从零写 MCP 服务器:实战篇

用官方 TypeScript SDK v2 从零实现一个博客文章 MCP 服务器:三个工具、一个资源模板、一个提示模板,接进 OpenCode 实测,并记录 stdout 污染、路径穿越、中文 URI、返回体量等工程细节。

上一篇 MCP 协议详解 把协议本身讲清楚了:三角架构、三类能力、JSON-RPC 与传输方式。但第七节只画了一个博客文章服务器的轮廓,没有一行能运行的代码。这一篇把它补完——从空目录开始,写一个真正能接进 OpenCode 的 MCP 服务器,再把过程中值得记的坑逐个摊开。

AI 生态观测:GitHub 星榜上的 Agent 地图

以 2026 年 11 月 19 日的 GitHub 星数快照为样本,画出 Agent 生态的三层地图:入口层的编码 Agent 与工作台、能力层的编排工具与记忆、底座的模型运行;并给出三条趋势判断——注意力从模型转向 harness,记忆独立成赛道,技能与纪律成为新象限。

这个系列从底层架构一路讲到思考之谜,回答的都是“为什么”和“怎么做”。这一篇换个视角,抬头看窗外:2026 年的 Agent 生态,实际长成了什么样子?

Harness 工程:编码代理框架的架构与设计

把编码代理框架当工程对象讲透:模型是无状态函数,harness 负责状态。上下文组装与压缩的六种策略、权限门控的中断恢复协议、子代理调度与并发,以及贯穿始终的三条底层原则。

前面几篇讲过 Agent 的工作原理和 AI 的底层架构,但有一个角色一直藏在幕后没有正式介绍:harness——包在模型外面的那层工程壳。你天天在用的 Claude Code、OpenCode 这类编码代理,本质都是“一个模型 + 一个 harness”。

AI 的思考之谜:推理链、验证器与规划的边界

从模型认知层讲清 AI 的“思考”:Transformer 每步算力固定,推理链如何把计算摊开;推理模型是怎样靠可验证奖励的强化学习练出来的;过程奖励与结果奖励的差别;为什么当前的大模型是局部优化器而非长程规划器;并结合光网络控制平面的 PCE 规划要素做一个工业级对照。

上一篇《AI 的自我改进》回答的是模型怎么变得更强,这篇往回退一步,回答一个更基础的问题:它那种“思考”,到底是什么东西?《AI Agent 核心推理逻辑详解》已经讲过 Agent 怎么组织思考——思维链、先规划后执行、反思修正,那是工程层的用法;这篇沉到模型层,讲为什么这套用法有效,以及它真实的边界在哪里。

AI 的自我改进:自审查、自闭环与自演进

讲清 AI 自我改进的三个层次:单次输出上的自审查、任务内策略迭代的自闭环、跨任务改写自身的自演进。覆盖生成与评估分离、独立验证器、多次采样一致性、Reflexion、技能库、自举训练数据、自博弈强化学习,以及四个让“完全自演进”还无法成立的硬约束。

这个系列写到第八篇,主角都在回答同一个问题:模型怎么干活——底层架构决定它能不能跑,推理逻辑决定它怎么想,Agent 工作原理决定它怎么行动,Skills 和 MCP 决定它怎么长本事。但这几篇都停留在单个任务内部。这篇把时间维度加上去:AI 怎么在干完活之后变得更强?“自审查、自闭环、自演进”这三个词你大概都见过,但经常被混用——实际上是三个不同层次的闭环。

分页