How to build an AI Agent and MCP Server (step-by-step)
三句話摘要
示範如何透過 MCP（Model Context Protocol）將 ADK 部落格撰寫 Agent 連接到 Google Trends 外部工具，讓 Agent 具備即時資料查詢能力。 MCP 讓 Agent 以標準、隔離、語言無關的方式連接任意外部工具，而 ADK 的 `FunctionTool` 讓接入成本降到幾乎只需撰寫一個普通 Python 函式。 MCP 是工具與 Agent 之間的標準協議：Agent 本身無法直接執行外部查詢，MCP 作為中間層，讓工具以獨立 Process 運行，Agent 透過 stdio 詢問「有哪些工具」再呼叫，結果以 JSON 回傳，雙方完全解耦。
重點整理
重點- 1
MCP 是工具與 Agent 之間的標準協議：Agent 本身無法直接執行外部查詢，MCP 作為中間層，讓工具以獨立 Process 運行，Agent 透過 stdio 詢問「有哪些工具」再呼叫，結果以 JSON 回傳，雙方完全解耦。
- 2
隔離性與互通性是 MCP 的核心優勢：工具可以用 Python、Go 或 Node.js 撰寫，Agent 不需知道實作細節；工具崩潰不會拖垮 Agent，且工具可隨時新增、替換或版本化，無需改寫 Agent 主程式碼。
- 3
ADK FunctionTool 自動化 Schema 生成：只需撰寫標準 Python 函式並加上 Docstring，ADK 的 `FunctionTool` 裝飾器會自動解析 Signature，產生符合 MCP 規範的工具 Schema，省去手動定義模型的步驟。
- 4
整合只需在 Agent.py 新增一個工具參考：從 Agent 的角度，呼叫 MCP 工具與呼叫本地函式完全相同，只需將 `trends_mcp` 加入 Root Agent 的工具清單，Agent 即可在撰寫部落格時自動查詢當前 Google Trends 趨勢。
實用技巧與重點
乾貨- 協議名稱：MCP（Model Context Protocol）
- 框架：ADK（Agent Development Kit）
- 工具：Google Trends（透過 MCP 串接）
- 通訊方式：stdio（標準輸入輸出），非 HTTP
- 結果格式：JSON
- 核心檔案：`server.py`（MCP Server）、`Agent.py`（Root Agent）
- 關鍵 ADK 類別：`FunctionTool`、`adk_mcp_tool`（將 ADK meta data 轉換為 MCP Tool Schema）
- 兩個必要 Handler：`list_tools`（回傳工具清單與 Schema）、`call_tool`（執行工具並回傳結果）
- 錯誤處理：呼叫失敗時回傳 JSON 格式錯誤訊息，並將詳細內容輸出至 stderr
- 啟動方式：主程式呼叫 `asyncio.run()`，ADK 可直接開啟該 Process 並使用工具
- UI：ADK Web UI 可視化測試 Agent 與 MCP Server 的連線
結論
結論“MCP 讓 Agent 以標準、隔離、語言無關的方式連接任意外部工具，而 ADK 的 `FunctionTool` 讓接入成本降到幾乎只需撰寫一個普通 Python 函式。”
完整解析
詳細這部影片的核心問題是：一個純靠語言模型運作的 Agent，雖然能根據主題規劃並撰寫部落格文章，但它不知道外部世界正在發生什麼。為了讓文章更貼近當下，講者決定將 Agent 連接到 Google Trends 的即時資料，而連接的橋樑就是 MCP——Model Context Protocol。
MCP 的概念其實很直觀。Agent（大腦）無法直接執行查詢 Trends 資料庫這類操作，因此需要一個標準化的中介層。MCP 讓外部工具以獨立 Process 的形式運行，透過 stdio 與 Agent 溝通：Agent 先問「你有哪些工具？」，工具回傳名稱、參數與回傳型別的 Schema；Agent 再說「用這些參數呼叫這個工具」，工具執行後以 JSON 回傳結果。整個設計的精髓在於隔離——工具用什麼語言撰寫、用了什麼 Library 都無所謂，只要遵守 MCP 協議即可；工具崩潰也不會影響 Agent 主程式，且工具可隨時新增或替換，不須重寫 Agent。
實作層面，講者在專案中建立 `server.py`，撰寫一個標準 Python 函式 `trends`，接收 JSON 格式的語言參數並回傳 JSON。接著用 ADK 的 `FunctionTool` 包裝這個函式——ADK 會自動讀取函式的 Signature 與 Docstring，產生完整的工具 Schema，無需手動定義模型。MCP Server 物件作為工具與 Agent 之間的小型中介，實作兩個關鍵 Handler：`list_tools` 在 Agent 連線時回傳工具清單（透過 `adk_mcp_tool` helper 將 ADK meta data 轉換為 MCP 格式），`call_tool` 則驗證工具名稱後直接呼叫 `FunctionTool` 的 `run_async` 方法，成功時回傳 JSON 文字內容，失敗時回傳結構化錯誤訊息並將詳細資訊輸出至 stderr。最後以 `asyncio.run()` 啟動整個服務。
完成 Server 端後，Agent.py 的改動極為精簡：只需在 Root Agent 的工具清單中加入 `trends_mcp`。從 Agent 的角度，呼叫這個 MCP 工具與呼叫本地函式沒有任何差異，但背後卻已串接到真實的外部資料流。開啟 ADK Web UI 後，Agent 便能在撰寫文章前先查詢當前 Google Trends，讓部落格內容錨定在真實趨勢上。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
