复，不能使用其他任何内容：
{
"name": "name",
"arguments": {
"argument-name": "value"
}
}
收到工具的响应后：
1. 将原始数据转换为自然的对话响应
2. 保持响应简洁但信息丰富
3. 关注最相关的信息
4. 使用用户问题中的适当上下文
5. 避免简单重复原始数据
请仅使用上面明确定义的工具。`, tools)
return prompt
}首先向大模型发起请求的时候，需要为其做一些介绍，并包含需要使用的所有工具。下面是一个提示词的示例，大家也可以持续优化提示词，以期达到更好的效果。
对话
// Start the conversation loop
scanner := bufio.NewScanner(os.Stdin)
for {
userInput := getUserInput(scanner)
response, err := chatClient.SendMessage(userInput)
if err != nil {
log.Fatalf("Error sending message: %v", err)
}
// Process the response to check if it contains a ToolRequest
if tool.HandleToolRequest(response, mcpServers, chatClient) {
continue // If a ToolRequest is handled, continue to the next iteration
}
fmt.Println("Assistant:", response)
}读取模型的输出，由模型来判断是否需要调用。
工具调用
var request ToolRequest
// Try to unmarshal the response into a ToolRequest struct
err := json.Unmarshal([]byte(response), &request)
if err != nil {
return false // If it's not a ToolRequest, return false to continue normal processing
}
// Search for the corresponding mcpServer and send a request to it
for _, mcpServer := range mcpServers.Server {
if request.Name == mcpServer.Name {
request, _ := req.BuildRequest(mcpServer.Host, request.Arguments)
response, err := chatClient.SendMessage(request)
if err != nil {
log.Fatalf("Error sending message: %v", err)
}
fmt.Println("Assistant:", response)
return true
}
}可能到大型模型修剪的 JSON 的输出之后，检索所有的 MCP Server 进行查找和工具调用。
效果
我们以平台上现有的“获取应用程序的日志”HTTP 接口为例子，只需要在文件配置中配置这个接口，就可以自动的成为一个可以被大模型调用的服务器，不需要做任何额外的操作：
{
"server": [
{
"name": "vlogs-server",
"version": "1.0.0",
"type": "remote",
"host": "http://ip:port/queryLogsByParams",
"description": "Get logs from the API by passing parameters.",
"args": [
{
"key": "time",
"value": "10h",
"description": "The time filter for logs (e.g., \"10h\")."
},
{
"key": "namespace",
"value": "gpu-operator",
"description": "The namespace of the application (e.g., \"gpu-operator\")."
},
{
"key": "app",
"value": "gpu-operator",
"description": "The name of the application (e.g., \"gpu-operator\")."
},
{
"key": "limit",
"value": "100",
"description": "The limit for the number of logs to retrieve. (e.g., \"20\"). if use this key, please use string type."
},
{
"key": "pod",
"value": "pod-123",
"description": "The list of pods to query."
},
{
"key": "container",
"value": "container-456",
"description": "The list of containers to query."
},
{
"key": "keyword",
"value": "error",
"description": "The keyword to filter logs by."
}
]
}
]
}然后只需在我们的主要方法中配置大模型的uri apikey等信息我们就可以开始使用了，任何符合OpenAPI输出格式的模型都支持。可以像与任何大模型一样，与它以自然语言自由的对话，它会需要的时候调用我们提供的工具去执行并分析结果。
以下是几张效果图
可以看到效果还是非常优秀的，也有一定的稳定性，详细优化下提示词的话应该会有更好的效果。
总结
随着大模型能力的不断增强，其工程化是必然的趋势。而MCP的思想和设计，是其工程化的一条重要道路。虽然目前其各个社区的支持强度似乎相差甚远，但随着时间的发展，一定会越来越多的模型和工具都支持以MCP的格式进行调用。
使用Goland的开发体验非常的丝滑流畅的，而且连接稳定，甚至你一晚上不开发都不会断连接。大家也可以尝试一下，开发出属于自己的MCP对话助手。
文章转载自： 使用 Goland 远程开发基于 MCP 的智能对话助手
同话题下的热门内容
