标题（30字内）：2026年AI外延助手原理与高频考点

 传统实现：硬编码 + 脚本，耦合高，扩展性差
import requests

def process_jira_issue(issue_id):
     1. 调用Jira API获取Issue
    jira_url = f"https://your-domain.atlassian.net/rest/api/2/issue/{issue_id}"
    headers = {"Authorization": "Bearer YOUR_TOKEN"}
    response = requests.get(jira_url, headers=headers)
    issue = response.json()
    
     2. 硬编码规则：根据Issue类型决定处理方式
    if issue["fields"]["issuetype"]["name"] == "Bug":
         调用代码生成API
        code = call_code_api(issue["fields"]["description"])
         创建PR
        create_pr(code)
    elif issue["fields"]["issuetype"]["name"] == "Task":
         调用另一个API
        create_comment(issue_id, "正在处理中...")
     ... 每加一个Issue类型就要改一次代码
    
     3. 硬编码的通知逻辑
    slack_url = "https://hooks.slack.com/services/XXX"
    requests.post(slack_url, json={"text": f"已处理 {issue_id}"})

 基于MCP协议的AI外延助手核心实现
 完整代码需要配合MCP SDK，此处展示核心逻辑骨架

import json
from datetime import datetime
from typing import Dict, Any

 ==================== 1. MCP服务端：工具注册 ====================
 模拟MCP Tools注册——告诉AI有哪些工具可用

AVAILABLE_TOOLS = [
    {
        "name": "get_current_time",
        "description": "获取当前系统时间",
        "parameters": {
            "type": "object",
            "properties": {},
            "required": []
        }
    },
    {
        "name": "create_calendar_event",
        "description": "在日历中创建一条新日程",
        "parameters": {
            "type": "object",
            "properties": {
                "title": {"type": "string", "description": "日程标题"},
                "time": {"type": "string", "description": "日程时间，格式YYYY-MM-DD HH:MM"}
            },
            "required": ["title", "time"]
        }
    }
]

 ==================== 2. 工具执行层：具体实现 ====================

def get_current_time() -> str:
    """执行获取时间的操作"""
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")

def create_calendar_event(title: str, time: str) -> Dict[str, Any]:
    """执行创建日程的操作（模拟，实际调用日历API）"""
     在实际生产中，这里会调用Google Calendar API或本地日历接口
    print(f"[执行] 已在日历创建日程：{title} @ {time}")
    return {"status": "success", "event": {"title": title, "time": time}}

 ==================== 3. AI规划层：LLM决策 ====================

class AIExtensionAssistant:
    """
    AI外延助手核心类
    功能：理解用户意图 → 规划工具调用序列 → 执行 → 返回结果
    """
    
    def __init__(self, llm_client):
        self.llm = llm_client
        self.tools = AVAILABLE_TOOLS
    
    def plan_and_execute(self, user_input: str) -> str:
        """外延助手的主入口：规划 + 执行"""
        
         Step 1: 构造Prompt，让LLM生成工具调用序列
        planning_prompt = f"""
        用户需求：{user_input}
        
        可用工具列表：{json.dumps(self.tools, ensure_ascii=False, indent=2)}
        
        请分析用户需求，输出需要调用的工具和参数。
        只输出JSON数组，格式：[{{"tool": "工具名", "params": {{...}}}}]
        """
        
         Step 2: 调用LLM获取规划（模拟，实际调用LLM API）
         这里假设LLM返回了合理的规划结果
        plan = self._simulate_llm_planning(user_input)
        
         Step 3: 按顺序执行规划中的工具
        results = []
        for step in plan:
            tool_name = step["tool"]
            params = step.get("params", {})
            
             动态分派到对应的执行函数
            if tool_name == "get_current_time":
                result = get_current_time()
            elif tool_name == "create_calendar_event":
                result = create_calendar_event(params)
            else:
                result = f"未知工具：{tool_name}"
            
            results.append(result)
        
         Step 4: 汇总结果，生成最终回复
        return f"执行完成：{'；'.join(str(r) for r in results)}"
    
    def _simulate_llm_planning(self, user_input: str):
        """模拟LLM的规划能力（实际场景中调用真实LLM API）"""
         示例逻辑：检测关键词来规划工具调用
        if "现在" in user_input and "时间" in user_input:
            return [{"tool": "get_current_time", "params": {}}]
        elif "创建" in user_input and "日程" in user_input:
             在实际场景中，LLM会从用户输入中抽取参数
            return [{"tool": "create_calendar_event", 
                     "params": {"title": "提醒", "time": "2026-04-10 14:00"}}]
        return []

 ==================== 4. 使用示例 ====================
if __name__ == "__main__":
     初始化助手（需要传入真实的LLM客户端）
    assistant = AIExtensionAssistant(llm_client=None)
    
     场景1：查询时间
    result1 = assistant.plan_and_execute("现在几点钟？")
    print(f"用户：现在几点钟？\n助手：{result1}\n")
     输出示例：执行完成：2026-04-09 15:30:00
    
     场景2：创建日程
    result2 = assistant.plan_and_execute("帮我创建一个明天下午两点的日程，标题是开会")
    print(f"用户：帮我创建日程\n助手：{result2}\n")
     输出示例：[执行] 已在日历创建日程：开会 @ 2026-04-10 14:00
             执行完成：{'status': 'success', 'event': {...}}