[開源教學] 開源模型+ 成熟Agent 框架+ 工具=> 復刻Claude Code 級AI Agent 關鍵技術組成· 開源模型：DeepSeek-V3.2 · 成熟Agent 框架：Claude Agents SDK · 工具與資料：MongoDB MCP Server 整體架構：模型→ Agents SDK → MongoDB 工具→ 資料庫，實現閉環互動。 專案核心理念：三大技術的“強強聯合” 建構一個能聽懂人話、能自動操作資料庫的智能體，融合了三項技術： 1. 大腦—— DeepSeek v3.2： 換腦操作：透過修改API Base URL，讓Claude Agents SDK 誤以為自己在呼叫Claude 模型，實際上呼叫的是DeepSeek v3.2，這也成為OpenAI API 之後LLM API 的標配操作。 2. 骨架—— Claude Agents SDK： 選擇原因：沒有選擇LangChain 或OpenAI SDK，原因是Claude Agents SDK 提供了構建複雜Agent 所需的成熟「腳手架」（如子智能體管理、MCP 支援等），這些是驅動Claude Code 的核心技術。 3. 手眼－ MongoDB MCP Server： 技術點：採用MCP 協議，透過MongoDB 的MCP 伺服器，AI 可以標準化地執行查詢、分析Schema、甚至寫入數據，而不需要複雜的膠水程式碼。 架構精髓：用“子智能體”對抗“腦霧” 教程中最具技術深度的部分。作者提出了一個關鍵問題：Context Rot。即使模型宣稱支援200k+ 的上下文，一旦輸入過多訊息，模型就會變笨、混淆工具。 解決方案：分而治之（Subagents） 教程沒有使用一個全能Agent，而是建構了3 個專業分工的子智能體，每個只負責MongoDB MCP 工具集中的一部分： · Reader Agent：只負責讀取（查資料）。 · Writer Agent：只負責寫（增刪改）。 · Query Agent：負責根據模糊指令找到相關資料。 優勢：透過限制每個智能體的視野和工具箱，大大降低了DeepSeek 犯錯的機率，保證了操作的精確性。 實戰價值：從“玩具”到“工具” 教學不僅示範了「查詢有多少部電影」這種簡單Demo，還提供了一個極具現實意義的案例： · 資料遷移與分析： 腳本示範如何將Hugging Face Hub 上的真實資料（模型統計、資料集熱度等）匯入MongoDB。 · 複雜查詢： 匯入後，你可以直接問Agent：「Hugging Face 上最受歡迎的10 個模型是什麼？」 Agent 會自動產生聚合查詢語句，從資料庫中擷取答案。 總結· 模型去魅：你不需要依賴昂貴的閉源模型（如Claude Opus 4.5），DeepSeek v3.2 配合好的架構完全可以勝任複雜任務。 · MCP 普及：透過MCP 協定連接資料庫將成為標準，大大降低了開發AI 應用的門檻。 · 架構優先：相較於追求更長的上下文，「主智能體+ 專用子智能體」 的架構才是解決複雜問題的穩定解法。 教學原文
![[開源教學] 開源模型+ 成熟Agent 框架+ 工具=> 復刻Claude Code 級AI Agent
關鍵技術組成· 開源模型：DeepSeek-V3.2
· 成熟Agent 框架：Claude Agents SDK
· 工具與](https://pbs.twimg.com/media/G7hpoMXb0AA4lLh.jpg)