MCP智能体意图识别与工具路由：让AI自主决策调用链路

用户输入	识别意图	匹配工具
"列出当前所有 txt 文件"	文件列表查询	`list_txt_files`
"帮我搜索关键词'合同'的知识点"	知识库搜索	`search_knowledge_base`
"读取X文件并总结内容"	文件内容摘要	`read_file_content` + `summarize_text`

🛠️ 1. 设计意图识别模块

1.1 简易关键字规则版（基础版）

最简单的意图识别可以用规则硬编码：

def detect_intent(user_query: str) -> str:
    if "列出" in user_query and "txt" in user_query:
        return "list_txt_files"
    elif "搜索" in user_query and "知识" in user_query:
        return "search_knowledge_base"
    elif "读取" in user_query and "总结" in user_query:
        return "file_summary"
    else:
        return "unknown"

适合 Demo 小项目，但实际部署场景可能太简单。

1.2 使用大模型辅助意图识别（进阶版）

我们可以调用一个轻量 OpenAI GPT-3.5 或 Claude 模型，
提示词示例：

以下是系统已有的功能列表：
- list_txt_files：列出目录下所有 txt 文件
- read_file_content：读取文件内容
- summarize_text：总结文本要点
- search_knowledge_base：搜索知识库关键词

请根据用户输入，返回最匹配的功能名称。

用户输入："{user_query}"
答案（只返回功能名）：

通过这种方式，大模型自动帮我们做意图归类和工具匹配，大大提升准确率！

（可以自己用 LangChain 或 OpenAI Python SDK包装成函数）

🛠️ 2. 设计工具路由模块

拿到意图后，需要根据意图选中工具，并生成调用参数。

示例：

def route_to_tool(intent: str, user_query: str):
    if intent == "list_txt_files":
        return ("list_txt_files", {"directory": "."})
    elif intent == "search_knowledge_base":
        keyword = user_query.split("关键词")[-1].strip()
        return ("search_knowledge_base", {"keyword": keyword})
    elif intent == "file_summary":
        # 这里需要进一步解析具体文件名，或引导用户选择
        file_path = "example.txt"  # 简化版
        return ("read_file_content", {"file_path": file_path})
    else:
        return (None, None)

🖥️ 3. 完整流程串联

最终 MCP智能体整体流程：

user_query = input("请输入你的需求：")

# Step 1: 意图识别
intent = detect_intent(user_query)

# Step 2: 工具路由
tool_name, params = route_to_tool(intent, user_query)

if tool_name:
    # Step 3: 动态调用 MCP 工具
    from mcp.client import MCPClient
    client = MCPClient(server_address="http://localhost:8000")
    client.connect()

    result = client.call_tool(tool_name, params)
    print("调用结果：", result)

    client.disconnect()
else:
    print("对不起，暂时无法处理您的请求。")

这样一来，无论 MCP Server 增加多少工具，
智能体都可以动态感知、智能选择、自动调用！