由 Chatbot 到 AI Agent:Tool Calling 與 MCP

一位訓導主任問過一條看似簡單的問題:「AI 可不可以幫我算出這個月哪些學生遲到超過三次,然後草擬給家長的通知?」

答案是:單靠聊天模型不可以,而且原因值得理解。模型不知道你校的出席紀錄,也不會做可靠的算術——它是逐字預測文字的系統,不是計算器。但如果我們給它一個計算機和一條查詢出席紀錄的通道,情況就完全不同了。

給它一個計算機和一部電話

想像你請一位知識非常廣博的助教。你問她「本校上月平均出席率」,她不會知道,因為那不在任何書本裡。你問她「3,847 除以 41 等於多少」,她心算會出錯。

但如果你在她桌上放一個計算機,再給她一部可以打去校務處的電話,並告訴她:「不會算的按計算機,不知道的打電話問校務處」——她立刻可以處理剛才那兩條問題。

Tool Calling(工具呼叫)就是在做這件事。 我們預先告訴模型:你可以使用這幾個工具,每個工具叫甚麼名字、做甚麼、需要甚麼資料。模型遇到自己做不了的事,就提出使用某個工具。

這裡有一個關鍵、而且經常被誤解的細節:模型自己不會執行任何動作。 它只是輸出一句結構化的請求,意思是「請幫我用『查詢出席紀錄』這個工具,參數是九月與遲到次數大於三」。真正去查資料庫的是你的系統,而系統可以拒絕、可以要求人手確認、可以記錄下來。這個分工正是學校能夠安全使用它的基礎。

由聊天機械人到 Agent

有了工具之後,再加一件事就成為 Agent:讓它自己看結果、自己決定下一步。

聊天機械人的流程是一問一答。Agent 的流程是一個循環:

1. 理解目標(「找出遲到超過三次的學生並草擬通知」);
2. 拆解步驟(先查紀錄、再統計、再逐位草擬);
3. 選工具並執行;
4. 看結果——如果查不到,換個查法;如果數字奇怪,再核對一次;
5. 重複,直到完成或需要人手介入。

這個循環的威力與風險是同一件事。它可以自己解決中途的小障礙,但也可以在你沒留意的情況下連續做十件事。所以學校用 Agent 的第一條原則不是技術,而是權限設計:哪些工具只能讀、哪些能寫、哪些必須人手按確認。

更多實際流程設計見 由聊天機械人到 AI Agent。

MCP:統一的插座標準

現在講一個乾淨的比喻。

十幾年前,每部手機有自己的充電接頭。換手機就要換一整套充電線、車充、旅行插座。後來業界統一了規格,一條線可以充所有裝置。

AI 工具的世界原本正是「每部手機一個接頭」。學校的圖書館系統要接上 OpenAI 要寫一套整合,要接上 Anthropic 又要寫另一套,換供應商等於重做一次。

MCP(Model Context Protocol)就是那個統一的插座標準。 它是一套開放標準,規定工具與資料來源應該怎樣向 AI 應用自我描述、怎樣被呼叫。官方文件用的比喻是「AI 應用的 USB-C 接口」:定義了一種標準接法,任何符合標準的工具都可以接上任何符合標準的模型或應用。

對學校的意義非常具體:

• 不被鎖死。 學校為圖書館系統或成績系統做一次整合,理論上可以在不同供應商之間沿用。
• 工具可以累積。 一個科組做的工具,其他科組可以直接接上,不必重寫。
• 議價能力留在學校。 換模型的成本降低,學校就不必因為「整合太麻煩」而被迫續約。

要說清楚一點:標準本身不解決安全問題。一個接上校務系統的工具,權限設計、稽核紀錄與防止提示注入,仍然要逐項處理,見 AI 護欄 與 提示注入與越獄防護。

至於 Edor.ai:我們現時的教師工具與智能導師以檢索與模板為核心,對外開放的 MCP server 能力屬於規劃中的方向,並非已推出的功能。我們寧願先把知識庫與守門做穩,再談行動能力。

一個課室裡的例子

一所小學的行政組每個月都要做同一件事:核對上月出席紀錄、找出缺席率偏高的學生、按名單草擬家長關注信、把個案清單交給輔導組。四個步驟,分別在三個不同系統之間手抄,一位同事要花大半天。

如果把它設計成一個帶工具的流程,分工會是這樣:

• 「查詢出席紀錄」工具:只能讀,由系統自動執行;
• 「計算與排序」工具:只能算,自動執行;
• 「草擬信件」:由模型生成,套用學校範本與稱謂;
• 「發送給家長」:必須由主任按確認才執行,而且草稿要先呈上;
• 全程寫入稽核紀錄,誰在甚麼時候批准了甚麼,可以追溯。

值得注意的是,最省時間的三步都是低風險的讀取與計算,而唯一高風險的一步(對外發送)保留人手確認。這個切法不是妥協,而是正確設計。 學校自動化的目標從來不是移除教師判斷,而是移除抄寫。

這對你的課堂意味甚麼

1. AI 算不準數字不是缺陷,而是它的本質。 涉及分數、統計、日期計算的任務,要靠工具而不是靠模型心算。這一點可以直接告訴學生。
2. 能力越大,權限設計越重要。 評估任何「AI 自動化」方案時,第一條問題是:哪些動作不需人手確認?答不出來的方案不應該引入。
3. 問供應商是否採用開放標準。 這是一條有長遠價值的採購問題,關乎學校日後換供應商的成本。
4. 對學生解釋「AI 會用工具」很有教育價值。 它把 AI 由魔法變成可理解的系統:它自己不知道答案,它去查;它自己不會算,它按計算機。

一個可以立即試的小練習

你不需要真的接上任何系統,也可以體驗這個機制。把以下提示貼進任何 AI 工具:

你現在只可以使用兩個工具,不可以自己憑記憶回答:
工具一叫「查出席」,需要提供月份與班別,會回傳該班的出席紀錄。
工具二叫「算平均」,需要提供一組數字,會回傳平均值。
我的要求:請計算 5A 班九月的平均出席率,並指出遲到超過三次的學生。
請不要直接給答案。請逐步寫出你會依次呼叫哪個工具、傳入甚麼參數、以及拿到結果後下一步做甚麼。如果有任何一步是你無法用這兩個工具完成的,直接說明缺少甚麼工具。

你會看到它把任務拆成幾個呼叫,並且老實指出「缺少一個查遲到紀錄的工具」。這一段輸出就是 Agent 思考過程的縮影,而最後那句誠實的缺口報告,正是設計良好的 Agent 最有價值的行為。

接下來

前面幾課講的檢索、快取、工具呼叫,實際開發時通常不會從零手寫,而是用現成框架。那些框架在做甚麼、學校要不要理解它們,是下一課 LangChain 與 LlamaIndex 的內容。想回顧成本結構,回到 Context Caching 與成本控制;想看平台現有功能,見 功能總覽。