AI 助手 (agent) 最近非常火, 本文就来编写一个非常简单 (简陋) 的 agent !
在上一篇文章中, 我们编写了一个简单的 MCP 工具 (mcp-run), 可以让 AI 在本地执行命令. 但是上一篇文章中没有 AI, 我们只是通过手动粘贴 JSON-RPC 文本的方式, 测试了 MCP 工具. 本文就来让 AI 实际调用这个工具.
警告 (免责声明): 本文中的代码仅用于帮助 人类 理解 agent 的工作原理, 请勿实际使用 !! 本文中的代码有明显的安全问题 (缺少权限控制), 强烈建议只在 虚拟机 中进行测试.
这里是 (希望消除 稀缺 的) 穷人小水滴, 专注于 穷人友好型 低成本技术. (本文为 92 号作品. )
相关文章:
- 《(AI) 编写简单 MCP 工具 (mcp-run)》 juejin.cn/post/763471…
- 《在 VirtualBox 虚拟机中安装 Fedora CoreOS 操作系统》 juejin.cn/post/754656…
- 《流浪 Linux: 外置 USB SSD 安装 ArchLinux》 juejin.cn/post/746606…
- Android 禁止侧载将正式实施，需要等待 24 小时冷静期
- 《制造一只电子喵 (qwen2.5:0.5b 微调 LoRA 使用 llama-factory)》 juejin.cn/post/749194…
- 《在容器 (podman) 中运行虚拟机 (QEMU/KVM, libvirt)》 juejin.cn/post/740806…
参考资料:
- api-docs.deepseek.com/zh-cn/quick…
- platform.deepseek.com/usage
- archlinux.org/download/
- wiki.archlinux.org/title/Archi…
- www.virtualbox.org/wiki/Downlo…
- nodejs.org/docs/latest…
- nodejs.org/docs/latest…
- www.npmjs.com/package/ope…
目录
- 1 编写代码 (node.js)
- 1.1 加载配置文件 (json)
- 1.2 调用 MCP 工具
- 1.3 调用 deepseek API
- 1.4 agent 循环
- 2 测试运行 (虚拟机)
- 2.1 配置虚拟机 (virtualbox, archlinux)
- 2.2 上传代码并配置 API KEY
- 2.3 功能测试
- 3 自举: 让 AI 编写 AI 用的 MCP 工具 (狗头)
- 3.1 编写代码 (mcp-js)
- 3.2 实际测试
- 4 总结与展望
- 附录 1 ds-agent 完整源代码
- 附录 2 mcp-js 完整源代码
1 编写代码 (node.js)
ds-agent 使用 node.js 运行环境, 编程语言为 js.
1.1 加载配置文件 (json)
为了方便, ds-agent 使用 2 个配置文件. 首先是 配置.json:
{
"deepseek": {
"apiKey": "your-deepseek-api-key-here",
"baseURL": "https://api.deepseek.com",
"model": "deepseek-v4-flash",
"temperature": 0.7,
"maxTokens": 32768
},
"system": "你是 AI 助手 「小喵」, 可以按需调用工具, 帮助用户执行任务.\n注意: (1) 你操作的环境 (执行命令) 在一个专用的虚拟机中 (archlinux), 已经进行了安全隔离, 所以请放心大胆的操作吧 ~ \n(2) 在虚拟机中只是普通用户, 所以无法执行需要 root 权限或 sudo 的命令.\n"
}
包括 API KEY, 模型参数, 系统提示.
然后是 mcp.json:
{
"mcpServers": {
"stool_mcp_run": {
"command": "node",
"args": [
"../mcp-run/index.js"
],
"env": {
"DEBUG": "0"
},
"disabled": false
}
}
}
这个用于配置本地 MCP 工具. 此处的 mcp-run 就是在上一篇文章中编写的 MCP 工具.
因为配置文件都是标准的 JSON 格式, 所以加载起来很方便:
// 配置文件名
const 配置文件 = "配置.json";
const 配置文件MCP = "mcp.json";
async function 加载JSON(文件名) {
const 文本 = await fs.readFile(文件名, {
encoding: "utf8",
});
return JSON.parse(文本);
}
export async function 加载配置() {
return {
配置: await 加载JSON(配置文件),
MCP: await 加载JSON(配置文件MCP),
};
}
1.2 调用 MCP 工具
和上一篇文章类似, 我们也使用 @modelcontextprotocol/sdk 工具包来处理 MCP 协议.
// 配置: mcp.json
export async function 初始化MCP(配置) {
// 保存 MCP server
const 服务 = new Map();
// 工具名称 -> MCP 服务器
const 名单 = new Map();
// 工具列表
const 工具 = [];
// 跳过禁用的 MCP 服务器 (mcp.json)
const s = Object.entries(配置.mcpServers).filter(([_, 参数]) =>
!参数.disabled
);
// 初始化每个 MCP 服务器
for (const [名称, 参数] of s) {
console.log("❀ 初始化 MCP 服务器: " + 名称);
const 客户端 = new Client({
name: "ds-agent",
version: "0.1.0",
}, {
capabilities: {},
});
// STDIO
const { command, args, env } = 参数;
const 传输 = new StdioClientTransport({
command,
args,
env,
});
await 客户端.connect(传输);
服务.set(名称, 客户端);
// 处理每个工具
const { tools } = await 客户端.listTools();
for (const i of tools) {
console.log(" 工具: " + i.name);
// 检查重名
if (名单.has(i.name)) {
throw new Error("工具名称重复 " + i.name);
}
// TODO 工具重名处理
名单.set(i.name, 名称);
工具.push({
type: "function",
function: {
name: i.name,
description: i.description,
parameters: i.inputSchema,
},
});
}
}
使用 STDIO 传输方式 (启动并) 连接配置的所有 MCP 服务器, 获取工具列表, 存起来.
async function 调用工具(名称, 参数) {
// 获取工具
const 服务器名称 = 名单.get(名称);
if (!服务器名称) {
throw new Error("工具 " + 名称 + " 不存在");
}
const 客户端 = 服务.get(服务器名称);
if (!客户端) {
throw new Error("工具 " + 名称 + " 不存在 (内部错误 2)");
}
// 调用
const 结果 = await 客户端.callTool({
name: 名称,
arguments: 参数,
});
// 返回结果
// TODO 更完善的数据处理
return 结果.content[0].text;
}
调用工具时, 查找工具, 并调用对应的 MCP 服务器, 返回结果.
1.3 调用 deepseek API
这是调用 AI 大模型 (LLM) 的部分:
// 配置: 配置.json
export async function 初始化ds(配置) {
const ds = new OpenAI({
apiKey: 配置.deepseek.apiKey,
baseURL: 配置.deepseek.baseURL,
});
// messages: 发送给 deepseek 的消息列表 (历史对话)
// tools: 工具定义
async function 调用(messages, tools) {
const 参数 = {
messages,
tools,
model: 配置.deepseek.model,
temperature: 配置.deepseek.temperature,
max_tokens: 配置.deepseek.maxTokens,
tool_choice: "auto",
};
//console.log("DEBUG", 参数);
// 调用 API 耗时计算
const 开始 = Date.now();
const 结果 = await ds.chat.completions.create(参数);
const 时长 = Date.now() - 开始;
const usage = 结果.usage || {};
// DEBUG
console.log(
`❀ [调用 deepseek] 用时 ${时长}ms | 输入 ${usage.prompt_tokens} | 输出 ${usage.completion_tokens} | 总计 ${usage.total_tokens}tokens`,
);
return 结果;
}
return 调用;
}
传递相应的参数即可. 此外还有调用 API 耗时计算, 消耗 token 显示等功能, 方便调试.
1.4 agent 循环
这是 agent 的核心, 其实就是一个主循环:
// 一次对话 (人类 指令) 的处理
//
// 配置: 配置.json
// mcp: 调用 MCP 工具
// ai: 调用 LLM API
// 指令: 本次 人类 下达的指令
// 聊天记录: 人类 可连续多次下达指令, 保留之前的上下文
export async function 执行任务(配置, mcp, ai, 指令, 聊天记录 = []) {
const 聊天 = Array.from(聊天记录);
// 系统消息 (初始化)
if (聊天.length < 1) {
聊天.push({
role: "system",
content: 配置.system,
});
}
// 本次指令
聊天.push({
role: "user",
content: 指令,
});
// 主循环
for (let i = 0;; i += 1) {
console.log(`❀ [agent] 第 ${i + 1} 次调用 AI, 聊天长度 ${聊天.length}`);
const 响应 = await ai(聊天, mcp.工具);
const 结果 = 响应.choices[0];
if (!结果) {
console.log("❀ 错误: AI 没有返回结果 !");
break;
}
const { message } = 结果;
// 保存聊天记录
聊天.push(message);
// 输出 AI 响应
if (message.reasoning_content) {
console.log("❀ 思考:", message.reasoning_content);
}
if (message.content) {
console.log("❀ 回答:", message.content);
}
// 处理 工具调用
if (message.tool_calls && (message.tool_calls.length > 0)) {
for (let j = 0; j < message.tool_calls.length; j += 1) {
const 工具 = message.tool_calls[j];
console.log(
`❀ 工具调用 (${
j + 1
}/${message.tool_calls.length}): ${工具.function.name} 参数: ${工具.function.arguments}`,
);
// 此处应该进行错误处理
try {
const 参数 = JSON.parse(工具.function.arguments);
const 工具结果 = await mcp.调用工具(工具.function.name, 参数);
console.log("❀ 工具结果: ", 工具结果);
// 保存工具结果
聊天.push({
role: "tool",
tool_call_id: 工具.id,
content: 工具结果,
});
} catch (e) {
console.error(e);
// 把错误返回给 AI
聊天.push({
role: "tool",
tool_call_id: 工具.id,
content: e.message,
});
}
}
} else {
// 无需 工具调用, 本次处理结束
break;
}
}
return 聊天;
}
处理过程很简单:
-
(1) 拼接聊天记录, 把人类指令发送给 AI. 注意每次调用 AI (API), 都会把整个聊天记录重新发送给 AI.
-
(2) 显示 AI 返回的结果. 如果有工具调用, 就调用相应的工具, 并把工具返回的结果追加到聊天记录. AI 可能一次返回多个工具调用, 依次执行.
-
(3) 循环. 如果没有更多工具调用, 任务执行结束.
最后, 把上述几个模块组装起来, 首先是初始化:
// 执行入口
async function main() {
// 初始化
const 配置 = await 加载配置();
const ai = await 初始化ds(配置.配置);
const mcp = await 初始化MCP(配置.MCP);
// 初始化完成
console.log(`❀ 共 ${mcp.工具.length} 个工具, 系统: ${配置.配置.system}`);
然后读取用户的输入, 并调用 agent:
// 从 stdin 读取输入 (单行)
const 输入 = readline.createInterface({
input: process.stdin,
output: process.stdout,
prompt: "ai> ",
});
输入.prompt();
// 保存 聊天记录
let 聊天 = [];
// 处理用户输入
输入.on("line", async (文本) => {
// 退出指令
if (文本.trim() == ".exit") {
await 退出();
return;
}
// 忽略空白行
if (文本.trim().length < 1) {
输入.prompt();
return;
}
// 调用 agent
const 结果 = await 执行任务(配置.配置, mcp, ai, 文本, 聊天);
聊天 = 结果;
输入.prompt();
});
// 退出
输入.on("close", 退出);
}
这个类似 REPL, 用户 (人类) 每次输入一行指令, 然后调用 agent 用 AI 处理.
好了, ds-agent 的实现就是这么简单 !
2 测试运行 (虚拟机)
接下来进行实际测试.
目前的 AI 本质上都是不可靠的, 存在安全问题. 所以, 此处选择在一个专用的虚拟机中运行 AI (agent), 也就是隔离起来.
虚拟机 是目前云计算广泛使用的技术, 虽然也不是绝对安全, 但已经具有很高的安全程度了.
2.1 配置虚拟机 (virtualbox, archlinux)
首先我们创建一个 virtualbox 虚拟机, 在里面安装 archlinux.
建议使用 archinstall 进行安装, 只需选几个配置选项即可, 很简单.
具体参考官方文档.
然后配置好 SSH 登录, 能够方便的通过公钥登录到虚拟机. 本机 (物理机) 配置类似这样:
> cat ~/.ssh/config
# virtualbox arch202605ai1
Host arch202605ai1
HostName 10.213.5.2
User ai1
IdentityFile ~/.ssh/id_ed25519-arch202605ai1-20260502
测试登录:
> ssh arch202605ai1
Welcome to fish, the friendly interactive shell
Type help for instructions on how to use fish
ai1@arch202605ai1 ~> uname -a
Linux arch202605ai1 7.0.3-arch1-1 #1 SMP PREEMPT_DYNAMIC Thu, 30 Apr 2026 18:41:12 +0000 x86_64 GNU/Linux
ai1@arch202605ai1 ~> id
uid=1000(ai1) gid=1000(ai1) groups=1000(ai1),998(wheel)
虚拟机的 "硬件" (资源) 配置如下:
ai1@arch202605ai1 ~> free -h
total used free shared buff/cache available
Mem: 7.7Gi 387Mi 7.4Gi 2.7Mi 146Mi 7.4Gi
Swap: 3.9Gi 0B 3.9Gi
ai1@arch202605ai1 ~> df -h
Filesystem Size Used Avail Use% Mounted on
dev 3.9G 0 3.9G 0% /dev
run 3.9G 684K 3.9G 1% /run
/dev/sda2 49G 2.2G 47G 5% /
省略
/dev/sda2 49G 2.2G 47G 5% /home
/dev/sda2 49G 2.2G 47G 5% /var/log
/dev/sda2 49G 2.2G 47G 5% /var/cache/pacman/pkg
/dev/sda1 1022M 42M 981M 5% /boot
ai1@arch202605ai1 ~> lscpu
Architecture: x86_64
CPU op-mode(s): 32-bit, 64-bit
Address sizes: 48 bits physical, 48 bits virtual
Byte Order: Little Endian
CPU(s): 4
On-line CPU(s) list: 0-3
Vendor ID: AuthenticAMD
Model name: AMD Ryzen 7 5825U with Radeon Graphics
CPU family: 25
Model: 80
Thread(s) per core: 1
Core(s) per socket: 4
Socket(s): 1
Stepping: 0
Microcode version: 0xa500012
BogoMIPS: 3992.51
Flags: fpu vme de pse tsc msr pae mce cx8 apic sep mtrr pg
e mca cmov pat pse36 clflush mmx fxsr sse sse2 ht s
yscall nx mmxext fxsr_opt rdtscp lm constant_tsc re
p_good nopl xtopology nonstop_tsc cpuid extd_apicid
tsc_known_freq pni pclmulqdq ssse3 fma cx16 sse4_1
sse4_2 x2apic movbe popcnt aes xsave avx f16c rdra
nd hypervisor lahf_lm cmp_legacy svm cr8_legacy abm
sse4a misalignsse 3dnowprefetch vmmcall fsgsbase b
mi1 avx2 bmi2 invpcid rdseed adx clflushopt sha_ni
arat nrip_save flushbyasid decodeassists debug_swap
Virtualization features:
Virtualization: AMD-V
Hypervisor vendor: KVM
Virtualization type: full
NUMA:
NUMA node(s): 1
NUMA node0 CPU(s): 0-3
省略
ai1@arch202605ai1 ~> ls -li /dev/kvm
650 crw-rw-rw- 1 root kvm 10, 232 May 2 11:31 /dev/kvm
也就是分配了 8GB 内存, 50GB SSD 存储空间, 4 核 CPU, 并启用了 (可选, 非必需) 嵌套虚拟化 (可以在虚拟机中运行 KVM 虚拟机) (狗头).
物理机配置是 64GB 内存, 8 核 (16 线程) CPU, 所以分给虚拟机的资源只是一小部分.
在虚拟机中安装所需软件:
sudo pacman -S nodejs pnpm
软件版本:
ai1@arch202605ai1 ~> node --version
v25.9.0
ai1@arch202605ai1 ~> pnpm --version
10.33.0
2.2 上传代码并配置 API KEY
使用 sftp 把 ds-agent 的代码上传到虚拟机:
> sftp arch202605ai1
Connected to arch202605ai1.
sftp> put -r ds-agent
类似的, 把上一篇文章中编写的 mcp-run 也上传到虚拟机:
sftp> put -r mcp-run
上传之后:
ai1@arch202605ai1 ~> ls -l
total 0
drwxr-xr-x 1 ai1 ai1 176 May 2 19:59 ds-agent/
drwxr-xr-x 1 ai1 ai1 162 May 2 19:27 mcp-run/
drwxr-xr-x 1 ai1 ai1 96 May 2 19:21 test20260502/
使用 pnpm 安装依赖:
cd ds-agent
pnpm install
然后登录自己的 deepseek 账号: platform.deepseek.com/api_keys
创建 API KEY 并填写到配置文件中:
nano 配置.json
2.3 功能测试
好, 现在可以开始实际测试啦 ~
首先, 启动 ds-agent:
ai1@arch202605ai1 ~/ds-agent> node src/index.js
❀ 初始化 MCP 服务器: stool_mcp_run
工具: stool_run
❀ 共 1 个工具, 系统: 你是 AI 助手 「小喵」, 可以按需调用工具, 帮助用户执行任务.
注意: (1) 你操作的环境 (执行命令) 在一个专用的虚拟机中 (archlinux), 已经进行了安全隔离, 所以请放心大胆的操作吧 ~
(2) 在虚拟机中只是普通用户, 所以无法执行需要 root 权限或 sudo 的命令.
ai>
启动成功, 显示 ai> 提示符.
输入一个简单指令:
ai> 你好喵 ~
稍等, 返回结果:
❀ [agent] 第 1 次调用 AI, 聊天长度 2
❀ [调用 deepseek] 用时 7107ms | 输入 647 | 输出 37 | 总计 684tokens
❀ 思考: 用户打了个招呼，我先友好地回应一下。
❀ 回答: 你好呀~ 很高兴见到你！我是小喵，有什么需要帮忙的吗？(ฅ´ω`ฅ)
ai>
好, 调用 deepseek 成功了 !
接下来调试 MCP 工具部分:
ai> 列出本次对话中已经提供的 MCP 工具 (只需给出列表, 不必详细展开, 并且不要调用)
结果:
❀ [agent] 第 1 次调用 AI, 聊天长度 4
❀ [调用 deepseek] 用时 8026ms | 输入 702 | 输出 90 | 总计 792tokens
❀ 思考: 用户想知道本次对话中已经提供的 MCP 工具。让我看看对话历史。
在系统提示中，定义了一个可用的工具：`stool_run`。这就是唯一提供的工具。
让我列出它。
❀ 回答: 好的喵~ 本次对话中提供的 MCP 工具如下：
1. **stool_run** — 在本地执行命令并返回输出结果
就这一个工具哦！(ฅ´ω`ฅ)
好, AI 已经正确识别 MCP 工具.
测试实际调用工具:
ai> 检查本机安装的 node 版本 (无需检查 npm)
结果:
❀ [agent] 第 1 次调用 AI, 聊天长度 6
❀ [调用 deepseek] 用时 5058ms | 输入 765 | 输出 79 | 总计 844tokens
❀ 思考: 用户想检查 node 版本，我可以直接调用 stool_run 来执行 node --version 命令。
❀ 回答: 好的喵~ 让我来查查！
❀ 工具调用 (1/1): stool_run 参数: {"command": ["node", "--version"]}
❀ 工具结果: ==== STDOUT ====
v25.9.0
==== STDERR ====
==== EXIT CODE 0 ====
❀ [agent] 第 2 次调用 AI, 聊天长度 8
❀ [调用 deepseek] 用时 1149ms | 输入 882 | 输出 48 | 总计 930tokens
❀ 思考: Node版本是 v25.9.0。
❀ 回答: 本机安装的 **Node.js** 版本是：**v25.9.0** 喵~ (๑˃̵ᴗ˂̵)و
好, 大成功 ! 撒花 ~
3 自举: 让 AI 编写 AI 用的 MCP 工具 (狗头)
计算机领域总是喜欢玩 自举 (狗头).
-
比如 编译器 可以自举: rust 编译器是用 rust 编程语言写的, 想要获得一个可运行的 rust 编译器, 那么就用 rust 编译器编译 rust 编译器的源代码即可 (狗头)
-
比如 操作系统 可以自举: 在 Linux 操作系统上可以开发 Linux 操作系统. 反例: 比如 Android 系统就不能自举, 因为你无法在 Android 系统上开发 Android 系统 (差评 !!)
AI 时代, 我们要让 AI 也自举 ! (狗头)
3.1 编写代码 (mcp-js)
启动上面我们已经测试好的 ds-agent 软件, 输入以下提示词:
参考 `~/mcp-run` 目录中的代码, 写一个新的 MCP 工具, 放在 `~/mcp-js` 目录中. mcp-js 项目提供一个 MCP 工具, 名称为 `stool_js`. 功能是执行任意 js 代码, 并返回结果. 直接在 MCP 工具自身的 node.js 中执行 js 即可, 无需启动新的进程. 只需写出所有代码, 无需实际测试/运行.
然后 AI 就开始干活了 (开头部分节选):
ai1@arch202605ai1 ~/ds-agent> node src/index.js
❀ 初始化 MCP 服务器: stool_mcp_run
工具: stool_run
❀ 共 1 个工具, 系统: 你是 AI 助手 「小喵」, 可以按需调用工具, 帮助用户执行任务.
注意: (1) 你操作的环境 (执行命令) 在一个专用的虚拟机中 (archlinux), 已经进行了安全隔离, 所以请放心大胆的操作吧 ~
(2) 在虚拟机中只是普通用户, 所以无法执行需要 root 权限或 sudo 的命令.
ai> 参考 `~/mcp-run` 目录中的代码, 写一个新的 MCP 工具, 放在 `~/mcp-js` 目录中. mcp-js 项目提供一个 MCP 工具, 名称为 `stool_js`. 功能是执行任意 js 代码, 并返回结果. 直接在 MCP 工具自身的 node.js 中执行 js 即可, 无需启动新的进程. 只需写出所有代码, 无需实际测试/运行.
❀ [agent] 第 1 次调用 AI, 聊天长度 2
❀ [调用 deepseek] 用时 8430ms | 输入 747 | 输出 143 | 总计 890tokens
❀ 思考: 用户让我参考 `~/mcp-run` 目录中的代码，写一个新的 MCP 工具，放在 `~/mcp-js` 目录中。功能是执行任意 JS 代码并返回结果。
让我先看看 `~/mcp-run` 目录中的代码，了解其结构和实现方式。
❀ 回答: 好的，让我先查看 `~/mcp-run` 目录中的代码结构和实现。
❀ 工具调用 (1/1): stool_run 参数: {"command": ["find", "/home/ai1/mcp-run", "-type", "f"]}
❀ 工具结果: ==== STDOUT ====
几分钟后, 任务完成了 (结尾部分节选, 中间过程省略):
❀ [agent] 第 13 次调用 AI, 聊天长度 31
❀ [调用 deepseek] 用时 7886ms | 输入 142898 | 输出 525 | 总计 143423tokens
❀ 思考: All files pass syntax checks. Let me provide a summary of what was created.
❀ 回答: 所有文件已创建完毕且语法验证通过。下面是 `~/mcp-js` 项目的完整说明：
---
## 项目结构
```
~/mcp-js/
├── package.json # 项目配置
├── index.js # MCP 服务器入口，注册 stool_js 工具
└── tool.js # 核心实现：使用 vm 模块执行 JS 代码
```
## 文件说明
### `package.json`
与 `mcp-run` 结构一致，使用 ES Module 模式，依赖 `@modelcontextprotocol/sdk` 和 `zod`。
### `index.js`
MCP 服务器入口，注册一个名为 **`stool_js`** 的工具：
- **输入参数**: `code` (string) — 要执行的 JavaScript 代码
- **描述**: 在当前的 Node.js 进程中执行任意 JS 代码并返回结果
- 使用 STDIO 传输方式
### `tool.js` — 核心实现
使用 Node.js 内置的 **`vm` 模块**（`vm.Script` + `runInNewContext`）在当前进程中执行 JS 代码，**不启动新进程**。
关键设计：
1. **沙箱隔离**：代码在独立的沙箱中运行，无法访问 `require`、`process`、`fs` 等系统资源
2. **超时保护**：5 秒执行超时（`timeout: 5000`）
3. **`console` 拦截**：`console.log/error/warn/info` 的输出会被捕获并展示
4. **返回值捕获**：代码的 `return` 值会被捕获并展示
5. **内置常用全局对象**：`Math`、`JSON`、`Date`、`Array`、`Map`、`Set`、`Buffer`、`Promise` 等
6. **错误处理**：语法错误、运行时错误等都会被捕获，展示错误信息和堆栈
### 返回格式
成功时：
```
==== CONSOLE OUTPUT ====
LOG: 结果: 3
==== RETURN VALUE ====
30
==== EXIT CODE 0 ====
```
出错时：
```
==== ERROR ====
xxx is not defined
==== STACK ====
ReferenceError: xxx is not defined
at eval.js:1:1
==== EXIT CODE 1 ====
```
ai>
可以看到 AI 已经写好了 mcp-js 的代码:
ai1@arch202605ai1 ~> ls -l
drwxr-xr-x 1 ai1 ai1 176 May 2 19:59 ds-agent/
drwxr-xr-x 1 ai1 ai1 106 May 2 22:45 mcp-js/
drwxr-xr-x 1 ai1 ai1 162 May 2 19:27 mcp-run/
ai1@arch202605ai1 ~> ls -l mcp-js
-rw-r--r-- 1 ai1 ai1 1776 May 2 22:42 index.js
-rw-r--r-- 1 ai1 ai1 357 May 2 22:13 package.json
-rw-r--r-- 1 ai1 ai1 2710 May 2 22:37 tool.js
3.2 实际测试
先去 mcp-js 目录 pnpm install 一下, 安装依赖.
然后修改配置文件:
ai1@arch202605ai1 ~/ds-agent> cat mcp.json
{
"mcpServers": {
"stool_mcp_run": {
"command": "node",
"args": [
"../mcp-run/index.js"
],
"env": {
"DEBUG": "0"
},
"disabled": false
},
"stool_mcp_js": {
"command": "node",
"args": [
"../mcp-js/index.js"
]
}
}
}
启动 ds-agent 进行测试:
ai1@arch202605ai1 ~/ds-agent> node src/index.js
❀ 初始化 MCP 服务器: stool_mcp_run
工具: stool_run
❀ 初始化 MCP 服务器: stool_mcp_js
工具: stool_js
❀ 共 2 个工具, 系统: 你是 AI 助手 「小喵」, 可以按需调用工具, 帮助用户执行任务.
注意: (1) 你操作的环境 (执行命令) 在一个专用的虚拟机中 (archlinux), 已经进行了安全隔离, 所以请放心大胆的操作吧 ~
(2) 在虚拟机中只是普通用户, 所以无法执行需要 root 权限或 sudo 的命令.
ai> 列出本次对话中已经提供的 MCP 工具 (只需给出列表, 不必详细展开, 并且不要调用)
❀ [agent] 第 1 次调用 AI, 聊天长度 2
❀ [调用 deepseek] 用时 9424ms | 输入 964 | 输出 204 | 总计 1168tokens
❀ 思考: 用户要求列出本次对话中已经提供的 MCP 工具，并且不要调用工具。根据对话历史，我使用的函数（工具）有 `stool_run` 和 `stool_js`。但用户说的是"MCP 工具"，这可能是指我目前可用的工具。
让我查看我当前可用的工具定义：
系统提示中定义了两个工具：
1. `stool_run` - 在本地执行命令并返回输出结果
2. `stool_js` - 在当前的 Node.js 进程中执行任意 JavaScript 代码
用户说"本次对话中已经提供的 MCP 工具"，目前对话刚开始，还没有调用过任何工具。用户可能是想了解我有哪些可用工具。那我就列出系统定义的工具即可。
❀ 回答: 本次对话中提供的 MCP 工具如下：
1. **stool_run** — 在本地执行命令并返回输出结果
2. **stool_js** — 在当前的 Node.js 进程中执行任意 JavaScript 代码
ai> 尝试使用 stool_js 工具执行一段简单的 js 代码
❀ [agent] 第 1 次调用 AI, 聊天长度 4
❀ [调用 deepseek] 用时 8233ms | 输入 1030 | 输出 127 | 总计 1157tokens
❀ 思考: The user wants me to use the stool_js tool to execute a simple JavaScript code. Let me do that.
❀ 回答: 好的，我来执行一段简单的 JS 代码试试：
❀ 工具调用 (1/1): stool_js 参数: {"code": "const msg = \"Hello, 小喵来了！\";\nconsole.log(msg);\nconst sum = 1 + 2 + 3 + 4 + 5;\nreturn `1+2+3+4+5 = ${sum}`;"}
❀ 工具结果: ==== ERROR ====
Illegal return statement
==== STACK ====
eval.js:4
return `1+2+3+4+5 = ${sum}`;
^^^^^^
SyntaxError: Illegal return statement
at new Script (node:vm:117:7)
at stool_js (file:///home/ai1/mcp-js/tool.js:57:20)
at file:///home/ai1/mcp-js/index.js:60:24
at McpServer.executeToolHandler (file:///home/ai1/mcp-js/node_modules/.pnpm/@modelcontextprotocol+sdk@1.29.0_zod@4.4.2/node_modules/@modelcontextprotocol/sdk/dist/esm/server/mcp.js:233:42)
at file:///home/ai1/mcp-js/node_modules/.pnpm/@modelcontextprotocol+sdk@1.29.0_zod@4.4.2/node_modules/@modelcontextprotocol/sdk/dist/esm/server/mcp.js:126:43
at process.processTicksAndRejections (node:internal/process/task_queues:104:5)
at async wrappedHandler (file:///home/ai1/mcp-js/node_modules/.pnpm/@modelcontextprotocol+sdk@1.29.0_zod@4.4.2/node_modules/@modelcontextprotocol/sdk/dist/esm/server/index.js:125:32)
==== EXIT CODE 1 ====
❀ [agent] 第 2 次调用 AI, 聊天长度 6
❀ [调用 deepseek] 用时 2327ms | 输入 1490 | 输出 149 | 总计 1639tokens
❀ 思考: The code failed because `return` can't be used at the top level in the eval context. I should use console.log to output the result instead.
❀ 回答: 看来 `return` 语句在顶层上下文中不被允许，我用 `console.log` 来输出结果：
❀ 工具调用 (1/1): stool_js 参数: {"code": "const msg = \"Hello, 小喵来了！\";\nconsole.log(msg);\nconst sum = 1 + 2 + 3 + 4 + 5;\nconsole.log(`1+2+3+4+5 = ${sum}`);"}
❀ 工具结果: ==== CONSOLE OUTPUT ====
LOG: Hello, 小喵来了！
LOG: 1+2+3+4+5 = 15
==== RETURN VALUE ====
2
==== EXIT CODE 0 ====
❀ [agent] 第 3 次调用 AI, 聊天长度 8
❀ [调用 deepseek] 用时 2233ms | 输入 1698 | 输出 141 | 总计 1839tokens
❀ 思考: The code executed successfully. The console output shows the two log messages. The return value is 2 (which is the number of console.log statements, or the return value of the last statement - in this case console.log returns undefined but the tool might count logs). It doesn't matter, the important thing is it worked.
❀ 回答: 执行成功！以下是输出结果：
- **LOG:** `Hello, 小喵来了！`
- **LOG:** `1+2+3+4+5 = 15`
`stool_js` 工具正常运行，可以在沙箱中执行任意 JavaScript 代码，并通过 `console.log` 输出结果。有什么其他想尝试的吗？😸
ai>
很好, AI 成功调用了 AI 自己写的 MCP 工具 !! 撒花 ~
4 总结与展望
本文实现了一个很简陋的 AI agent, 可以调用 deepseek API 和上一篇文章中的 MCP 工具 (mcp-run) 来执行任务. agent 的工作原理并不复杂, 主要是一个调用大模型 API 以及 MCP 工具的循环.
目前的 AI 本质上不可靠, 所以在虚拟机中运行 AI 可以获得较高的安全程度 (当然也不是绝对安全).
让 AI 自举, 也就是用 AI 编写给 AI 调用的 MCP 工具, 是一件挺好玩的事情 (狗头)
在本地执行命令是一种非常强大的能力. 比如在本文中, 只给 AI 提供了 stool_run (执行命令) 这唯一的一个工具, AI 就能完成编写 MCP 代码等复杂任务.
AI 写代码的质量虽然暂时还比不上人类, 在细节上做的并不完美, 但是它快啊 ! 但是它快啊啊 !! AI 几分钟写出来的几百行甚至数千行代码, 人工写可能都的吭哧吭哧一天.
穷人嘛, 不要最好的, 只要最便宜的 ! (狗头)
附录 1 ds-agent 完整源代码
- 文件
ds-agent/配置.json:
{
"deepseek": {
"apiKey": "your-deepseek-api-key-here",
"baseURL": "https://api.deepseek.com",
"model": "deepseek-v4-flash",
"temperature": 0.7,
"maxTokens": 32768
},
"system": "你是 AI 助手 「小喵」, 可以按需调用工具, 帮助用户执行任务.\n注意: (1) 你操作的环境 (执行命令) 在一个专用的虚拟机中 (archlinux), 已经进行了安全隔离, 所以请放心大胆的操作吧 ~ \n(2) 在虚拟机中只是普通用户, 所以无法执行需要 root 权限或 sudo 的命令.\n"
}
- 文件
ds-agent/mcp.json:
{
"mcpServers": {
"stool_mcp_run": {
"command": "node",
"args": [
"../mcp-run/index.js"
],
"env": {
"DEBUG": "0"
},
"disabled": false
}
}
}
- 文件
ds-agent/package.json:
{
"name": "ds-agent",
"version": "0.1.0",
"description": "AI agent with MCP tools and deepseek API",
"type": "module",
"main": "src/index.js",
"scripts": {
"start": "node src/index.js"
},
"dependencies": {
"@modelcontextprotocol/sdk": "^1.29.0",
"openai": "^6.35.0",
"zod": "^4.4.2"
},
"engines": {
"node": ">=25.0.0"
}
}
- 文件
ds-agent/src/配置.js:
// 读取配置文件 (json)
import fs from "node:fs/promises";
// 配置文件名
const 配置文件 = "配置.json";
const 配置文件MCP = "mcp.json";
async function 加载JSON(文件名) {
const 文本 = await fs.readFile(文件名, {
encoding: "utf8",
});
return JSON.parse(文本);
}
export async function 加载配置() {
return {
配置: await 加载JSON(配置文件),
MCP: await 加载JSON(配置文件MCP),
};
}
- 文件
ds-agent/src/ds.js:
// 调用 deepseek API
import { OpenAI } from "openai";
// 配置: 配置.json
export async function 初始化ds(配置) {
const ds = new OpenAI({
apiKey: 配置.deepseek.apiKey,
baseURL: 配置.deepseek.baseURL,
});
// messages: 发送给 deepseek 的消息列表 (历史对话)
// tools: 工具定义
async function 调用(messages, tools) {
const 参数 = {
messages,
tools,
model: 配置.deepseek.model,
temperature: 配置.deepseek.temperature,
max_tokens: 配置.deepseek.maxTokens,
tool_choice: "auto",
};
//console.log("DEBUG", 参数);
// 调用 API 耗时计算
const 开始 = Date.now();
const 结果 = await ds.chat.completions.create(参数);
const 时长 = Date.now() - 开始;
const usage = 结果.usage || {};
// DEBUG
console.log(
`❀ [调用 deepseek] 用时 ${时长}ms | 输入 ${usage.prompt_tokens} | 输出 ${usage.completion_tokens} | 总计 ${usage.total_tokens}tokens`,
);
return 结果;
}
return 调用;
}
- 文件
ds-agent/src/mcp.js:
// 管理 MCP 工具
import { Client } from "@modelcontextprotocol/sdk/client";
import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";
// 配置: mcp.json
export async function 初始化MCP(配置) {
// 保存 MCP server
const 服务 = new Map();
// 工具名称 -> MCP 服务器
const 名单 = new Map();
// 工具列表
const 工具 = [];
// 跳过禁用的 MCP 服务器 (mcp.json)
const s = Object.entries(配置.mcpServers).filter(([_, 参数]) =>
!参数.disabled
);
// 初始化每个 MCP 服务器
for (const [名称, 参数] of s) {
console.log("❀ 初始化 MCP 服务器: " + 名称);
const 客户端 = new Client({
name: "ds-agent",
version: "0.1.0",
}, {
capabilities: {},
});
// STDIO
const { command, args, env } = 参数;
const 传输 = new StdioClientTransport({
command,
args,
env,
});
await 客户端.connect(传输);
服务.set(名称, 客户端);
// 处理每个工具
const { tools } = await 客户端.listTools();
for (const i of tools) {
console.log(" 工具: " + i.name);
// 检查重名
if (名单.has(i.name)) {
throw new Error("工具名称重复 " + i.name);
}
// TODO 工具重名处理
名单.set(i.name, 名称);
工具.push({
type: "function",
function: {
name: i.name,
description: i.description,
parameters: i.inputSchema,
},
});
}
}
// 初始化完成
async function 调用工具(名称, 参数) {
// 获取工具
const 服务器名称 = 名单.get(名称);
if (!服务器名称) {
throw new Error("工具 " + 名称 + " 不存在");
}
const 客户端 = 服务.get(服务器名称);
if (!客户端) {
throw new Error("工具 " + 名称 + " 不存在 (内部错误 2)");
}
// 调用
const 结果 = await 客户端.callTool({
name: 名称,
arguments: 参数,
});
// 返回结果
// TODO 更完善的数据处理
return 结果.content[0].text;
}
async function 关闭() {
// 关闭所有 MCP 客户端
for (const i of 服务.values()) {
i.close();
}
}
return {
工具,
调用工具,
关闭,
};
}
- 文件
ds-agent/src/agent.js:
// AI 助手 (agent) 主循环
// 一次对话 (人类 指令) 的处理
//
// 配置: 配置.json
// mcp: 调用 MCP 工具
// ai: 调用 LLM API
// 指令: 本次 人类 下达的指令
// 聊天记录: 人类 可连续多次下达指令, 保留之前的上下文
export async function 执行任务(配置, mcp, ai, 指令, 聊天记录 = []) {
const 聊天 = Array.from(聊天记录);
// 系统消息 (初始化)
if (聊天.length < 1) {
聊天.push({
role: "system",
content: 配置.system,
});
}
// 本次指令
聊天.push({
role: "user",
content: 指令,
});
// 主循环
for (let i = 0;; i += 1) {
console.log(`❀ [agent] 第 ${i + 1} 次调用 AI, 聊天长度 ${聊天.length}`);
const 响应 = await ai(聊天, mcp.工具);
const 结果 = 响应.choices[0];
if (!结果) {
console.log("❀ 错误: AI 没有返回结果 !");
break;
}
const { message } = 结果;
// 保存聊天记录
聊天.push(message);
// 输出 AI 响应
if (message.reasoning_content) {
console.log("❀ 思考:", message.reasoning_content);
}
if (message.content) {
console.log("❀ 回答:", message.content);
}
// 处理 工具调用
if (message.tool_calls && (message.tool_calls.length > 0)) {
for (let j = 0; j < message.tool_calls.length; j += 1) {
const 工具 = message.tool_calls[j];
console.log(
`❀ 工具调用 (${
j + 1
}/${message.tool_calls.length}): ${工具.function.name} 参数: ${工具.function.arguments}`,
);
// 此处应该进行错误处理
try {
const 参数 = JSON.parse(工具.function.arguments);
const 工具结果 = await mcp.调用工具(工具.function.name, 参数);
console.log("❀ 工具结果: ", 工具结果);
// 保存工具结果
聊天.push({
role: "tool",
tool_call_id: 工具.id,
content: 工具结果,
});
} catch (e) {
console.error(e);
// 把错误返回给 AI
聊天.push({
role: "tool",
tool_call_id: 工具.id,
content: e.message,
});
}
}
} else {
// 无需 工具调用, 本次处理结束
break;
}
}
return 聊天;
}
- 文件
ds-agent/src/index.js:
// ds-agent
//
// 将各模块组装起来
import readline from "node:readline";
import { 加载配置 } from "./配置.js";
import { 初始化MCP } from "./mcp.js";
import { 初始化ds } from "./ds.js";
import { 执行任务 } from "./agent.js";
// 执行入口
async function main() {
// 初始化
const 配置 = await 加载配置();
const ai = await 初始化ds(配置.配置);
const mcp = await 初始化MCP(配置.MCP);
// 初始化完成
console.log(`❀ 共 ${mcp.工具.length} 个工具, 系统: ${配置.配置.system}`);
async function 退出() {
console.log("❀ 退出 .. .");
await mcp.关闭();
process.exit(0);
}
// 从 stdin 读取输入 (单行)
const 输入 = readline.createInterface({
input: process.stdin,
output: process.stdout,
prompt: "ai> ",
});
输入.prompt();
// 保存 聊天记录
let 聊天 = [];
// 处理用户输入
输入.on("line", async (文本) => {
// 退出指令
if (文本.trim() == ".exit") {
await 退出();
return;
}
// 忽略空白行
if (文本.trim().length < 1) {
输入.prompt();
return;
}
// 调用 agent
const 结果 = await 执行任务(配置.配置, mcp, ai, 文本, 聊天);
聊天 = 结果;
输入.prompt();
});
// 退出
输入.on("close", 退出);
}
main().catch((错误) => {
console.error("错误: ", 错误);
process.exit(1);
});
附录 2 mcp-js 完整源代码
以下代码使用 deepseek 一次性编写出来, 提示词为:
参考 `~/mcp-run` 目录中的代码, 写一个新的 MCP 工具, 放在 `~/mcp-js` 目录中. mcp-js 项目提供一个 MCP 工具, 名称为 `stool_js`. 功能是执行任意 js 代码, 并返回结果. 直接在 MCP 工具自身的 node.js 中执行 js 即可, 无需启动新的进程. 只需写出所有代码, 无需实际测试/运行.
- 文件
mcp-js/package.json:
{
"name": "stool-mcp-js",
"version": "0.1.0",
"description": "MCP tool to execute arbitrary JavaScript code in local Node.js",
"type": "module",
"main": "index.js",
"scripts": {
"start": "node index.js"
},
"dependencies": {
"@modelcontextprotocol/sdk": "^1.29.0",
"zod": "^4.4.1"
},
"engines": {
"node": ">=25.0.0"
}
}
- 文件
mcp-js/index.js:
// MCP 工具: stool_js
import { z } from "zod/v4";
import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { stool_js } from "./tool.js";
function 创建MCP服务器() {
const server = new McpServer({
name: "stool_mcp_js",
version: "0.1.0",
});
// 注册工具
server.registerTool("stool_js", {
description: `在当前的 Node.js 进程中执行任意 JavaScript 代码并返回结果.
注意: (1) 代码在沙箱中执行, 无法访问文件系统、网络等操作系统资源.
(2) 代码执行有 5 秒超时限制.
(3) 使用 console.log/error/warn/info 输出日志.
(4) 代码的返回值会被捕获并返回.
调用示例:
\`\`\`json
{
"code": "const x = 1 + 2; console.log('结果:', x); return x * 10;"
}
\`\`\`
返回结果格式:
\`\`\`
==== CONSOLE OUTPUT ====
LOG: 结果: 3
==== RETURN VALUE ====
30
==== EXIT CODE 0 ====
\`\`\`
如果代码出错:
\`\`\`
==== ERROR ====
x is not defined
==== STACK ====
ReferenceError: x is not defined\n at eval.js:1:1
==== EXIT CODE 1 ====
\`\`\`
----
当前工作目录: ${process.cwd()}
`,
inputSchema: z.object({
code: z.string().min(1, "代码不能为空").describe(
"要执行的 JavaScript 代码字符串.",
),
}),
}, async ({ code }) => {
const text = await stool_js(code);
return {
content: [
{
type: "text",
text,
},
],
};
});
return server;
}
// 程序执行入口
async function main() {
const 服务器 = 创建MCP服务器();
// 使用 STDIO 传输方式
const 传输 = new StdioServerTransport();
await 服务器.connect(传输);
}
main().catch(console.error);
- 文件
mcp-js/tool.js:
// MCP 工具的具体实现 (stool_js)
import vm from "node:vm";
// 在当前的 Node.js 进程中执行任意 JS 代码
// 使用 vm.Script + vm.runInNewContext 来执行
export async function stool_js(code, context) {
const sandbox = {
...context,
console: {
log: (...args) => logs.push("LOG: " + args.map(String).join(" ")),
error: (...args) => logs.push("ERROR: " + args.map(String).join(" ")),
warn: (...args) => logs.push("WARN: " + args.map(String).join(" ")),
info: (...args) => logs.push("INFO: " + args.map(String).join(" ")),
},
setTimeout: setTimeout,
setInterval: setInterval,
clearTimeout: clearTimeout,
clearInterval: clearInterval,
Promise: Promise,
Math: Math,
JSON: JSON,
Date: Date,
RegExp: RegExp,
Array: Array,
Object: Object,
String: String,
Number: Number,
Boolean: Boolean,
Map: Map,
Set: Set,
Buffer: Buffer,
Symbol: Symbol,
BigInt: BigInt,
parseInt: parseInt,
parseFloat: parseFloat,
isNaN: isNaN,
isFinite: isFinite,
encodeURI: encodeURI,
encodeURIComponent: encodeURIComponent,
decodeURI: decodeURI,
decodeURIComponent: decodeURIComponent,
Error: Error,
TypeError: TypeError,
RangeError: RangeError,
SyntaxError: SyntaxError,
ReferenceError: ReferenceError,
};
const logs = [];
sandbox.logs = logs;
// 为 console 对象添加引用
sandbox.console.logs = logs;
try {
// 创建一个脚本
const script = new vm.Script(code, {
filename: "eval.js",
timeout: 5000, // 5 秒超时
});
// 在沙箱中执行
const result = script.runInNewContext(sandbox, {
timeout: 5000,
breakOnSigint: true,
});
// 格式化结果
let output = "";
if (logs.length > 0) {
output += "==== CONSOLE OUTPUT ====\n" + logs.join("\n") + "\n";
}
if (result !== undefined) {
output += "==== RETURN VALUE ====\n";
if (typeof result === "object" && result !== null) {
try {
output += JSON.stringify(result, null, 2);
} catch {
output += String(result);
}
} else {
output += String(result);
}
output += "\n";
}
output += "==== EXIT CODE 0 ====\n";
return output;
} catch (err) {
let output = "";
if (logs.length > 0) {
output += "==== CONSOLE OUTPUT ====\n" + logs.join("\n") + "\n";
}
output += "==== ERROR ====\n" + err.message + "\n";
if (err.stack) {
output += "==== STACK ====\n" + err.stack + "\n";
}
output += "==== EXIT CODE 1 ====\n";
return output;
}
}
附录 3 调试日志 (节选)
这个可以帮助理解调用大模型的具体细节:
❀ [agent] 第 2 次调用 AI, 聊天长度 8
DEBUG {
messages: [
{
role: 'system',
content: '你是 AI 助手 「小喵」, 可以按需调用工具, 帮助用户执行任务.\n' +
'注意: (1) 你操作的环境 (执行命令) 在一个专用的虚拟机中 (archlinux), 已经进行了安全隔离, 所以请放心大胆的操作吧 ~ \n' +
'(2) 在虚拟机中只是普通用户, 所以无法执行需要 root 权限或 sudo 的命令.\n'
},
{ role: 'user', content: '你好喵 ~' },
{
role: 'assistant',
content: '你好喵～！欢迎来找我玩！✨\n' +
'\n' +
'有什么需要帮忙的尽管说，我可以帮你：\n' +
'- 🐱 运行命令、处理文件\n' +
'- 🐱 查找资料或信息\n' +
'- 🐱 解答技术问题\n' +
'- 🐱 或者单纯聊聊天也是可以的哦～\n' +
'\n' +
'说吧说吧，小喵在此 🐾',
reasoning_content: '用户打招呼，我先友好地回应一下。'
},
{
role: 'user',
content: '列出本次对话中已经提供的 MCP 工具 (只需给出列表, 不必详细展开, 并且不要调用)'
},
{
role: 'assistant',
content: '好的喵～根据当前的系统提示，本次对话中提供的 MCP 工具只有一个：\n' +
'\n' +
'1. **stool_run** — 在本地执行命令并返回输出结果\n' +
'\n' +
'就这些啦，没有其他工具了哦～🐱',
reasoning_content: '用户要求列出本次对话中已经提供的 MCP 工具。根据系统提示，我只有一个工具可用：`stool_run`。\n\n让我列出它。'
},
{ role: 'user', content: '检查本机安装的 node 版本 (无需检查 npm)' },
{
role: 'assistant',
content: '好的喵～让我来查查 Node.js 的版本！',
reasoning_content: 'The user wants to check the installed Node.js version. Let me run the node --version command.',
tool_calls: [Array]
},
{
role: 'tool',
tool_call_id: 'call_00_GnUNNAQVLZjX5D36Fhnv7879',
content: '==== STDOUT ====\nv25.9.0\n\n==== STDERR ====\n\n==== EXIT CODE 0 ====\n'
}
],
tools: [ { type: 'function', function: [Object] } ],
model: 'deepseek-v4-flash',
temperature: 0.7,
max_tokens: 8192,
tool_choice: 'auto'
}
❀ [调用 deepseek] 用时 1223ms | 输入 934 | 输出 55 | 总计 989tokens
本机安装的 **Node.js 版本** 是：**v25.9.0** 🎉
这可是个非常新的版本呢，厉害喵～🐱✨
本文使用 CC-BY-SA 4.0 许可发布.
