Agent 需要哪些 Tool ？
要明确需要哪些工具，需先锚定每个Agent的核心目标与场景痛点，再对应工具的价值：
对话Agent
核心需求：智能问答交互
所需工具query_internal_docs：该工具基于RAG召回技术，能从向量数据库中快速匹配与问题相关的知识片段。支撑知识检索，回答 API鉴权失败怎么办 等问题时，直接定位文档关键片段
运维Agent
核心需求：自动告警响应、日志/监控联动排查、故障根因分析。
所需工具：
query_prometheus_alerts：实时获取告警详情query_log：通过腾讯云CLS MCP实现自然语言日志检索（如 服务下线前5分钟错误日志 ）get_current_time：实时获取当前时间query_internal_docs：补充运维经验（如故障处理步骤），形成完整排查闭环
总结：四个工具覆盖所有Agent需求，其中query_internal_docs是通用支撑工具，其他工具聚焦运维Agent的故障排查场景。
核心 Tool 设计
query_prometheus_alerts：告警数据精准提取
功能定位：实时获取 Prometheus 告警信息，为大模型提供故障诊断的第一手数据。
实现细节：
API 对接：调用 Prometheus 官方告警查询接口
GET /api/v1/alerts。数据提取逻辑：从 JSON 响应中解析关键字段，结构化输出给大模型：
alertname：告警名称（如 服务下线 ），来自labels.alertname；description：告警详情（如 广告微服务下线 ），来自annotations.description；activeAt：告警触发时间（如 2025-10-29T08:48:42Z ），直接提取activeAt字段。
核心优势：实时性强，能快速获取故障诊断的起点数据。
query_internal_docs：知识库精准召回
功能定位：检索内部文档（如故障处理手册），为所有Agent提供精准的知识片段检索服务。
实现细节：
文档存储：采用向量数据库存储文档，支持语义相似度检索；
调用触发：当大模型判断需要背景知识时（如 服务下线的处理步骤 ），自动调用该工具，传入关键词（如 服务下线 处理步骤 ），返回Top N相关文档片段。
核心优势：避免大模型 幻觉 ，答案严格基于检索到的事实性内容。
get_current_time：时间感知能力补充
功能定位：解决大模型 时间失忆 问题，为Agent提供实时时间信息，辅助时间维度的计算（如告警持续时长计算）。
实现细节：
极简接口：极简接口返回多格式时间（秒/毫秒级时间戳、YYYY-MM-DD HH:MM:SS字符串），Agent自动前置调用需时间参数的场景。
调用时机：当工具需要时间参数时（如 查询过去1小时的告警 ），Agent 自动前置调用该工具。
核心优势：轻量高效，支撑运维Agent的时间校准需求。
MCP 集成
query_log ：自然语言驱动的日志检索
功能定位：让运维/业务人员用日常语言查询日志，降低技术门槛
实现细节：
MCP 对接：集成腾讯云CLS MCP，由MCP自动将自然语言转为查询语句，统一返回结构化日志结果
调用逻辑：Agent 将用户问题（如 查询服务下线前 5 分钟的错误日志 ）直接转发给 CLS MCP，MCP 自动生成日志查询语句并返回结果，Agent 再将结果整理后提交给大模型。
核心优势
低门槛：让业务人员用日常语言查日志（如 服务下线前5分钟的错误日志 ），无需学Lucene/SQL语法
动态适配：MCP 自动处理不同日志源的语法差异，统一输出格式。
典型场景举例：服务下线告警处理流程
以 服务下线 告警为例，展示 Agent 如何协同 Tool 与 MCP 完成任务：
数据采集：调用query_prometheus_alerts获取告警详情（名称、触发时间）；
时间校准：通过get_current_time计算告警持续时长（如 已持续11分钟 ）；
日志回溯：调用query_log传入 广告微服务 下线前5分钟 错误日志 ，CLS MCP返回关键日志片段；
知识补充：大模型触发query_internal_docs，检索 服务下线 处理步骤 文档，获取标准化操作指南；
决策输出：整合上述数据，生成含日志摘要、处理步骤、历史案例的故障报告。
总结
通过标准化Tool接口（实时告警数据、知识检索、时间感知）与灵活MCP集成（自然语言查询日志），让大模型从 被动对话 升级为 主动诊断 ，高效衔接监控数据、内部知识与业务系统，真正实现AI在运维场景的落地价值