目录

我停止开发自有的数据分析智能体,将其中有用的部分重构为MCP服务器。让团队通过已经在用的AI工具访问可靠的数据,是更有意义的投入。

要点#

  • 开发自己的智能体,就要承担远超分析本身的产品责任。
  • 借助MCP服务器,可以通过现有的通用智能体提供专业数据和知识。
  • 有用的分析始于智能体接到请求之前:就指标定义达成共识,并准备好准确的数据。
  • 在决定开发另一个应用之前,先在团队现有的工具中试用工作流。

智能体变成了一个产品#

最初的目标很简单:在聊天界面提问,获取并解读数据,再将结果可视化。我使用Google Agent Development Kit(ADK)构建智能体并协调任务。

然而,分析只是工作的一部分。一个实用的应用还需要聊天界面、身份验证、会话处理、持久记忆、文件上传、资源管理,以及子智能体之间的协作规则。每项功能的开发都在挤占本可用于核心分析功能的时间。

原型可以省去其中一些功能。问题在于,用户会拿什么来比较。他们已经在使用Claude.ai、ChatGPT和Gemini,因此,另一个应用必须提供足以让他们付出切换成本的理由。

记忆功能暴露的成本#

记忆起初看起来很容易处理。只需从对话中提取有用的信息,保存下来,在需要时取出即可。难点在于判断该记住什么,以及何时应将过去的记忆用于新的回答。

考虑到修改和删除,问题就更复杂了。用户的偏好可能会改变,记住的前提也可能有误。mem0之类的服务可以减少实现工作,但仍然需要定义并验证这些行为。

还有一些切换成本,是在自己的应用内无法解决的。用户此前积累的上下文,已经存在于他们正在使用的助手中。重建记忆意味着需要用户从头重新提供这些上下文,而分析带来的好处未必值得他们付出这番精力。

将专业功能交给MCP#

我将整个应用替换为使用Model Context Protocol(MCP)的分析服务器,将其职责限定为返回准备好的数据并解释其含义。通过连接支持MCP的通用助手,我们提供了自身业务特有的功能。

这改变了开发范围。对话和可用的界面功能由宿主应用负责。我则专注于助手本身无法提供的数据和专业知识。可视化也可以利用Claude Artifacts等宿主端功能,只要这些功能可用。

如果要做类似的迁移,请将服务器的初始范围控制在较小规模。

1. 提供一个有用的预聚合数据集。 2. 提供其中指标和维度的定义。 3. 说明覆盖范围、数据时效性和已知限制。 4. 连接目标用户已经在用的助手。

先准备好数据,再开发智能体#

起初,我以为只要将AI模型接入BigQuery的execute_sql工具,或许就能获得有用的洞察。但这样还不够。准备不足时,输出往往只停留在“通勤时段的列车很拥挤”这类显而易见的观察上。

带来实质进展的是模型上游的工作。我们就需要跟踪的指标达成共识,完善每日汇总,并修正原始数据的采集方式。这些改变让助手能够给出有意义的解释。再多的任务协调也无法替代这些工作。

在为智能体添加功能之前,请确认以下四点。

  • 团队是否已就指标定义达成共识?
  • 所需数据是否得到准确采集?
  • 汇总过程是否可复现,结果是否保持最新?
  • 助手能否解释结果的局限?

复用也有局限#

迁移时不必推倒重来。许多分析代码仍然有用,新服务器则使用了FastMCP。将数据相关功能与外围应用分离,也带来了简化实现的机会。

通过Claude.ai的连接器将MCP服务器分享给团队后,同事们发来了使用案例。这些案例有助于证明它确实在被使用,但并不能证明其准确性,也不能证明它带来了可量化的时间节省。这些仍需验证。

使用MCP并不意味着所有产品责任都会消失。数据访问仍需遵守权限限制,不同宿主可用的功能也有所不同。如果现有宿主无法实现所需的工作流、界面或控制,就有理由开发自己的应用。但对于我们的基本分析需求,我没有找到足以支持开发整个产品的理由。

下一步#

选择一个反复出现的分析问题,让团队正在使用的助手通过单个MCP工具就能回答它。就指标定义达成共识,并将结果与可信的报告进行核对。

来源: https://blog.mudatobunka.org/entry/2026/11/05/100000

目录