Lesson 08 练习

改 code.py（自包含教学版）观察变化，或在 kb-qa 项目里验证生产版 mcp_server.py。

练习 1：给 server 加第二个工具 `ask_knowledge_base`

L08 讲了两个粒度：search（只返材料）vs ask（检索+生成完整答案）。在 code.py 的 build_server() 里加一个 ask_knowledge_base(question)，用假检索拿材料后拼一句「根据材料，……」的答案返回。

@mcp.tool()
async def ask_knowledge_base(question: str) -> str:
    """检索 + 生成完整答案（适合只想拿答案、不想自己拼 prompt 的 host）。"""
    hits = _fake_retrieve(question)
    return f"根据知识库材料：{hits[0]['content']}"

思考：为什么 L09 的 Agent 集成默认推 search 而非 ask？（提示：Agent 要「原料」自己综合，不要「成品」——给工具使用者留决策空间。）

练习 2：把工具描述改烂，观察后果

把 search_knowledge_base 的 docstring 改成模糊的「查东西的工具」。在真实 host（Claude Desktop）里注册后，观察 LLM 还会不会在「问公司制度」时正确选它。

思考：MCP 工具的 description 是 LLM 选用工具的唯一依据。生产版描述写清了「查什么/返回什么/何时用」——这不是文档，是让工具「可被正确调用」的功能代码。

练习 3：教学版 vs 生产版的差距在哪？

对比 code.py（假检索）和 portfolio-projects/knowledge-base-qa/mcp_server.py（真 KBRetriever）。列出生产版多做了哪些事：

同步检索为什么要 asyncio.to_thread 包一层？（教学版为什么不用？）
BM25 索引为什么要单例化（建一次答多次）？
stdio vs streamable HTTP 传输，kb-qa 为什么两种都支持？

思考：教学版让你看清「封 tool」的骨架；生产版的复杂度全在「让它在真实并发/启动成本下也能用」。这正是 demo 和生产的分界。

练习 4（进阶）：注册进 Claude Desktop 真跑一次

按 README 的 claude_desktop_config.json 片段，把 mcp_server.py 注册进 Claude Desktop（需已入库 + ZHIPUAI_API_KEY），重启后问「云帆科技试用期多久」，观察 Claude 是否自动调用了 search_knowledge_base。

思考：这一步验证的是 MCP 的终极价值——你没写一行 host 代码，Claude 就用上了你的知识库。这就是「M+N 集成」落到实处的样子。

✅ 完成本课后，你应该能回答

为什么已有 HTTP API 还要封 MCP？（接每个 host 的成本差异）
把业务能力映射成 MCP tool 要设计哪三样东西？
search 和 ask 两个粒度分别给谁用？为什么默认推 search？
同步检索在 async MCP 框架里为什么要 to_thread？
stdio 和 HTTP 传输各适合什么部署场景？