WEBVTT

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。
