在 Google Colab 中构建 Nanobot 风格 AI Agent：工具调用、会话记忆与 MCP 服务器实战教程

一句话看懂

在 Google Colab 中从零构建一个 Nanobot 风格的 AI Agent，无需 API Key 和外部框架，涵盖工具调用、会话记忆和 MCP 服务器。

详细发生了什么

MarkTechPost 发布了一篇教程，指导开发者如何在 Google Colab 中构建一个轻量级个人 AI Agent，其架构受 Nanobot 启发。教程从 provider 抽象层开始，逐步实现工具注册、会话记忆、生命周期钩子、技能系统以及 MCP（Model Context Protocol）风格的工具服务器。

核心亮点是：不依赖 LangChain 或 AutoGen 等外部框架，而是亲手重建每个基础组件，让读者清晰理解消息、工具、记忆和模型响应如何在 agent 循环中协同工作。教程提供了完整的 Python 代码，包括一个 MockProvider（模拟 LLM），使得整个教程无需 API Key 和网络即可运行。MockProvider 能根据用户输入规则性地触发工具调用（如计算器、获取时间、记忆事实、执行 Python 代码），并最终生成自然语言回复。

此外，教程还展示了如何集成 OpenAI 兼容的 provider（如 OpenAI、OpenRouter、DeepSeek 等），以及如何通过 MCP 服务器将外部工具（如文件系统、数据库）接入 agent。

中文圈视角

对于中文开发者来说，这篇教程的价值在于：

零门槛入门：无需 OpenAI API Key，在 Colab 中即可运行，适合国内网络环境。MockProvider 的设计让初学者能聚焦于 agent 架构本身，而不是被 API 调用和费用分散注意力。
国产模型兼容：教程中的 OpenAICompatibleProvider 可以直接对接国内兼容 OpenAI API 的模型，如 DeepSeek、智谱 GLM、通义千问等，只需修改 base_url 和 api_key。这意味着你可以用国产模型跑通整个 agent 循环。
MCP 协议的前瞻性：MCP（Model Context Protocol）是 Anthropic 提出的开放标准，旨在统一 AI 工具接口。国内 ModelScope 社区也有类似尝试（如 AgentScope），但 MCP 的标准化程度更高。掌握 MCP 服务器搭建，有助于未来接入更多工具生态。
中文场景适配：教程中的技能和工具可以轻松扩展为中文场景，例如接入百度百科搜索、天气查询、中文计算器等。会话记忆功能也支持中文对话上下文。

不过需要注意：MockProvider 的规则是硬编码的，仅用于教学演示。实际生产环境需要替换为真实 LLM provider，并处理工具调用的并发、错误重试等问题。

几条值得记住的细节

教程完全在 Google Colab 中运行，无需本地环境，所有代码均可复制粘贴执行。
MockProvider 模拟了工具调用决策逻辑，无需 API Key 即可观察 agent 循环。
支持 OpenAI 兼容 provider，可对接 DeepSeek、智谱等国产模型。
实现了会话记忆（session memory），agent 能记住用户之前提到的名字、喜好等事实。
MCP 服务器部分展示了如何将外部工具（如文件系统）以标准化接口接入 agent。

一句话总结

无需 API Key，在 Colab 中亲手搭建一个可扩展的 AI Agent，理解工具调用和记忆机制，并可直接对接国产模型。