AI Agent开发实战：让AI从"能说"走向"能执行"
AI Agent开发实战 让AI从"能说"走向"能执行" MCP协议 × Function Call × 扣子平台实战 × 工作流卡片优化
MCP协议 × Function Call × 扣子平台实战 × 工作流卡片优化
过去使用AI时，它给出建议后，你还得自己去系统里操作执行。现在不同了？AI给出指令后直接执行——查询CRM客户信息、发送邮件、预订机票、回写数据，全流程自动化闭环。
这个转变的关键，取决于三件事：MCP协议为AI建立了统一的"执行标准"，Function Call让AI能够精确调用工具，扣子(Coze)平台让你无需代码就能把这些能力编排成生产级工作流。这篇文章，全面解析透彻。
9700万+ MCP SDK月下载量(2026) 10000+ 公开MCP服务器数量 67% CRM接入AI后手动操作减少
9700万+
MCP SDK月下载量(2026)
10000+
公开MCP服务器数量
67%
CRM接入AI后手动操作减少
01 什么是MCP？与Function Call有什么区别？
01
Function Call：让AI"能动手"的基础能力
Function Call（函数调用）是大模型原生的结构化调用能力——你告诉模型有哪些函数可用、参数是什么格式，模型就能判断什么时候该调用、自动填充参数，输出机器可执行的指令。
// Function Call示例：定义一个查天气的函数 { "type": "function", "function": { "name": "get_weather", "description": "获取指定城市的天气信息", "parameters": { "type": "object", "properties": { "location": {"type": "string", "description": "城市名"}, "unit": {"type": "string", "enum": ["celsius", "fahrenheit"]} }, "required": ["location"] } } }
模型看到这段定义后，用户问"北京今天冷吗"，它会自动输出：get_weather({"location": "北京", "unit": "celsius"})——这就是Function Call。
MCP：AI世界的"USB-C接口"
但Function Call存在一个关键问题：每个模型各自定义格式，工具和模型深度耦合。你给GPT写的函数定义，换到Claude就无法使用；你集成了5个工具，换个模型就得重新编写一遍。
MCP（Model Context Protocol，模型上下文协议）由Anthropic在2024年底推出，核心目标是解决这个"M×N集成难题"：M个AI应用对接N个工具，不需要开发M×N个接口，而是通过MCP统一协议，降至M+N。
一句话区分： Function Call = 手机的语音助手（只能控制本机APP） MCP = 蓝牙协议（让任何手机连接任何耳机）
一句话区分：
Function Call = 手机的语音助手（只能控制本机APP）
MCP = 蓝牙协议（让任何手机连接任何耳机）
MCP架构：三层组件 + 三种原语
MCP定义了三种核心原语：
工具 Tools让LLM执行动作（调API、写文件、发邮件）——这是最核心的功能
资源 Resources提供只读上下文数据（文件内容、数据库记录、日志）
提示 Prompts可复用的指令模板和工作流定义
MCP vs Function Call核心对比
关键认知：三者不是替代关系，是三层递进 •Function Call：解决"模型怎么调用工具"——底层执行语法 •Skill：解决"平台有哪些业务能力"——上层业务封装 •MCP：解决"系统之间怎么互通"——全局通信标准 企业级场景中，三者协同：FC做底层执行 → Skill做业务封装 → MCP做统一通信
关键认知：三者不是替代关系，是三层递进
•Function Call：解决"模型怎么调用工具"——底层执行语法
•Skill：解决"平台有哪些业务能力"——上层业务封装
•MCP：解决"系统之间怎么互通"——全局通信标准
企业级场景中，三者协同：FC做底层执行 → Skill做业务封装 → MCP做统一通信
02 扣子(Coze)平台基础与高阶实战
02
为什么选扣子？
扣子是字节跳动推出的AI Agent开发平台，核心优势：零代码搭建Agent + 可视化编排工作流 + 内置丰富插件生态。它把MCP/Function Call的理论能力，变成了拖拽即用的生产力工具。
工作流 vs 普通智能体：什么时候需要工作流？
实战：搭建"CRM客户查询+邮件跟进"工作流
场景：销售人员对AI说"查一下张三的跟进记录，给他发封跟进邮件"——AI自动查CRM、生成邮件、发送并回写记录。
CRM查询+邮件跟进工作流 ① 用户输入客户名 → ② LLM解析意图 → ③ 调用CRM插件查数据 → ④ LLM生成邮件内容 → ⑤ 调邮件插件发送 → ⑥ 回写CRM记录
CRM查询+邮件跟进工作流
① 用户输入客户名 → ② LLM解析意图 → ③ 调用CRM插件查数据 → ④ LLM生成邮件内容 → ⑤ 调邮件插件发送 → ⑥ 回写CRM记录
扣子搭建步骤：
1️⃣创建工作流：资源库 → +资源 → 工作流 → 命名"CRM跟进助手"
2️⃣开始节点：定义输入参数customer_name（String类型）
3️⃣LLM节点：System Prompt写"你是销售助手，根据客户信息生成跟进邮件"
4️⃣插件节点：添加CRM查询插件（如纷享销客/HubSpot API），绑定参数
5️⃣代码节点（可选）：处理CRM返回的JSON，提取关键字段
6️⃣LLM节点：基于CRM数据生成个性化邮件内容
7️⃣插件节点：调用邮件插件发送
8️⃣HTTP节点：回写CRM跟进记录
9️⃣结束节点：返回"已发送邮件给张三，CRM记录已更新"
企业级落地数据： • 华鼎冷链通过MCP让大模型对接温度传感器+库存系统+运输系统，年省9300万 • 辽宁12345通过MCP串联6个大模型智能体，人力成本降低30% • 接入AI Agent的CRM系统，手动数据录入减少67%，线索响应速度提升2.8倍
企业级落地数据：
• 华鼎冷链通过MCP让大模型对接温度传感器+库存系统+运输系统，年省9300万
• 辽宁12345通过MCP串联6个大模型智能体，人力成本降低30%
• 接入AI Agent的CRM系统，手动数据录入减少67%，线索响应速度提升2.8倍
03 工作流绑定卡片优化用户体验
03
为什么需要卡片？
没有卡片时，AI返回的是一坨混杂链接、格式混乱的纯文本。用户看得头疼，操作全靠手动复制粘贴。卡片把结构化数据变成可交互的可视化界面——信息一目了然，点击直接跳转。
❌ 没有卡片 原始文本输出，链接混杂难看 用户需手动复制URL到浏览器 多条结果堆成一团，无法区分 移动端体验极差 ✅ 有卡片 结构化展示，标题/摘要/标签清晰 点击按钮直接跳转详情页 循环渲染自动分卡，每条独立展示 多列布局+彩色标签，手机端也好用
❌ 没有卡片
原始文本输出，链接混杂难看
用户需手动复制URL到浏览器
多条结果堆成一团，无法区分
移动端体验极差
✅ 有卡片
结构化展示，标题/摘要/标签清晰
点击按钮直接跳转详情页
循环渲染自动分卡，每条独立展示
多列布局+彩色标签，手机端也好用
卡片绑定核心机制：变量绑定 + 循环渲染
卡片的本质是结构化数据的可视化渲染层，通过绑定工作流输出的JSON数组实现动态展示：
// 工作流输出的结构化数据（卡片绑定源） { "jobs": [ { "name": "Python开发工程师", "company_name": "某科技有限公司", "salary": "15-25k", "company_type": "民营企业", "location": "北京", "url": "https://example.com/job/123" } ] }
绑定四步法：
1️⃣ 运行工作流，复制output JSON
2️⃣ 去除外层结构，粘贴为卡片变量的默认值
3️⃣ 逐字段绑定item.name、item.salary、item.url
4️⃣ 开启"循环渲染"，绑定数组变量，自动为每条记录生成独立卡片
五大高频错误与优化技巧
错误1：只显示第一条数据→ 未开启"循环渲染"。必须选中主体区域 → 高级配置 → 开启循环渲染 → 绑定数组变量 错误2：按钮跳转失败→ 字段名错误。在工作流测试中复制完整output，确认字段名为item.url 错误3：卡片与原始文本同时输出→ 双击"结束"节点 → 返回类型改"返回文本"→ 仅填{{output}}占位符 错误4：移动端显示错乱→ 用多列布局+彩色标签替代长文本，提升信息扫描效率 错误5：卡片样式不美观→ 用红/绿/紫三色标签区分企业性质、薪资、所在地，符合企业级UI规范
错误1：只显示第一条数据→ 未开启"循环渲染"。必须选中主体区域 → 高级配置 → 开启循环渲染 → 绑定数组变量
错误2：按钮跳转失败→ 字段名错误。在工作流测试中复制完整output，确认字段名为item.url
错误3：卡片与原始文本同时输出→ 双击"结束"节点 → 返回类型改"返回文本"→ 仅填{{output}}占位符
错误4：移动端显示错乱→ 用多列布局+彩色标签替代长文本，提升信息扫描效率
错误5：卡片样式不美观→ 用红/绿/紫三色标签区分企业性质、薪资、所在地，符合企业级UI规范
高级优化：按钮交互替代文本指令
传统方式：用户需要输入"查看详情"来触发下一步。现在：卡片按钮绑定item.url字段，点击直接跳转，彻底告别手动输入指令的交互模式。
扣子支持两种卡片模式：
•单张卡片：展示单一内容，绑定数组第一个元素
•竖向列表：展示多张卡片（最大20条），循环渲染数组每一条
卡片还能绑定自定义样式——通过拖拽组件（标题/文本/按钮/标签/图片）构建专属界面，发布后即可在智能体对话中使用。
04 教你"连系统"：从聊天工具到执行工具
04
AI Agent连接外部系统的三种方式
实战：让AI直接操作CRM系统
以HubSpot CRM为例，4步实现AI Agent双向打通：
// Step 1: 配置API认证（OAuth 2.0） // HubSpot: Private App Token // Salesforce: Connected Apps + OAuth // Step 2: 在扣子工作流中添加HTTP节点 // 查询客户信息 GET https://api.hubapi.com/crm/v3/objects/contacts/{id} Headers: Authorization: Bearer {ACCESS_TOKEN} // Step 3: LLM节点处理返回数据，生成操作建议 // System Prompt: """你是销售助手。根据CRM中的客户信息： 1. 分析客户当前状态（活跃/沉默/流失风险） 2. 生成个性化跟进邮件 3. 推荐下一步最佳行动""" // Step 4: HTTP节点回写CRM + 发送邮件 PATCH https://api.hubapi.com/crm/v3/objects/contacts/{id} Body: { "properties": { "last_contacted": "2026-06-04", "follow_up_status": "completed" } }
企业级安全红线
1. 认证隔离：OAuth Token存储在加密环境变量中，严禁"令牌透传" 2. 操作分级：读取操作自动执行，写入操作需人工确认 3. 审计日志：每次API调用记录操作人、时间、参数、结果，满足合规审查 4. 提示注入防护：MCP协议层内置输入过滤和输出清洗，防止恶意指令触发危险操作
1. 认证隔离：OAuth Token存储在加密环境变量中，严禁"令牌透传"
2. 操作分级：读取操作自动执行，写入操作需人工确认
3. 审计日志：每次API调用记录操作人、时间、参数、结果，满足合规审查
4. 提示注入防护：MCP协议层内置输入过滤和输出清洗，防止恶意指令触发危险操作
从"聊天工具"到"执行工具"的进化路线
AI Agent能力进化路线 Level 1 问答 AI回答问题，用户自己操作系统 → 传统ChatBot Level 2 工具调用 AI通过Function Call查数据，但仍需人工确认执行 → 当前主流 Level 3 工作流自动化 AI按编排好的工作流执行多步操作，关键节点人工审批 → 扣子平台 Level 4 全自主Agent AI自主规划、调用工具、验证结果、修正错误 → MCP+Agent融合
AI Agent能力进化路线
Level 1 问答 AI回答问题，用户自己操作系统 → 传统ChatBot
Level 2 工具调用 AI通过Function Call查数据，但仍需人工确认执行 → 当前主流
Level 3 工作流自动化 AI按编排好的工作流执行多步操作，关键节点人工审批 → 扣子平台
Level 4 全自主Agent AI自主规划、调用工具、验证结果、修正错误 → MCP+Agent融合
中国机电一体化技术应用协会已发布《信息安全技术 模型上下文协议安全要求》团体标准（T/CAMETA XX-2026），从传输层、应用层、模型层三个维度规范MCP安全。这意味着MCP已从开发者工具升级为工业级基础设施标准。
9300万 华鼎冷链通过MCP打通系统年省成本（元）
9300万
华鼎冷链通过MCP打通系统年省成本（元）
💡 写在最后
💡
三个关键认知：
1. MCP是"标准"，不是"工具"。它不替代Function Call，而是在FC之上建立统一的通信规范。就像USB-C不替代充电功能，但让所有设备用同一个接口充电。企业级场景下，MCP解决的是"工具一次开发，全模型通用"的规模化问题。
2. 扣子工作流是"编排器"，不是"聊天框"。普通智能体靠模型自由发挥，工作流靠你定义流程。当你需要"先查CRM再发邮件再回写记录"这种确定性流程时，工作流是唯一靠谱的选择——可复现、可审计、可优化。
3. 卡片是"体验层"，不是"装饰品"。卡片把AI的输出从"一段文字"变成"可交互界面"，按钮替代文本指令、循环渲染替代堆砌展示。这不是好看不好看的问题，是AI能不能真正被业务人员使用的问题。
从"AI给你建议"到"AI直接干活"，差的不是模型能力，是连接系统的能力。MCP统一标准，扣子降低门槛，卡片优化体验——三者结合，才是AI从"聊天工具"变成"执行工具"的完整路径。
Level 1→4 AI Agent能力进化路线 M+N MCP将M×N集成降至M+N 2.8x AI接入CRM后线索响应提升
Level 1→4 AI Agent能力进化路线
Level 1→4
AI Agent能力进化路线
M+N MCP将M×N集成降至M+N
M+N
MCP将M×N集成降至M+N
2.8x AI接入CRM后线索响应提升
2.8x
AI接入CRM后线索响应提升