把人工审批点接入流程:将人工流程变成可验证脚本遇到越界修改
围绕Agent 工程的人工审批点,拆解“将人工流程变成可验证脚本”里的模型总是改到无关文件,比较保持改动范围可解释与让工具输出成为证据的验证价值。
这里聚合 CodeNodeX AI 社区中与 MCP 相关的技术文章和讨论,覆盖概念解释、工具对比、工程实践、常见问题和独立开发经验。
如果你正在研究 MCP,建议先阅读高质量长文,再参与帖子讨论,形成从理解到实践的完整路径。
围绕Agent 工程的人工审批点,拆解“将人工流程变成可验证脚本”里的模型总是改到无关文件,比较保持改动范围可解释与让工具输出成为证据的验证价值。
从“修复只在真实浏览器出现的问题”出发,给重试策略建立证据、评审和回退边界,避免不可运行输出被表面完成度掩盖。
这条Agent 工程种子内容关注任务记忆的工程闭环,覆盖“从一句模糊想法到可运行页面”中的不可运行输出、验收门槛和失败恢复。
MCP 搜索或资源读取成功,不代表返回内容就是适用版本的权威事实。本文从问题、能力发现、资源身份、原文 claim、内容摘要到本地 API 验证建立证据链,并把服务端内容视为不可信输入。
Model Context Protocol(MCP)是 Anthropic 提出的"AI 应用的 USB-C 接口"。本文讲清 MCP 的 host/client/server 三角模型、resources/tools/prompts 三类能力、JSON-RPC 通信机制,并用 TypeScript 从零实现一个可被 Claude Code 调用的 MCP Server。
用户确认一次高风险动作后,重复点击、队列重投和参数替换都可能复用批准。本文用规范化 action digest、一次性消费、状态版本和幂等执行封闭窗口。
多 Agent 系统最常见的问题不是模型能力,而是任务委派后输入不完整、责任不清和结果无法验证。本文给出委派契约、结果 schema、预算传递和回收机制。
上一篇讲了 MCP 的协议原理,这篇动手——从零做一个生产可用的 MCP Server:选场景、用官方 SDK 实现 resources + tools、本地 stdio 与远程 HTTP 两种部署、用 MCP Inspector 调试,最后让 Claude Code 和 Cursor 都用上它。
围绕 MCP、AI Agent 的技术趋势、工程实践和独立开发视角。
围绕 MCP、AI Agent 的技术趋势、工程实践和独立开发视角。
人工确认不是简单的“继续吗”按钮。本文说明 Agent 写操作审批应包含的动作摘要、作用范围、失效时间、权限重校验和审计字段,避免确认被错误复用。
初始请求超时后,工具可能仍在服务端运行;发出取消也不等于副作用已停止。本文为单次长运行工具调用建立 operation 身份、轮询水位、取消竞态和唯一终态接受点。