AI时代MCP+上下文工程能否替代AI智能体+Workflow工作流编排

图片

大家好，我是人月聊IT，今天接着聊AI和大模型方面的话题。

前段时间我在看了关于上下文工程的资料以后，我就一直在思考一个问题，就是我们把提示词升级到上下文工程以后，再结合MCP协议生态，能不能更好的去替代我们现在用AI智能体+Workflow做的这么一个事情。

图片

所以说基于这个疑问，我刚好昨天也用Google的DeepResearch做了一次深度研究，我的问题很简单，就是上下文工程加上MCP能不能替代AI智能体，整个深度研究报告输出来以后，他也给我做了详细的一个梳理和分析，最终的结论还是至少在当前这个阶段没有办法做到完全的一个替代。

图片

在深度研究报告中对两种模式进行了详细的分析和对比，并提出AI智能体在任务的规划分解，在反思、在记忆、在精确规则的处理上面仍然有巨大的一些优势。

对于我们常说的MCP协议，上下文工程底层的大模型，它更多的是底层能力和技术组件的提供，但是这些组件怎么用，怎么样去编排，怎么样通过精确的控制规则来满足你业务需求。在相当前诸多复杂的场景下面，我们仍然是需要通过AI Agent加Workflow去把这个事情做完。

但是我提出这个想法，我不是一时心血来潮，所以为了我验证我这个想法，我也做了一个简单的测试和验证。

大家都知道我们有一个最常见的结合AI的自动化场景。

就是每天提取当天的热点新闻，提取完了以后再形成一个文档，或者是形成一个邮件发送给大家，这个是一个很典型的多步骤处理，往往我们用AI智能体编排来实现的这么一个工程。

那么这个简单场景能否通过大模型+上下文工程+MCP公开你赶紧来做一个完整的实现呢？在这里我刚好就借助Trae+MCP工具来对这个场景做一个简单的验证和测试。

即我在不用AI Agent的情况下，对我需要做的事情做了相关的流程化的分解，每一步处理流程我又做了详细的规则的约束。

第一步我是你要去用相关的获取网页的MCP的工具，到某个特定的网站去获取相关的热点新闻信息，你还需要进到第二页里面获取到详细内容，并把它总结为摘要。

第二步我需要你将过去的信息形成一个本地的markdown文件。

第三步在形成了文件以后，我还需要你把这个文件转成一个PDF文档，我去把相关的步骤去做了详细的分解。

我们首先来看下我定义的完整提示语md文件。

自动抓取和总结新闻Agent

任务目标：
⦁获取热点新闻网站新闻内容并生成本地markdown格式新闻文件

使用工具：
⦁我需要你使用 newsnews_scraper.py 程序对网页信息进行获取
⦁我需要你使用Sequencial Thinking MCP 工具分步骤对内容进行执行

具体流程步骤
流程1-爬取网站热点技术新闻信息和总结
⦁step1: 访问 https://rebang.today/tech 获取科技热点信息，并获取新闻标题和新闻详细页面链接
⦁step2: 打开每个热点新闻获取新闻的具体内容网页，获取文字内容，并将文字内容总结为150字内的总结
⦁rule1: 只访问最多前10条热点科技新闻

流程2-将新闻内容写入到markdown文件中
⦁step1: 将process1获取到的新闻标题和内容概要写入到当前目录下一个新创建的markdown文件中
⦁rule1: 新创建的markdown文件名为 YYYY年MM月DD日热点新闻，具体字母用当日具体的日期值替换
⦁rule2:  标题为  YYYY年MM月DD日热点新闻，具体字母用当日具体的日期值替换，采用一级标题
⦁rule3：新闻标题采用二级标题，热点新闻内容为正文内容。

流程3-将markdown文件内容生成一个独立的pdf文件
⦁step1: 运行当前目录下的 md2pdf.py 程序，将上一个流程生成的markdown文件转化为一个独立的pdf文件
⦁rule1: 新生成的pdf文件直接存储在当前目录下
⦁rule2：如果已经存在同名pdf文件，需要你先删除历史文件

然后我结合Trae提供的Sequencial MCP工具，这个工具本来就是一个按顺序分步骤思考和执行的一个MCP工具，所以说他拿到了这个详细的提示语以后，他一样的他就会按我的步骤详细去做这个事情，包括去爬取网页的信息，去总结摘要，去形成markdown格式文档。

包括将markdown格式文档再去转成PDF的过程中，他还自己去写了一段Python程序，去执行这个动作，最后完完整整的输出了一个PDF文档给我。最终在执行完成后给出的总结如下：

基于执行完成的输出的PDF文档效果如下：

所以通过这个简单的验证，我仍然是坚持我的观点，就是随着MCP协议生态的成熟，我们的上下文工程加MCP工具，再加上本地生成的精确处理问题的Python的代码，这三者加起来是一定可以代替大部分当前的AI智能体加Work flow的。

我始终坚信这么一个观点，大家可以思考一下我为什么这样讲？我们讲的一些深度思考推理能力，我们可以用刚才我说到的Sequencial MCP工具来完成。

我需要去爬取网页，有爬取网页的MCP的工具，我需要去精确的处理一些文件内容，我可以形成本地化的Python代码，我需要把处理完的内容存到我的数据库，还有连接本地数据库的MCP的工具，所有的东西其实都可以在本地更加高效，通过上下文工程提示语来把它完成掉。

图片

通过这个小场景测试，也基本验证了我前面提出的关键思路，即：

其一：不涉及到精确算法，精确规则，精确步骤处理的场景，都不需要用Agent去实现。直接用大模型+MCP+上下文工程的思路大部分问题都能够解决。而且要注意自己提示词的结构化处理，方便后续管理和维护。

其二：就是涉及到精确处理的场景，不是去做大量的信息孤岛的Agent，而是应该在当前已有的IT应用整体架构，技术架构上纳入大模型技术底座的能力，将大模型的能力作为API开放给上层IT系统使用。那么你不应该去开发一个个独立的Agent，而是对当前已有的IT系统功能进行新增或优化变更，你新增的功能是自然融入到当前整体IT应用架构的，而不是游离在外面的要给孤岛。

好了，这个就是我个人的一些观点，今天的简单分享就到这里。