已完结 AgentScope2意图识别智能体开发实战

如果你写过几个调用大模型的接口，大概率遇到过这种尴尬：单轮问答跑得挺顺，一旦让模型自己决定「该查天气还是该查订单」，输出就开始飘。问题往往不在模型本身，而在于你没把意图识别、工具描述、参数约束这几件事拆开处理。这门课要补的，正是这个缺口。

先确认你是不是它的目标读者

这门课假设你已经能写 Java 后端代码，能看懂 HTTP 请求和 JSON，但对 Agent 的运转方式只停留在「提示词加函数调用」的模糊印象。如果你属于下面任意一种情况，学起来会比较顺手：

• 做过后端接口，但没系统写过工具调用（tool call）的链路，不清楚模型是怎么「选中」某个工具的；
• 想转到 AI 应用开发，手上只有零散的 API 调用经验，缺少一个能讲清楚的完整项目；
• 已经用过 AgentScope2，但只会照抄示例，遇到多意图、参数校验失败就不知道怎么调。

反过来，如果你只是想了解大模型原理、不打算动手写代码，这门课的性价比不高。

它真正在解决的技术问题

意图识别听起来简单，实际做起来会连续撞上几个坑：用户一句话里混着两个意图怎么办；模型给出的工具名不在注册表里怎么办；参数格式不对，是让模型重试还是自己兜底；MCP 服务接进来之后，工具的描述信息怎么写才能让模型选得准。这些都不是靠调 temperature 能解决的，得靠结构化的设计。

课程围绕 AgentScope2 展开，把 Agent 的组成、MCP 的接入方式、工具调用的完整流程拆成可验证的步骤。重点不在「怎么调用模型」——这一步谁都会——而在于模型之外那一层：意图怎么被解析、工具怎么被注册、结果怎么回到对话里。学完之后你应该能自己回答：为什么同样一个工具，换一种描述方式，模型的选择准确率会差很多。

配套练习的形态

课程以项目实战为主，不是看完视频就结束的那种。练习会要求你把一个意图识别智能体从零搭到能演示：注册若干工具、接上 MCP 服务、处理用户的多轮请求，并让它在参数缺失时主动追问而不是硬编一个值。

过程中会反复用到几类动作：给工具写描述和参数 schema、观察模型的选择结果、根据失败案例反过来改描述、给关键节点加日志。这些动作看起来琐碎，但正是实际开发中占时间最多的部分。做完之后你手上会有一个能跑起来、也能继续加工具的系统，而不是一堆孤立的代码片段。

看完应该能回答的问题

用这份导读自查，如果能顺畅答上来，说明你不需要从头看；答不上来的那几条，就是你要重点补的位置：

• Agent 和单纯的「提示词 + 函数调用」差在哪一层？
• MCP 在整条链路里扮演什么角色，为什么要有它？
• 模型选错工具时，你从哪几个方向排查？
• 工具的参数校验失败，重试和兜底分别适合什么场景？
• 要让这套东西可扩展，新增一个工具需要改动哪些地方？

这几问没有标准答案，但如果你连思路都没有，说明意图识别这一环你还没真正拆开过。带着这些问题去看，比从头顺着看效率高得多。