强业务Agent太难了，一方面你希望大模型“懂你没说的东西”，体现出智能、推理与容错能力；另一方面，你又希望它“不要出错”，像规则系统一样精准可靠。
- 像不像女人对男人的要求？
- 像不像你老板对你的要求？
Agent做不到精准的根本原因：强业务逻辑往往依赖于 MCP 服务的支撑，而大模型与 MCP 之间的连接本质上是自然语言的“匹配博弈”：MCP 通过描述（Description）告诉模型“我能做什么、需要什么参数”；模型则依据用户提供的 prompt 去判断“该用哪个接口、怎么填参数”。 最终能否成功调用接口并准确填充参数，取决于三件事：
- 用户说了什么（intent 是否清晰）；
- MCP 描述了什么（能力表达是否充分）；
- 模型撮合得怎样（是否理解意图并正确匹配）。
这个过程——既模糊又依赖默契，像极了我女朋友和我之间的拉扯： 我猜你需要什么，你猜你想表达什么，最后还得一起决定谁来做这件事，而且不能出错。
人类之间的高质量沟通，需要长期共情、理解上下文、积累语境，而我们现在却希望一个模型在冷启动时就能一次做好。
换个角度看：
| 感情中的“女人的要求” | Agent 中对大模型的要求 |
|---|---|
| 懂我、猜中我没说出口的东西 | 推理上下文中未显式表达的变量、意图 |
| 不出错，别瞎猜 | 避免生成错误信息、不要臆断业务流程 |
| 情绪稳定、响应得体 | 输出自然得体、不犯错、还能容错 |
| 不要问太多问题 | 模型不能老是反问用户，打断体验 |
这意味着什么？
要在“智能 + 精确”的夹缝里搞定大模型 Agent，我们就得像做情感经营一样“降期望 + 建规则 + 提示清晰”：
- 不要假设模型能读心：就像不要假设男人能一次就读懂你所有潜台词；
- 多一些结构约束：就像约定节日该送什么、吵架不要提旧账；
- 建立清晰反馈机制：出错了要能让模型知道是哪里错，像感情里的“讲清楚问题在哪里”。
