@ama_huangama: https://x.com/ama_huangama/status/2109601921212289281

X AI KOLs Timeline 新闻

摘要

这是一篇面向 FDE(前线部署工程师)的技术博客,系统梳理了 Model、Agent、Skill、MCP、CLI 五大概念的分层架构与协作关系,并详细介绍了将传统行业存量系统(OA、PLM、MES)通过 API 封装、CLI 包装、RPA 三条路径接入 AI Agent 的工程实践方案。

https://t.co/TpaPR5PAze
查看原文
查看缓存全文

缓存时间: 2026/10/13 09:39

FDE必备:一文让你学会传统行业如何进行 AI 技术性改造

一、背景

很多传统行业老板觉得 AI升级改造就是找个讲师培训个几天就搞定了,结果培训几天后,讲师教了什么案例,他们只知道这些案例而已,该不懂的依旧不懂,为什么?除了因为没有 FDE 入场,更多的是企业内部的 FDE 存在以下的问题

  • 认知模糊:Agent、Skill、MCP、CLI、Model 等概念密集出现,工程边界与调用层级缺乏统一界定。

  • 存量系统包袱重:运行多年、架构老旧的 OA、PLM、MES 等异构系统缺乏标准化改造路径,缺乏兼顾安全与稳定性的切入点。

这篇文章全面梳理这一技术栈的分层关系、调用链路,以及存量系统落地的可行工程路径。

二、 五大核心概念的关系架构与职责分层

整个体系并非单点工具,而是一套分层协同的控制与执行链条:

概念边界与核心职责

  • Model(推理基座):本质是无状态的算力与概率推理引擎,负责语义解析、逻辑推理与生成。Model 本身无法直接感知或操作企业内部网络与数据库。

  • Agent(调度中枢):目标驱动的自主控制系统,维护会话上下文与执行记忆,通过 ReAct 或规划反思循环完成任务拆解、工具选择与结果整合。

  • Skill(流程资产):领域工程资产与业务 SOP,包含触发条件、操作规约、参数校验及受控工具清单,相当于写进系统的标准化作业指导书。

  • MCP(标准互通协议):模型上下文协议(Model Context Protocol),采用开放 Client/Server 规范,解耦 Agent 调度与外部系统接口,统一入参/出参的格式与元数据定义。

  • CLI(执行工具):命令行执行接口,具备高确定性输入、易于结构化输出的特点,作为 Agent 底层轻量、直接的物理执行管道。

关键工程关系:MCP 与 CLI 的嵌套

MCP 与 CLI 不是非此即彼的竞争关系,在落地场景中,**MCP 往往充当 CLI 的协议外壳,**例如将运维脚本或底层程序封装为 MCP Server:CLI 负责在隔离环境中执行确定性命令并输出结构化 JSON,MCP 则负责将其对外暴露为标准工具 Schema。

三、 一次工具调用的完整接力过程

以员工通过交互界面发出“帮我查询上周请假审批状态并计算剩余年假”为例,各模块在运行时的完整流转如下:

  • 目标接收:用户向终端发送自然语言请求;

  • 意图拆解:Agent 将对话上下文投喂给 Model,Model 判断任务需要查询考勤数据,但缺少实时业务数据;

  • 加载规约:Agent 检索并加载“HR 考勤 Skill”,读取允许调用的工具清单与字段约束;

  • 协议调用:Agent 通过 MCP 协议构造 JSON-RPC 消息,向对应 MCP Server 发起工具调用;

  • 底层触达:MCP Server 将请求转换为底层老系统的 REST API 调用,并注入身份认证凭据;

  • 回传组装:业务系统返回原始数据,经 MCP Server 过滤并结构化封装后回传给 Agent;

  • 生成答复:Agent 结合返回数据与原任务目标,让 Model 生成自然的答复文本并呈现给用户。

四、 存量系统的三级改造路径与决策决策

对存量老系统的适配改造没有统一模版,必须依据系统的技术体检结果进行分级推进:

改造路径选择与原则

  • 路径一:API 封装(首选方案)适用于系统具备完整或可用 REST/SOAP/RPC 接口的场景。在原系统外部部署轻量 MCP Server 做协议转换。原则是保持封装层无状态,严禁在封装层重写业务逻辑。

  • **路径二:CLI 包装(次选方案)**适用于无对外网络接口,但具备本地 SDK、Shell 脚本或命令行工具的系统。先将输出改造为结构化 JSON,再通过 MCP Server 对接执行。

  • **路径三:RPA 兜底(过渡方案)**仅针对纯 Web/桌面 UI 且无任何接口的封闭系统,使用无头浏览器或界面模拟操作。该方案维护成本高、界面变动易导致脆断,仅作为短期过渡手段。

企业级安全与鉴权机制

  • 凭证透传(On-Behalf-Of):支持 OAuth 2.0 的系统应透传用户 Token,保持最小权限原则。

  • 服务机器人账户 + 审计底账:若底层只支持静态凭证,使用虚拟服务账号代理操作,但 MCP 必须强记录发起人 ID、原始 Prompt 与调用链。

  • 人机协同确认(Human-in-the-Loop):对写入、审批、删除等高危操作设置硬拦截,强制弹出确认交互,严禁 Agent 全自动执行。

五、 MCP 的实现形式与技术选型

选型时需严格区分传输方式与架构拓扑:

  1. 传输协议选型
  • stdio(标准输入输出):Host 进程通过子进程拉起 MCP Server,依赖标准管道通信。适用于本地桌面客户端(如 Cursor、本地分析 Agent),具备高安全隔离度。

  • Streamable HTTP(官方推荐远程方案):单个 HTTP 端点支持 POST 请求与 GET 流式监听,原生支持会话持久化与状态恢复。企业集中部署、多系统共享的首选方案,搭配 OAuth 2.0 使用。

  • HTTP + SSE(历史弃用方案):双端点早期设计,存量项目维持,新项目应向 Streamable HTTP 迁移。

  • WebSocket(生态扩展方案):适合全双工通信及浏览器插件桥接场景,但需妥善处理网络负载均衡与长连接保活。

  1. 架构拓扑
  • 点对点直连(Point-to-Point):Agent 逐一直连各系统 MCP Server,适合轻量测试场景。

  • 统一网关代理(MCP Gateway / Proxy):在核心 Agent 与业务系统间设立网关,统一负责访问控制、Token 配额、审计追踪与服务发现。

六、 典型落地案例分析

案例 1:某整车制造企业请假系统接入(B/S 架构,路径一)

  • 现状:Java Web 系统,具备内部 REST API,原操作需员工在网页多层跳转,月末人工对账繁琐;

  • 方案:底层业务代码保持不变,独立构建 Streamable HTTP 协议的 MCP Server 微服务,打通企业 SSO 单点登录;

  • 成效:实现自然语言交互请假与额度查询,操作链路大幅压缩,底层数据权限与审计链条完全保持一致。

案例 2:某商用车车企研发 PLM 客户端接入(C/S 架构,路径二)

  • 现状:封闭 Windows 桌面客户端,无开放外部 HTTP 接口,但本地安装目录含 SDK 与脚本工具;工程师常需跨系统手工比对 BOM 与图纸;

  • 方案:在工程师工作站本地部署适配服务,将 SDK 数据提取功能封装为结构化 CLI 命令,再由本地 stdio MCP Server 接入 Agent;

  • 成效:复用客户端现存登录态与权限,实现图纸数据与物料状态的自动化核对,避免了高风险的数据库直连修改。

七、 实施推进步骤

  • 资产盘点与分级:以“调用频次”与“改造难度”划定象限,优先从高频、低风险、接口相对完善的边缘业务切入。

  • 协议标准化先行:严格遵守封装层只做 Schema 映射与数据透传的原则,降低耦合。

  • 审计与安全闭环:在首个试点系统上线时即接入端到端调用链监控,并针对变更类操作强制实施二次人工授权。

当然,这篇文章仅仅是针对技术架构方面的尝试和各种概念性术语的解释,更多的内容我们后边一步步聊,慢慢唠嗑,欢迎关注。

相似文章

@miles_mazy: https://x.com/miles_mazy/status/2087516591244361755

X AI KOLs Timeline

文章通过FDE路演经历,探讨企业AI落地真正缺少的不是模型,而是能把模型、业务、数据和组织责任连接起来的Forward Deployed Engineer(FDE),并阐述其职责、组织机制、技术与销售属性,以及科研证据方法在交付中的作用,提出一个FDE带一群Agent可完成AI转型交付的观点。

@ba_niu80557: https://x.com/ba_niu80557/status/2069042546886787419

X AI KOLs Timeline

本文深入探讨了 Forward Deployed Engineering (FDE) 在 AI 落地中的真正含义,强调 FDE 并非简单的 API 调用或搭建 Agent,而是面向生产落地的系统工程,包括业务翻译、系统设计、平台整合、生产运营和能力沉淀。

@ba_niu80557: https://x.com/ba_niu80557/status/2062103965517721821

X AI KOLs Timeline

文章拆解了2026年Agent框架的六条设计路线(LangGraph、OpenAI Agents SDK、CrewAI、Dify、厂商原生SDK、Pi),并提供了基于状态管理、流程复杂度、人机交互、模型灵活性等维度的选型建议,适合需要在生产环境中选择Agent框架的团队参考。