pengxiao
e58b95d227
将《设计人工智能：基础与应用》拆分为 38 个 Markdown 文件， 按 11 个部分（上篇6部分+下篇5部分）+ 3 个附录组织。 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
4.8 KiB
学习目标
-
理解MCP协议的核心思想
掌握HITL协作模式
了解Agent在规划设计中的落地场景
MCP协议
什么是MCP
Model Context Protocol (模型上下文协议)：连接AI模型与外部数据/工具的开放标准。
核心价值
传统方式：
AI``模型`` → ``各自独立`` → ``数据孤岛
MCP``方式：
AI``模型`` ← MCP → ``统一接口`` → ``所有工具``/``数据
MCP架构
┌─────────────────────────────────────┐
│ AI Application │
│ (Claude, ``ChatGPT``, ``等``) │
└─────────────┬───────────────────────┘
│ MCP
┌─────────────┴───────────────────────┐
│ MCP Client │
├─────────────────────────────────────┤
│ ┌──────┐ ┌──────┐ ┌──────┐ │
│ │File │ │DB │ │API │ ... │
│ │``Server│ │Server│ │Server│ │
│ └──────┘ └──────┘ └──────┘ │
└─────────────────────────────────────┘
HITL：人机协作模式
什么是HITL
Human-in-the-Loop (人在回路)：在AI决策关键环节引入人类干预。
HITL层次
层次 人类角色 自动化程度
完全自动 无 100%
人工审核 监督者 80-90%
交互决策 合作伙伴 50-70%
人工主导 操作者 <50%
规划设计中的HITL
AI``生成方案
↓
设计师审核`` ← ``修改意见`` → AI``调整
↓
最终确认
规划设计Agent案例
场景分析Agent
输入：场地数据
↓
分析流程：
-
地形分析`` (``坡度、高程``) -
气候分析`` (``日照、风向``) -
交通分析`` (``可达性``) -
视觉分析`` (``视域、景观``)
↓
输出：场地分析报告
方案生成Agent
输入：设计要求`` + ``场地分析
↓
生成流程：
-
理解需求`` (``CoT``推理``) -
布局功能`` (``工具调用``) -
连接路径`` (``图算法``) -
优化调整`` (``迭代改进``)
↓
输出：初步设计方案
合规审查Agent
输入：设计方案
↓
审查流程：
-
调用规范库 -
逐条核对 -
标记问题 -
生成报告
↓
输出：合规审查意见
Agent落地挑战
技术挑战
挑战 说明
准确性 复杂任务易出错
可解释性 决策过程不透明
鲁棒性 边界情况处理
应用挑战
挑战 说明
工作流整合 与现有流程融合
责任界定 AI错误的后果
成本控制 API调用费用
解决方向
-
分级应用：简单任务自动化，复杂任务辅助
渐进式：从局部到整体
人机协同：关键环节人工确认
未来展望：AI设计师
短期 (1-2年)
AI``作为工具
- ``数据分析
- ``方案生成
- ``合规检查
中期 (3-5年)
AI``作为助手
- ``创意启发
- ``方案优化
- ``文档撰写
长期 (5-10年)
AI``作为合作伙伴
- ``共同创造
- ``自主决策
- ``专业评审
思考与练习
-
MCP如何解决AI应用的"数据孤岛"问题？
-
规划设计中哪些环节适合引入HITL？
-
AI设计师如何与人类设计师协作？
关键术语
中文 英文 说明
模型上下文协议 MCP Model Context Protocol
人在回路 HITL Human-in-the-Loop
数据孤岛 Data Silo 独立的数据存储
协议 Protocol 通信标准