震惊！多mcp智能体交互可以这样搞！上次讲解了多模型交互的例子：https://juejin.cn/post/75187

上次讲解了多模型交互的例子：juejin.cn/post/751876… 本次我们拆分各个的prompt，来看一下各prompt做了哪些事，并结合代码进行梳理。本次代码全部来自于github.com/yincongcyin…

整体流程概述：任务的智能拆解与执行

该自动化流程的核心在于将一个“主要任务”分解为若干可管理的“子任务”，并为每个子任务匹配最合适的执行者。这个执行者可能是特定的多模态计算平台（MCP）服务，也可能是**大模型（LLM）**本身。整个过程呈现为一个循环迭代的模式，直至所有子任务完成并最终汇总结果。

其具体步骤如下：

Prompt拆分任务： 流程伊始，系统会接收一个主任务，并利用一个专业的**“深度研究员”角色**的Prompt，将主任务拆解为一系列自动化子任务。这个“深度研究员”的职责是分析主任务，确定“输出专家”生成最终可交付成果所需的所有数据或信息，并设计详细的子任务执行过程。它还会忽略最终输出形式，只专注于数据的收集与信息的提供。
子任务分配： 拆分出的每个子任务会根据其需求和MCP服务的不同描述进行智能分配。如果存在适合的MCP服务，则直接分配给该服务；若无匹配，则任务会直接分配给大模型（llm_tool）本身进行处理。
大模型功能配置： 针对已分配的子任务，系统会为大模型配置不同的function call（函数调用），以确保大模型能够针对性地处理该子任务，获取所需的数据或信息。
循环询问与判断： 子任务完成后，系统会对大模型进行下一轮的询问，以判断是否还有未完成的子任务。这是一个关键的反馈循环机制，确保任务的持续推进。
迭代执行： 如果判断有剩余子任务，流程将回到步骤2至4，继续进行子任务的分配、处理和询问。
结果总结： 当所有子任务都完成后，流程将进入总结阶段，返回与主要任务相关的最终结果。

核心prompt展示

拆分任务prompt: 角色：\n* 您是一名专业的深度研究员。您的职责是利用一支由专业智能代理组成的团队来规划任务，为“输出专家”收集充分且必要的信息。\n* 输出专家是一名强大的代理，能够生成诸如文档、电子表格、图像、音频等可交付成果。\n\n职责：\n1. 分析主要任务，并确定输出专家生成最终可交付成果所需的所有数据或信息。\n2. 设计一系列自动化子任务，每个子任务都由一个合适的“工作代理”执行。仔细考虑每个步骤的主要目标，并创建一份规划大纲。然后，定义每个子任务的详细执行过程。\n3. 忽略主要任务所需的最终可交付成果：子任务只专注于提供数据或信息，而非生成输出。\n4. 基于主要任务和已完成的子任务，生成或更新您的任务计划。\n5. 判断是否已为输出专家收集到所有必需的信息或数据。\n6. 跟踪任务进度。如果计划需要更新，请避免重复已完成的子任务——只生成剩余的必要子任务。\n7. 如果任务简单且可以直接处理（例如，编写代码、创意写作、基本数据分析或预测），请立即使用 llm_tool，无需进一步规划。\n\n可用工作代理：\n{{range $i,$ tool := .assign_param}}- 代理名称：{{ $tool.tool_name}}\n 代理描述：{{$ tool.tool_desc}}\n{{end}}\n\n主要任务：\n{{.user_task}}\n\n输出格式（JSON）：\n\njson\n{\n "plan": [\n {\n "name": "第一个任务所需的代理名称",\n "description": "执行步骤1的详细说明"\n },\n {\n "name": "第二个任务所需的代理名称",\n "description": "执行步骤2的详细说明"\n },\n ...\n ]\n}\n",

他的返回结果

循环任务prompt: 主要任务： {{.user_task}}\n\n已完成的子任务：\n{{range $task,$ res := .complete_tasks}}\n\t- 子任务：{{$task}}\n{{end}}\n\n当前任务计划：\n{{.last_plan}}\n\n请根据以上信息创建或更新任务计划。如果任务已完成，请返回一个空的计划列表。\n\n注意：\n- 仔细分析上次完成的子任务的完成状态，以确定下一个任务计划。\n- 适当且合理地补充细节，以确保工作代理或工具拥有足够的执行任务的信息。\n- 扩展后的描述不得偏离子任务的主要目标。

可以通过日志看出调用哪些mcp

总结任务prompt: 根据问题，用纯文本格式总结搜索结果和其他参考信息中的要点。\n\n主要任务：\n{{.user_task}}"

deepseek的返回展示：

为何要根据 MCP 服务区分 Function Call？

根据您提供的信息，之所以要根据 MCP（多模态计算平台）服务的不同来区分 Function Call，主要有两个核心原因：

避免大模型上下文超限： 大模型（LLM）的请求存在严格的上下文（Context）字数限制。如果将所有的 MCP Function 都直接塞入大模型的请求上下文中，很可能导致上下文长度超出限制，从而无法正常进行处理。
优化 Token 使用效率： 将大量 MCP Function 塞入上下文会显著增加 Token 的使用量。Token 是衡量大模型计算成本和效率的关键单位，Token 数量的增加意味着更高的成本和更长的处理时间。通过区分 Function Call，系统可以只将与当前子任务最相关的 Function Call 提供给大模型，从而大幅降低 Token 的消耗，提升整体效率。

简而言之，这种区分 Function Call 的策略是为了在保证大模型处理能力的同时，优化资源使用效率，避免不必要的上下文膨胀和Token浪费。

telegram-deepseek-bot 核心方法详解

ExecuteTask() 方法

func (d *DeepseekTaskReq) ExecuteTask() {
    // 设置15分钟超时上下文
    ctx, cancel := context.WithTimeout(context.Background(), 15*time.Minute)
    defer cancel()
    
    // 准备任务参数
    taskParam := make(map[string]interface{})
    taskParam["assign_param"] = make([]map[string]string, 0)
    taskParam["user_task"] = d.Content
    
    // 添加可用工具信息
    for name, tool := range conf.TaskTools {
        taskParam["assign_param"] = append(taskParam["assign_param"].([]map[string]string), map[string]string{
            "tool_name": name,
            "tool_desc": tool.Description,
        })
    }
    
    // 创建LLM客户端
    llm := NewLLM(WithBot(d.Bot), WithUpdate(d.Update),
        WithMessageChan(d.MessageChan))
    
    // 获取并发送任务分配提示
    prompt := i18n.GetMessage(*conf.Lang, "assign_task_prompt", taskParam)
    llm.LLMClient.GetUserMessage(prompt)
    llm.Content = prompt
    
    // 同步发送请求
    c, err := llm.LLMClient.SyncSend(ctx, llm)
    if err != nil {
        logger.Error("get message fail", "err", err)
        return
    }
    
    // 解析AI返回的JSON任务计划
    matches := jsonRe.FindAllString(c, -1)
    plans := new(TaskInfo)
    for _, match := range matches {
        err = json.Unmarshal([]byte(match), &plans)
        if err != nil {
            logger.Error("json umarshal fail", "err", err)
        }
    }
    
    // 如果没有计划，直接请求总结
    if len(plans.Plan) == 0 {
        finalLLM := NewLLM(WithBot(d.Bot), WithUpdate(d.Update),
            WithMessageChan(d.MessageChan), WithContent(d.Content))
        finalLLM.LLMClient.GetUserMessage(c)
        err = finalLLM.LLMClient.Send(ctx, finalLLM)
        return
    }
    
    // 执行任务循环
    llm.LLMClient.GetAssistantMessage(c)
    d.loopTask(ctx, plans, c, llm)
    
    // 最终总结
    summaryParam := make(map[string]interface{})
    summaryParam["user_task"] = d.Content
    llm.LLMClient.GetUserMessage(i18n.GetMessage(*conf.Lang, "summary_task_prompt", summaryParam))
    err = llm.LLMClient.Send(ctx, llm)
}

loopTask() 方法

func (d *DeepseekTaskReq) loopTask(ctx context.Context, plans *TaskInfo, lastPlan string, llm *LLM) {
    // 记录已完成任务
    completeTasks := map[string]bool{}
    
    // 为任务创建专门的LLM实例
    taskLLM := NewLLM(WithBot(d.Bot), WithUpdate(d.Update),
        WithMessageChan(d.MessageChan))
    defer func() {
        llm.LLMClient.AppendMessages(taskLLM.LLMClient)
    }()
    
    // 执行每个子任务
    for _, plan := range plans.Plan {
        // 配置任务工具
        o := WithTaskTools(conf.TaskTools[plan.Name])
        o(taskLLM)
        
        // 发送任务描述
        taskLLM.LLMClient.GetUserMessage(plan.Description)
        taskLLM.Content = plan.Description
        
        // 执行任务
        d.requestTask(ctx, taskLLM, plan)
        completeTasks[plan.Description] = true
    }
    
    // 准备循环任务参数
    taskParam := map[string]interface{}{
        "user_task":      d.Content,
        "complete_tasks": completeTasks,
        "last_plan":      lastPlan,
    }
    
    // 请求AI评估是否需要更多任务
    llm.LLMClient.GetUserMessage(i18n.GetMessage(*conf.Lang, "loop_task_prompt", taskParam))
    c, err := llm.LLMClient.SyncSend(ctx, llm)
    
    // 解析新任务计划
    matches := jsonRe.FindAllString(c, -1)
    plans = new(TaskInfo)
    for _, match := range matches {
        err := json.Unmarshal([]byte(match), &plans)
    }
    
    // 如果有新任务，递归调用
    if len(plans.Plan) > 0 {
        d.loopTask(ctx, plans, c, llm)
    }
}

requestTask() 方法

func (d *DeepseekTaskReq) requestTask(ctx context.Context, llm *LLM, plan *Task) {
    // 同步发送任务请求
    c, err := llm.LLMClient.SyncSend(ctx, llm)
    if err != nil {
        logger.Error("ChatCompletionStream error", "err", err)
        return
    }
    
    // 处理空响应
    if c == "" {
        c = plan.Name + " is completed"
    }
    
    // 保存AI响应
    llm.LLMClient.GetAssistantMessage(c)
}