AI工程：AI的降临与鹅 第12天

Source: Dev.to

第 12 天：节日吉祥物危机

什么是 MCP？

MCP（多代理共识协议）抽样使得可以扩展以协调多个 AI 角色，每个角色拥有不同的推理风格，进行辩论并进行民主投票。该扩展接收 AI 输出，返回智能分析，并将其反馈回 goose，使系统能够充当专家而不仅仅是数据提供者。

挑战：召集议会

• 目标： 使用 MCP 抽样在 goose 中协调智能多代理推理。
• 方法： 由九个 AI 角色组成议会，围绕议题进行辩论并投票，以达成集体决策。

MCP 抽样概览

普通扩展流程：

Extension receives AI output → Returns intelligent analysis → goose

MCP 抽样流程：

Extension receives AI output → Generates multiple AI personas → Personas debate & vote → Synthesized decision → goose

MCP 抽样为何重要

• 能够生成多个 AI 角色。
• 支持分布式推理。
• 模拟领域专长。
• 让复杂决策以民主方式进行辩论。
• 将扩展转变为多元 AI 视角的协调者。

实际应用场景

• 多视角分析
• 智能文档编写
• 上下文感知搜索
• 数据库分析
• 多专家代码审查

提交与辩论

• 已进行的辩论： 共 6 场（包括简单和复杂议题）
• 复杂议题： 2 场
• 最具影响力的议员： 实用主义者（11 票，主导复杂决策）

观察到的普遍模式

• 证据始终优于意识形态。
• 在做出承诺前进行测试更受青睐。
• 每个决策中都出现了可访问性考量。
• 大约呈现 60/40 的创新‑传统比例。
• 增量式方法优于大规模变革。

展示的 MCP 抽样能力

• 九个具有独特推理风格的 AI 角色。
• 揭示集体智慧的民主投票。
• 将各观点最强元素合成的综合结果。
• 决策质量优于单一视角分析。

复杂决策的要求

• 系统层面的思考以理解相互依赖。
• 实用的方式以降低风险。
• 基于证据的验证在投入资源前进行。
• 采用增量实现以检验假设。
• 考虑可访问性以确保包容性结果。

洞见

在所有辩论中，议会始终显示出最强决策来源于：

• 认识到多种有效视角。
• 在规模化之前测试假设。
• 在创新与已验证方法之间取得平衡。
• 在保持核心价值的同时推动演进。
• 用数据指导决策，而非仅仅用来为决策辩护。

最后思考

第 12 天成果： 吉祥物危机得到解决；议会选出了方案。本篇文章是 AI 的降临（Advent of AI）旅程的一部分，记录了使用 goose 的 AI 工程冒险。