基于MCP协议与Pydantic-AI构建智能代理：网页抓取与联网搜索实践

1. 项目概述：一个基于MCP协议的智能代理工具

最近在折腾AI应用开发，发现一个挺有意思的项目，来自GitHub上的malminhas/mcp。这是一个基于Python的智能代理工具，核心是利用了Model Context Protocol（MCP）协议和pydantic-ai库。简单来说，它就像一个能帮你上网查资料、读文章并总结的AI小助手。你可以把它看作是一个命令行版的“AI研究员”，给它一个网址，它就能爬取内容并生成摘要；给它一个问题，它就能调用搜索引擎去查找答案，然后用你指定的AI模型（比如GPT-4o、Claude等）来整理和呈现结果。对于需要快速信息搜集、内容分析或者只是想自动化一些研究流程的开发者来说，这个工具提供了一个非常轻量且可定制的起点。

这个项目的价值在于，它把几个强大的能力封装在了一起：一是通过MCP协议与AI模型交互的标准化能力，二是网页内容抓取，三是联网搜索。你不用自己从头去写HTTP请求、解析HTML、处理API调用和结果后处理这些繁琐的步骤，它已经搭好了一个基础的框架。无论是想快速了解一篇长文的核心观点，还是想对比不同AI模型对同一问题的回答风格，或者为自己的项目集成一个智能信息检索模块，这个mcp-agent都值得你花时间研究一下。接下来，我会带你从零开始，把这个项目跑起来，并深入聊聊它的设计思路、使用技巧以及我实际使用中遇到的那些“坑”。

2. 核心设计与架构解析

2.1 为什么是MCP和Pydantic-AI？

要理解这个项目，首先得弄明白它依赖的两个核心技术：MCP和Pydantic-AI。这可不是随便选的两个库，背后有清晰的考量。

Model Context Protocol (MCP)可以理解为AI应用领域的“USB协议”。它的目标是标准化AI模型（如GPT、Claude）与外部工具、数据源之间的通信方式。在没有MCP之前，如果你想让你的大模型调用一个计算器或者查询数据库，你得为每个模型、每个工具写一套特定的适配代码，非常麻烦且难以复用。MCP定义了一套通用的“服务器-客户端”模型：工具端（比如一个天气查询服务）作为“MCP服务器”暴露出一系列标准化的功能（称为“工具”）；而AI模型端作为“MCP客户端”，可以通过统一的协议来发现并调用这些工具。malminhas/mcp这个项目里的mcp-agent.py，本质上就是一个MCP客户端，它创建了与“网页抓取”和“网络搜索”这两个工具服务器通信的代理。

那么，谁来负责构建这个能与MCP服务器对话的AI代理呢？这就是Pydantic-AI出场的时候了。pydantic-ai是一个基于Pydantic的AI应用开发框架。Pydantic本身以数据验证和序列化闻名，而pydantic-ai在此基础上，提供了声明式定义AI代理（Agent）的能力。你可以用Python类和数据模型（还是Pydantic的Model）来清晰地定义：你的代理有哪些工具可用（通过MCP集成）、系统提示词（System Prompt）是什么、期望的输入输出格式是怎样的。这让代码变得非常清晰和类型安全。在这个项目中，开发者利用pydantic-ai快速构建了一个能理解用户指令（“fetch这个URL”或“search这个关键词”）、并懂得调用对应MCP工具的智能体。

所以，整个架构的流程是这样的：用户通过命令行发出指令 ->mcp-agent.py脚本解析指令 -> 利用pydantic-ai创建一个AI代理实例 -> 该代理通过MCP协议，与后台运行的特定工具服务器（如mcp-server-fetch）通信 -> 工具服务器执行实际任务（抓取网页或调用Brave搜索API）-> 结果返回给代理 -> 代理使用指定的AI模型（如GPT-4o）对结果进行处理（总结、格式化）-> 最终呈现给用户。这个设计解耦了AI逻辑、工具执行和协议通信，非常优雅。

2.2 功能特性深度解读

项目README里列出的几个特性，每一个都值得展开说说。

1. 网页内容抓取与总结这不仅仅是简单的requests.get()。一个健壮的抓取工具需要处理：各种网站的反爬机制（简单的User-Agent轮换、请求头设置）、动态加载内容（虽然这个基础版本可能没处理，但架构允许扩展）、HTML解析与正文提取（去除导航栏、广告等噪音）、编码问题以及超时重试。项目通过MCP服务器来封装这些复杂性，用户只需关心URL和想要的摘要。AI总结的部分是关键，你可以通过--system-prompt参数来精细控制摘要的风格，比如“用三点总结”、“以技术报告格式输出”、“重点提取数据图表描述”等。

2. Brave搜索集成为什么选择Brave Search而不是更常见的Google Custom Search或SerpAPI？我推测有几个原因：一是Brave Search以隐私保护为卖点，API调用可能更简洁，没有复杂的验证流程；二是作为较新的搜索引擎，其API可能对开发者更友好，配额或费率有优势；三是它返回的搜索结果相对干净，结构化程度高，便于AI解析。--count参数让你可以控制信息广度，查简单事实可能只需要前3条，做深度调研可能需要10条甚至更多。

3. 多模型支持支持OpenAI、Anthropic和Groq三家主流提供商，覆盖了从顶尖性能（GPT-4o, Claude 3.5 Sonnet）到高性价比/速度（GPT-3.5-Turbo, Claude Haiku, Groq的Llama）的频谱。这带来了巨大的灵活性。例如，你可以用便宜的gpt-4o-mini做初筛和摘要，只有当内容非常复杂时再换用gpt-4o做深度分析。Groq的API以其极快的推理速度著称，适合对实时性要求高的搜索总结场景。

4. 系统提示词自定义这是发挥AI能力的关键“旋钮”。默认的系统提示词可能只是“你是一个有帮助的助手”。但你可以将其改为“你是一个挑剔的技术评论员，请批判性地总结以下文章，指出其论据的薄弱环节”，或者“你是一个面向小学生的知识讲解员，请把以下内容变得简单有趣”。这个参数让同一个工具能适应从学术研究到内容创作的多种场景。

3. 从零开始的详细部署与配置指南

3.1 环境准备与依赖安装

首先，你需要一个像样的Python环境。我强烈建议使用Python 3.10或更高版本，因为一些较新的异步特性或依赖包可能要求这个版本以上。为了避免污染全局环境，使用虚拟环境是必须的。我习惯用venv，当然conda或pipenv也行。

# 1. 克隆项目代码 git clone https://github.com/malminhas/mcp.git cd mcp # 2. 创建并激活虚拟环境（以venv为例） python -m venv .venv # 在Windows上激活： # .venv\Scripts\activate # 在macOS/Linux上激活： source .venv/bin/activate # 3. 安装项目依赖 pip install -r requirements.txt

安装过程如果顺利，你会看到一堆包被安装，核心包括pydantic-ai,httpx,pydantic的新版本等。这里有个注意事项：requirements.txt文件里可能指定了某些依赖的具体版本。如果安装失败，报错提示某个包版本冲突，你可以尝试先不指定版本安装核心包pydantic-ai，然后再安装剩下的。

# 如果遇到版本冲突，可以尝试 pip install pydantic-ai pip install -r requirements.txt --no-deps # 谨慎使用，可能会缺依赖 # 或者更好的方式是检查并更新requirements.txt中的版本约束

3.2 关键API密钥的获取与配置

这个工具需要两个外部服务的API密钥才能工作：OpenAI（或其他AI模型提供商）和Brave Search。没有它们，工具就是“巧妇难为无米之炊”。

1. OpenAI API密钥：

• 访问 platform.openai.com ，注册或登录。
• 点击右上角个人头像，选择“View API keys”。
• 点击“Create new secret key”，为其命名（例如“mcp-agent”），然后复制生成的密钥。注意：这个密钥只显示一次，务必妥善保存。
• 如果你打算使用Anthropic或Groq的模型，则需要去对应平台（ console.anthropic.com , console.groq.com ）创建密钥，过程类似。在配置时，环境变量名可能需要相应调整（例如ANTHROPIC_API_KEY），这取决于mcp-agent.py代码中具体是如何读取的。通常这类工具会使用OPENAI_API_KEY作为通用键名，但实际可以用于配置其客户端的基URL和密钥。

2. Brave Search API密钥：

• 访问 brave.com/search/api 。
• 点击“Get Started”或“Get API Key”。你需要注册一个Brave开发者账户。
• 在仪表板中，你应该可以创建一个新的API密钥。Brave Search API有免费额度，对于个人和小规模使用通常足够了。
• 复制生成的API密钥。

3. 配置环境变量：项目要求将密钥放在一个名为local.env的文件中。这是一个好习惯，避免了将敏感信息硬编码在脚本里或通过命令行传递。

# 在项目根目录（mcp/文件夹内）创建或编辑local.env文件 # 使用你喜欢的文本编辑器，例如nano, vim, 或直接echo echo "OPENAI_API_KEY=sk-your-actual-openai-key-here" > local.env echo "BRAVE_API_KEY=BSA-your-actual-brave-key-here" >> local.env

重要安全提示：务必确保.env或local.env文件被添加到.gitignore中，防止不小心将密钥提交到公开仓库。项目自带的.gitignore应该已经包含了这一项，但请再次确认。永远不要在任何公开场合分享你的local.env文件内容。

3.3 首次运行验证与常见安装问题排查

配置完成后，让我们跑一个最简单的命令来验证一切是否正常。

# 尝试获取帮助信息，这通常不需要实际调用API python mcp-agent.py --help

如果能看到fetch、search等子命令的说明，说明基础脚本加载没问题。接下来，用一个公开的、简单的URL做测试（避免触发复杂的反爬）。

# 使用默认的gpt-4o模型（会消耗少量OpenAI额度） python mcp-agent.py fetch https://httpbin.org/html

httpbin.org是一个测试网站，返回简单的HTML。如果一切顺利，你会看到脚本输出它正在启动MCP服务器、创建代理，然后输出一个对那个简单网页内容的摘要。这个过程可能会花上十几秒，因为需要启动本地服务器、与OpenAI API通信。

可能遇到的问题及解决方案：

1. ModuleNotFoundError: No module named 'pydantic_ai'或类似错误

   • 原因：虚拟环境未激活，或依赖未正确安装。
   • 解决：确认命令行提示符前有(.venv)字样。重新运行pip install -r requirements.txt。检查Python版本是否符合要求。

2. Error loading .env file或 API密钥未找到

   • 原因：local.env文件不在当前执行目录，或文件名不对，或格式有误。
   • 解决：确保在mcp/目录下执行命令。检查local.env文件是否存在，且内容为KEY=value格式，每行一个，没有多余的空格或引号（除非值本身包含空格）。

3. OpenAI API认证错误 (401或Invalid API Key)

   • 原因：API密钥错误、过期，或所在区域不支持。
   • 解决：登录OpenAI平台确认密钥有效且未过期。如果你所在地区无法直接访问OpenAI，可能需要配置代理，但注意工具本身可能不直接提供代理设置，你可能需要设置系统级的HTTP代理环境变量（如HTTP_PROXY,HTTPS_PROXY），或者修改代码中HTTP客户端的配置。注意：此处仅讨论技术上的网络配置问题，不涉及任何违反规定的行为。

4. Brave Search API 错误 (429或403)

   • 原因：超出免费额度、密钥无效或请求过快。
   • 解决：登录Brave开发者控制台检查配额和密钥状态。免费额度通常足够个人测试。如果是速率限制，在代码中添加请求间隔（time.sleep）可能有必要，但这需要修改工具服务器代码。

5. uvx相关错误

   • 原因：项目使用uvx来启动MCP服务器。uvx是uv包管理器的一个组件，用于快速运行远程Python工具。如果未安装uv，可能会失败。
   • 解决：根据pydantic-ai和MCP的依赖，有时需要全局安装uv。尝试运行pip install uv或在全局安装pipx install uv。如果错误持续，查看脚本中创建MCP服务器的命令，可能可以替换为直接使用本地Python模块的方式，但这需要更深入的代码修改。

4. 核心功能实操与高级用法

4.1 网页抓取与摘要生成实战

fetch命令是工具的核心功能之一。它的基本用法很简单，但通过参数调整，可以应对不同场景。

基础用法：

python mcp-agent.py fetch https://example.com/blog/article

这会使用默认模型（gpt-4o）和默认系统提示词，抓取文章并生成一个通用摘要。

进阶参数调节：

• 更换模型以平衡成本与效果：如果你抓取的是一篇技术白皮书，需要深度理解，就用--model=gpt-4o。如果只是抓取新闻快讯看个大意，--model=gpt-4o-mini或--model=gpt-3.5-turbo能省下不少钱。

  python mcp-agent.py fetch https://techcrunch.com/xxx --model=gpt-4o-mini

• 定制系统提示词以改变输出风格：这是发挥创造力的地方。比如，你想让AI提取文章中的所有数据：

  python mcp-agent.py fetch https://report.com/data --system-prompt="你是一个数据提取专家。请仔细阅读文章，找出文中提到的所有数字、统计数据、百分比、日期，并以清晰的表格形式列出，包含‘指标’、‘数值’、‘上下文描述’三列。忽略其他文本。"

  或者，你想让它用特定的语言风格总结：

  python mcp-agent.py fetch https://philosophy.com/essay --system-prompt="请用中文，以苏格拉底对话式的诘问风格，总结这篇文章的核心论点，并提出两个可能的反驳观点。"

实操心得与注意事项：

1. 目标网站兼容性：不是所有网站都能完美抓取。对于严重依赖JavaScript渲染的单页应用（SPA），如某些现代新闻网站或技术博客，基础的抓取工具可能只能拿到一个几乎空的HTML骨架。这时，你需要一个能执行JavaScript的“无头浏览器”工具（如Playwright、Selenium）。mcp-server-fetch目前可能不具备这个能力，但MCP架构的美妙之处在于，你可以寻找或自己实现一个更强大的“fetch”服务器来替换它。
2. 内容长度与Token限制：AI模型有上下文长度限制。如果目标网页内容极长（比如一本在线书籍），抓取的内容可能会被截断，导致摘要不完整。你需要关注模型的Token上限（例如GPT-4o是128k），并意识到抓取工具本身可能也有长度限制。对于超长内容，更高级的策略是分块抓取、分块总结，再进行归纳，这需要额外的脚本逻辑。
3. 伦理与法律边界：只抓取公开可用、且robots.txt允许抓取的内容。尊重版权，不要用于大规模复制有版权的内容。摘要生成也应避免生成误导性或扭曲原意的内容。

4.2 联网搜索与信息整合技巧

search命令让你可以直接在命令行里进行智能搜索。这比打开浏览器、输入关键词、浏览多个结果、再自己整合信息要高效得多。

基础搜索：

python mcp-agent.py search "Python asyncio最佳实践 2024"

默认返回5条结果，并使用AI模型对这几条结果进行综合，给出一个答案。你会看到它先打印出原始的搜索结果摘要（来自Brave API），然后是一个“=== AI综合回答 ===”的部分。

控制搜索广度与深度：

• 使用--count参数增加结果数量，获取更全面的信息。例如，做竞品分析时可能需要10个结果。

  python mcp-agent.py search "最佳开源向量数据库对比" --count=10

• 结合--system-prompt来引导AI如何利用这些结果。例如，你可以要求它对比：

  python mcp-agent.py search "Django vs FastAPI performance" --system-prompt="你是一个后端架构师。请基于以下搜索结果，从性能、易用性、社区活跃度、适用场景四个维度，以对比表格的形式分析Django和FastAPI。请注明信息来源于哪个结果链接。"

搜索质量优化技巧：

1. 关键词构造：AI搜索代理虽然智能，但给搜索引擎的关键词依然是基础。使用更具体、更长的关键词往往能得到更相关的结果。例如，搜索“Python logging config file example”比只搜“Python logging”要好得多。
2. 结果评估：工具会返回原始的搜索结果摘要。不要完全依赖AI的综合回答，尤其是对于需要高准确性的信息（如医疗、法律建议）。花几秒钟扫一眼这些原始摘要，看看来源网站是否可靠（官方文档、知名技术博客、Stack Overflow等）。
3. 处理模糊或复杂查询：对于非常开放或复杂的问题，AI可能无法从有限的搜索结果中给出完美答案。这时，可以将搜索拆分成多个子问题，分步查询。例如，想了解“如何用机器学习预测股票市场”，可以先搜索“股票预测 机器学习 基础模型”，再搜索“量化交易 特征工程”，最后让AI综合。

4.3 多模型切换与效果对比

支持多个模型提供商是该项目的一大亮点。我们可以通过简单的--model参数来切换，直观感受不同模型的特性。

模型标识符解读：

• gpt-4o: OpenAI当前的主力模型，在推理、代码、多模态任务上表现均衡强大，速度较快，成本中等偏高。
• gpt-4o-mini: OpenAI的高性价比小模型，响应速度极快，成本很低，适合简单任务。
• gpt-3.5-turbo: 经典的性价比之王，对于不复杂的文本总结和搜索综合足够用，但逻辑和指令跟随能力弱于GPT-4系列。
• claude-3-5-sonnet-latest: Anthropic的顶尖模型，以长上下文、强大的逻辑推理和“诚实度”著称，在需要深度分析、避免幻觉的场景下表现出色。
• claude-3-haiku-latest: Anthropic的快速、低成本模型，响应速度快。
• groq:llama-3.3-70b-versatile: 通过Groq平台提供的Meta Llama 3.1 70B模型。Groq以其LPU（语言处理单元）硬件闻名，推理速度极快，几乎实时返回，成本也很有竞争力。
• groq:deepseek-r1-distill-llama-70b: Groq提供的DeepSeek-R1蒸馏版模型，在数学和推理任务上可能有所侧重。

对比实验：你可以对同一个任务用不同模型跑一遍，对比输出。

# 任务：总结一篇关于可再生能源的短文 URL="https://a-short-article-on-renewable-energy.example.com" for MODEL in gpt-4o-mini gpt-4o claude-3-haiku-latest groq:llama-3.3-70b-versatile; do echo "=== 使用模型: $MODEL ===" python mcp-agent.py fetch $URL --model=$MODEL 2>/dev/null | tail -20 # 只看摘要部分 echo -e "\n\n" done

通过对比，你可能会发现：gpt-4o和claude-3-5-sonnet的总结更细致、更有洞察力；gpt-4o-mini和haiku速度飞快，摘要基本准确但可能略粗糙；groq的模型速度震撼，答案质量也不错。根据你的任务对速度、成本和质量的权衡，可以选择最合适的模型。

注意：使用不同模型的API密钥可能不同。你需要确保环境变量中设置了正确的API密钥。对于Groq，你可能需要设置GROQ_API_KEY环境变量，并在代码中指定使用Groq的客户端。这可能需要你查看mcp-agent.py的源码，看它是如何根据模型名称选择客户端和API密钥的。通常的逻辑是，如果模型名以groq:开头，则使用Groq客户端和对应的密钥。

5. 深入原理：MCP服务器与代理的工作机制

要真正玩转这个项目，甚至基于它进行二次开发，有必要了解一下MCP服务器和代理是如何协同工作的。虽然作为用户你可能不直接修改这些，但理解它们能帮你更好地调试和想象扩展的可能性。

5.1 MCP服务器：工具的执行者

当你运行python mcp-agent.py fetch ...时，脚本内部会动态启动一个MCP服务器。从示例输出中可以看到一行：Creating MCP server with command: uvx。uvx在这里用于快速启动一个名为mcp-server-fetch的包，这个包就是一个实现了MCP协议的Python工具服务器。

这个服务器的核心职责是：

1. 注册工具：向MCP运行时声明：“我这里有这些工具可用”。对于fetch，它可能注册了一个叫get_webpage_content的工具；对于search，可能注册了brave_web_search。
2. 实现工具逻辑：当代理调用get_webpage_content(url)时，服务器端的代码会执行：发送HTTP请求到url，处理响应，解析HTML，提取正文文本，清理格式，最后将纯文本内容返回。
3. 遵守MCP协议：通过标准输入输出（stdio）或HTTP等传输方式，以特定的JSON格式与客户端（即pydantic-ai创建的代理）进行通信。

你可以把MCP服务器想象成一个“插件”。项目默认使用了uvx来拉取和运行社区中已经写好的通用服务器（如mcp-server-fetch）。但你完全可以自己编写或寻找其他MCP服务器，比如：

• 一个能查询数据库的服务器。
• 一个能调用内部API的服务器。
• 一个能操作本地文件系统的服务器（需注意安全）。 然后，修改mcp-agent.py，让它启动你的自定义服务器，你的代理就立刻拥有了新的能力。

5.2 Pydantic-AI代理：大脑与调度中心

代理（Agent）是pydantic-ai框架的核心概念。在mcp-agent.py中，代理被创建并配置了以下要素：

1. 模型：指定使用哪个AI模型（如gpt-4o）。
2. 系统提示词：定义代理的角色和任务规范（“你是一个助手，负责获取网页内容并总结”）。
3. 工具：通过MCP客户端，将远程服务器提供的工具“注入”给代理。代理在思考时，就知道自己可以调用这些工具了。
4. 结果解析器：定义如何处理模型返回的结果。在这个项目里，可能就是简单地将模型的回复打印出来。

工作流程如下：

• 用户输入：fetch https://some.url
• 脚本解析，构建一个用户提示词：“Please get the content of https://some.url and provide a summary.”
• 代理收到提示词，结合系统提示词进行“思考”。它意识到需要调用get_webpage_content工具。
• 代理通过MCP协议向服务器发送工具调用请求。
• 服务器执行抓取，返回网页内容。
• 代理收到网页内容，将其作为上下文，再次“思考”，生成最终的摘要文本。
• 脚本将摘要输出给用户。

这个架构的强大之处在于解耦。AI模型（大脑）和工具（手和脚）是独立的。你可以轻松更换更强大的“大脑”（如从GPT-3.5升级到GPT-4），也可以给同一个“大脑”安装更多的“工具”（通过连接更多的MCP服务器），而无需重写核心的AI推理逻辑。

6. 常见问题、故障排查与进阶技巧

在实际使用中，你肯定会遇到各种各样的问题。这里我整理了一份“避坑指南”。

6.1 运行时报错与解决方案速查表

6.2 性能优化与成本控制心得

1. 按需选择模型：这是平衡速度、效果和成本的最有效杠杆。日常信息抓取和简单总结，gpt-4o-mini或claude-3-haiku足矣。只有处理复杂技术文档、需要深度推理时，才动用gpt-4o或claude-3-5-sonnet。
2. 善用系统提示词：一个清晰、具体的系统提示词能极大地减少AI的“胡思乱想”和无效输出，从而减少Token消耗。例如，明确要求“用不超过三句话总结”，而不是让它自由发挥。
3. 控制输入长度：对于fetch，如果网页内容过长，可以考虑是否真的需要全文总结。有时，只抓取文章的主要部分（通过识别HTML的<article>标签或特定class）就能大幅减少Token数。这需要修改MCP服务器的抓取逻辑。
4. 批量处理与缓存：如果你需要处理大量URL，不要用循环一个个调用脚本。最好写一个Python脚本，批量读取URL列表，集中处理，并考虑将原始抓取内容缓存到本地文件或数据库。这样，即使AI总结需要重跑，也无需重复抓取网页，节省时间和网络开销。
5. 监控API用量：定期去OpenAI、Anthropic、Groq的控制台查看使用量和费用。设置预算提醒，防止意外超支。

6.3 扩展思路：如何定制你的专属智能代理

这个项目的开源和模块化设计，为定制化打开了大门。

1. 增加新的MCP工具：这是最直接的扩展。比如，你想让代理能查询天气。
   • 找到一个开源的天气MCP服务器（或自己用Python写一个，MCP有SDK）。
   • 修改mcp-agent.py，在创建代理时，除了默认的fetch/search服务器，再连接这个天气服务器。
   • 现在，你的代理就能理解“北京今天天气怎么样？”这样的问题，并调用天气工具来回答。
2. 修改输出格式：默认输出是纯文本。你可以修改代码，让结果以JSON格式输出，方便其他程序调用。或者，集成rich库，让命令行输出变得色彩斑斓、带有表格。
3. 构建交互式CLI或Web界面：目前的工具是单次命令执行。你可以用typer或click库增强CLI，提供交互式问答模式。更进一步，可以用FastAPI或Streamlit包一层，做成一个简单的Web应用，通过浏览器来使用。
4. 集成到自动化工作流：将mcp-agent作为你数据管道的一环。例如，用爬虫定期抓取一批新闻链接，然后用这个工具批量生成摘要，存入Notion数据库或发送到Telegram频道。

这个由malminhas创建的小项目，就像一个乐高积木的基础底板。它提供了与AI模型和基础工具交互的核心能力。你能在上面搭建出什么，完全取决于你的想象力和对MCP生态的探索。从自动化的个人知识库助手，到团队内部的信息检索机器人，可能性非常多。最关键的是，它让你避开了从零开始处理API调用、协议通信这些底层细节，可以直接聚焦在构建有趣的功能上。