1
00:00:00,000 --> 00:00:06,400
先看一张整体界面的截图。

2
00:00:06,400 --> 00:00:12,640
后面我会放大，在同一个界面里展示我的改动。我在开发

3
00:00:12,640 --> 00:00:19,200
coffeeAGNTCY 时遇到的问题，是 Agent 缺乏对基
础设施的感知。

4
00:00:19,200 --> 00:00:27,280
问“你有多少咖啡豆”这类简单问题，它能回答；

5
00:00:27,360 --> 00:00:37,600
但再深入一点，比如“这笔订单为什么失败了”，

6
00:00:38,400 --> 00:00:44,080
它就说不清具体原因，或者返回一大段文字。

7
00:00:45,920 --> 00:00:53,200
结合自己的开发过程，我认为问题在于：

8
00:00:53,280 --> 00:01:00,560
上下文窗口很快被填满，因为每次查询基本上都把

9
00:01:00,560 --> 00:01:07,520
整张图塞了进去，返回的内容也远远超出所需。通常的

10
00:01:07,520 --> 00:01:14,400
架构把所有推理都交给大模型，

11
00:01:14,400 --> 00:01:22,800
因此消耗了太多 token。研究怎么解决时，我发现

12
00:01:23,760 --> 00:01:29,440
有人把图接入 MCP 服务，也有相应的参考应用。

13
00:01:30,240 --> 00:01:36,880
例如，Anthropic 有知识图谱记忆的参考实现和 MCP 服务。

14
00:01:36,880 --> 00:01:41,680
Neo4j 也有 MCP 服务。就像前面说的，很多工具

15
00:01:41,680 --> 00:01:50,400
都有对应的 MCP 服务。具体到 IT 基础设施，LinkedIn

16
00:01:50,400 --> 00:01:57,120
也曾通过把知识图谱与 MCP 服务结合，改善工单处理。

17
00:01:57,120 --> 00:02:03,360
Cisco 同样有几个案例，利用这种方式

18
00:02:03,360 --> 00:02:08,720
做深入的网络排障，并实现了 Jarvis。

19
00:02:08,720 --> 00:02:17,920
回到我的问题。我把刚才那种情况叫作“尝试一”：

20
00:02:18,000 --> 00:02:24,560
大模型接收大量 JSON，于是耗费很多 token。

21
00:02:24,560 --> 00:02:31,840
看这里的字符量，就知道负担有多大。如果不再像图中这样，

22
00:02:31,840 --> 00:02:37,920
由主管 Agent 向 MCP 服务提问，再让 MCP 服务

23
00:02:37,920 --> 00:02:44,800
直接把 JSON 交给大模型解析，而是由 MCP 服务直接回答呢？

24
00:02:44,800 --> 00:02:52,240
虽然主题叫“超越 MCP 服务”，关键是怎样增强它，

25
00:02:52,240 --> 00:02:59,440
不是说去年做了 MCP，今年就应该丢掉它。我不是这个意思。

26
00:03:00,320 --> 00:03:10,160
接下来是“尝试二”，也是我真正动手试的第一个改进：

27
00:03:10,240 --> 00:03:14,800
参考其他公司的案例，研究知识图谱抽取，

28
00:03:14,800 --> 00:03:22,240
以及 KAG、GraphRAG 这样的检索方法。

29
00:03:24,800 --> 00:03:31,040
KAG 吸引我的地方，是逻辑形式引导的推理

30
00:03:31,040 --> 00:03:36,640
和多跳问答。网络拓扑本身就有很多“跳”，

31
00:03:36,640 --> 00:03:46,160
而我们需要通过查询解决问题，听起来很有用。GraphRAG

32
00:03:46,160 --> 00:03:52,240
擅长从文本中抽取实体和关系。考虑到网络拓扑

33
00:03:52,240 --> 00:03:57,840
天然适合图遍历，我觉得可以先从这两种方法

34
00:03:57,840 --> 00:04:05,920
入手，看看怎样抽取知识图谱。具体做法是：

35
00:04:06,000 --> 00:04:11,760
收集 Lungo 的部署日志、以文本表达的网络图等资料，

36
00:04:11,760 --> 00:04:17,440
分别交给这两种方法，生成知识图谱。然后

37
00:04:17,440 --> 00:04:24,560
用生成的图查询：哪些服务依赖 SLIM 网关？

38
00:04:24,560 --> 00:04:32,960
SLIM 就是前面提到的传输层。我发现 KAG 仍会漏掉一些隐含
连接，

39
00:04:33,040 --> 00:04:40,240
即使它宣称更擅长多跳推理。因此，这次尝试并不理想。

40
00:04:40,240 --> 00:04:49,680
GraphRAG 更擅长总结，但运行很慢，而且

41
00:04:49,680 --> 00:04:56,320
不断重建拓扑，和“尝试一”遇到的问题类似。再往深处想，

42
00:04:56,320 --> 00:05:04,000
这两种方法都是从文档里抽图，

43
00:05:04,000 --> 00:05:12,240
而文档提供的是静态信息。Lungo 的网络

44
00:05:12,240 --> 00:05:16,160
拓扑实际上已经是结构化数据，本来就保存在

45
00:05:16,160 --> 00:05:25,680
JSON 里。为什么还要重复抽取已经有的结构？这就引出了最终方案：

46
00:05:25,680 --> 00:05:34,320
让 MCP 服务背后直接连接图。我创建了适配这张

47
00:05:34,320 --> 00:05:46,000
知识图谱的 MCP 服务，并把图数据库接上。

48
00:05:46,160 --> 00:05:55,120
后面会展开。目标是让 token 的使用量更贴近

49
00:05:55,120 --> 00:06:00,880
实际需要的输出，减少膨胀，直接遍历图，而不是把同一件事生成两遍，

50
00:06:00,880 --> 00:06:06,960
并且直接执行查询。比如主管 Agent

51
00:06:06,960 --> 00:06:13,200
向服务提问时，服务直接运行 Cypher 查询，

52
00:06:13,200 --> 00:06:19,600
遍历数据库，让主管 Agent 收到所需的信息。

53
00:06:21,200 --> 00:06:25,600
这是我采用的技术栈：编排用 LangGraph，

54
00:06:26,240 --> 00:06:34,640
接口用 MCP 服务，检索用 Cypher，数据保存在

55
00:06:34,720 --> 00:06:42,720
Neo4j 知识图谱里。这里展示的是 Neo4j 中

56
00:06:42,720 --> 00:06:49,520
用于拓扑演示的图。因此，主要产物有两项：知识图谱，

57
00:06:49,520 --> 00:06:54,960
以及面向网络拓扑、提供多项功能的 MCP 服务。
