第 2 讲 引擎是什么：连接器与工具
【可执行状态】现在就能做
【本讲对应资产】7 个引擎（连接器）、70 个工具
【本讲原理来源】L3 第 20 课《Function Calling 深度解析》、第 18 课《Agent 生态认知革命》
引子：同一间办公室，两种结果
同一个办公室，两位老师，同样用 WorkBuddy，结果不一样。
刘老师（化名）把需求打进去，等它回一段话，然后复制到自己的 Word 里，
调格式、补页眉、改学时写法。她说：“这东西挺好，能帮我打个草稿。”
张老师（化名）说一句话，等几分钟，拿到一个能直接交上去的 docx，
打开核对一遍就完事。她不复制粘贴，也不调格式。
打个比方：这就像两台一模一样的咖啡机——一台接着水管，一台靠人一杯一杯加水。
机器没差别，接没接上水，才是差别。
这一讲不讲操作，只讲清一件事：引擎是什么、有几个、各自管什么。
这是本书后面十七讲的骨架——每一讲都会告诉你，这讲的活是哪个引擎在干。
一、场景
同一间办公室，两位老师，同样用 WorkBuddy，结果不一样。
刘老师（化名）的用法是：把需求打进去，等它回一段话，然后把这段话复制到自己的 Word 里，
调格式、补页眉、改学时的写法。她说：“这东西挺好，能帮我打个草稿。”
张老师（化名）的用法是：说一句话，等几分钟，拿到一个能直接交上去的 docx 文件，
打开核对一遍就完事。她不复制粘贴，也不调格式。
同一个入口，为什么差别这么大？
不是模型不同，也不是谁更会提问。差别只有一个：张老师的入口后面接上了引擎，刘老师的没有。
这一讲不讲怎么操作，讲清一件事：引擎是什么、有几个、各自管什么。
这是本书后面 16 讲的骨架——每一讲都会告诉你，这一讲的活是哪个引擎在干。
二、原理一页：一个入口，七个引擎
1. 先把“引擎”这个词定准
本书反复说“引擎”，给一个说得准的定义：
一个引擎 = 一张脸 + 一条通道 + 一个内核。
>
三件凑齐，一个应用才算真正在 WorkBuddy 里落了地。
把这三件摊开看（用去医院打个比方，一眼就懂）：
| 三件 | 是什么 | 医院里的对应 | 老师要管吗 |
|---|---|---|---|
| 一张脸 | 专家卡 / 专家团——有名字的角色，老师找的就是它 | 挂号的科室（内科、骨科、检验科） | 要管：知道找哪个 |
| 一条通道 | MCP 连接器——把能力接进 WorkBuddy 的通道 | 医生开的检查单（通向哪儿） | 认得出名字 |
| 一个内核 | zhenyuonline 上的应用——真正干活的实现 | 后面出结果的检验科、影像科 | 不用管 |
说清这三件，是这一讲的全部任务。 后面十八讲，每一讲都会告诉你：
这句活在 WorkBuddy 里找谁（专家卡）、走哪条通道（连接器）、拿回什么文件。
关键在这里：这三件不是可选项，是一个整体。
- 只有内核（应用）、没有专家卡 → 老师在 WorkBuddy 里找不到它；
- 只有专家卡、后面没接通应用 → 点开了，它也交不出文件；
- 通道接错了应用 → 交出来的东西不是你要的那件事。
所以本书后面说“把某个应用做成一个引擎”，指的永远是这一整套动作：
给它做一张专家卡、接一条连接器、把背后的应用连上。
打个比方：这就像给医院新设一个科室——挂牌子（专家卡）、拉线路（连接器）、
配检查设备（应用）。只挂牌子不配设备，患者进来也是白跑一趟。
2. 七个引擎，一张总表
把七个引擎按上面的三件摊开，就是全书的骨架表（建议这一页折个角）：
| 引擎（干哪类活） | 一张脸：专家卡 / 专家团 | 一条通道：连接器 | 一个内核：背后的应用 | 工具数 | 对应讲次 |
|---|---|---|---|---|---|
| 教学内容的设计与实现 | 知言（教师备课助手） | lesson-agent | 备课引擎 | 11 | 第 3—7 讲 |
| 教学管理的资料自动化填制 | 教学资料填制员 | doc-filler | 填制引擎（含模板库） | 6 | 第 8—13 讲 |
| 课题与科研的实现与修改 | 科研助手专家团（团长：科研助理） | research-assistant | 科研引擎 | 8 | 第 14—17 讲 |
| 作品与竞赛应用建设 | 数智应用建造师 | app-builder | 建造器引擎 | 8 | 第 18 讲 |
| 完整业务示范（全链条） | 普洱跨境运营官 | puer-crossborder | 普洱跨境应用 | 12 | 第 19 讲 |
| 数据类应用（估值/指数/寻源/课程） | 明算、观澜、权衡等 | zhenyuonline | 平台上的 20 个应用 | 20 | 拓展用 |
| 外文资料翻译 | 通译（文档翻译官） | pdf-translate | 翻译服务 | 5 | 第 14 讲起配合 |
七个引擎一共 70 个工具。
3. 两类角色：一张卡，还是一个团
上面那张表里出现了两种形态，先分清：
| 形态 | 是什么 | 怎么用 | 真实的例子 |
|---|---|---|---|
| 专家卡 | 一张卡 = 一位有名字的“专员” | 点开它，直接说你的活 | 知言（教师备课）、通译（文档翻译）、教学资料填制员、文献侦察员、课题申报专员、数智应用建造师 |
| 专家团 | 一个团队 = 多个角色的协作组，有团长 | 面向一类跨步骤的复杂任务 | 科研助手专家团（科研助理＋文献侦察员＋资料管理员＋课题申报专员＋论文写手，团长是科研助理） |
一句话区别：专家卡是“找一个人办一件事”，专家团是“找一个团队办一类事”。
日常的活（出一份教案、填一批作业）用专家卡最快；
跨步骤的活（从查文献到写申报书到改论文）交给专家团，它会按顺序把活派下去。
再记一遍那句话：说“这活交给某个引擎”，意思就是——
在 WorkBuddy 里找到它那张脸（专家卡），说一句话，它顺着通道（连接器）去调背后的应用干活。
4. 为什么能力放在引擎里，而不是全塞进入口
这是 2025—2026 年 AI 应用最重要的一次结构变化，值得记住：
入口做薄，能力做厚。
入口只负责三件事：听懂你的话、决定用哪个工具、把结果拿给你看。
真正的活——读文件、填模板、算学时、查数据库——全部放在引擎里，一样一样做成工具。
这么做有三个好处，每一条都对应教师的一个实际困扰：
- 换模型不用改流程：今天用这个模型，明年换更强的，引擎里的工具不用重写，你的习惯不用重学。
- 能力可以点名：工具都有名字（如
filler_batch、lesson_gen）。有名字才能被叫到，
也才能被写进书里、说给别人听、做成一面可复用的“能力墙”。
- 能验收：每个工具都有明确的输入和输出。做没做成，不看它怎么说话，看它交没交出文件。
5. 工具的真名长这样
工具在系统里的全名由三段拼成：
mcp__<引擎名>__<工具名>例如把一批学生的结课作业填出来，用的是：
mcp__doc-filler__filler_batch这三段读法：mcp = 这类能力的通用协议名（Model Context Protocol，模型上下文协议）；
doc-filler = 引擎名；filler_batch = 工具名。
你不需要背这些名字，但你需要在两个场合认得出它们：
一是排错时看日志，二是给同事或学院写材料时说明“我们用的是哪条链路”。
本书附录 A 有一张完整的工具速查表。
6. 七个引擎，各自的关键工具
这本读本说的所有活，都由七个引擎承担。按你手上的活分，是这样一张对照表
（这是全书的目录骨架，建议这一页折个角）：
| 你要干的活 | 引擎 | 工具数 | 看看在哪一讲 |
|---|---|---|---|
| 教学内容的设计与实现 | lesson-agent | 11 | 第 3—7 讲 |
| 教学管理的资料自动化填制（含模板库） | doc-filler | 6 | 第 8—13 讲 |
| 课题与科研的实现与修改 | research-assistant | 8 | 第 14—17 讲 |
| 作品与竞赛应用建设 | app-builder | 8 | 第 18 讲 |
| 完整的业务示范（全链条） | puer-crossborder | 12 | 第 19 讲 |
| 数据类应用（估值、指数、寻源） | zhenyuonline | 20 | 拓展用 |
| 外文资料翻译 | pdf-translate | 5 | 第 14 讲起配合用 |
七条通道一共 70 个工具。
先看前三个——也就是你日常最多的那三类活：
教学内容（lesson-agent，11 个工具）：把课程资料变成教案，再变成能放的课件、能收成绩的练习。
关键工具是 lesson_gen（生成教案草稿）、lesson_revise（按你的意见改）、
lesson_finalize（按学院模板定稿）、lesson_deck（生成网页课件）、quiz_create 与 quiz_scores（出练习、收成绩）。
教学管理填制（doc-filler，6 个工具）：把数据填进学校的 Word 模板，一次出一批；
模板可以是内置范例，也可以是老师自己上传的（第 9 讲专讲这件事）。
关键是 filler_templates（看模板库）、filler_template_info（要准备什么数据）、
filler_template_upload（上传自己的模板）、filler_run（出一份）、
filler_batch（按名单出一批）、filler_check（核对是否真填完）。
课题与科研（research-assistant，8 个工具）：文献、术语、申报书、论文一路做下来。
关键是 lit_card（文献精读卡）、grant_extract_dict（把已填申报书解成课题字典）、
grant_fill（字典 + 模板 → 全套文档 + 校验报告）、paper_draft（写章节草稿）、
docx_polish（正式排版）。
7. 一条判断：这事有没有“带名字的工具”在干
读到后面，你会遇到很多“这件事能不能做”的问题。用一个问题就能判断：
这件事，有没有一个带名字的工具在干？
- 有名字（如
filler_batch）→ 能做，而且是确定的、可验收的 - 没名字，只有“AI 大概能帮你” → 那是聊天，不是引擎，别指望它交文件
8. 一条演进线：AI 应用是怎么长成今天这样的
例如，2022 年的大模型应用，基本是“一个模型加一个聊天框”——问它答、答完你自己动手；
2023 年出现插件，能查天气、能读文件，但每接一个能力都要给这个平台单独做一次适配，
就像家里每来一件新电器就要重新布线；
2024 年前后，工具调用（Function Calling）成熟，模型第一次能看懂一份“工具说明书”
并按说明书准备参数；到了 2025—2026 年，MCP 这样的标准协议出现，
能力终于成了可以“插上去”的插座——同一个能力，谁都能接，不用为每个平台重做一遍[1]。
打个比方：这就像电源插头的标准化。早年各国插头形状不同，出国要带一包转接头；
后来统一了标准，电器走到哪儿都能插。引擎这个概念能成立，靠的正是这次“插头标准化”。
再比如，这件事在软件行业早有先例：早年每个软件都要自己写打印功能，
后来有了系统级的打印服务，所有软件都调它。能力被抽出来、被标准化，是效率跃升的前置条件。
三、动手三件套
先看一眼：这三步在界面上长什么样
下面三张图是同一次真实操作的三个阶段。请对照你自己的界面看一遍——从“说一句话”到“拿到东西”，
中间只有三个画面。
第一步，说需求。 你不用挑引擎，也不用填表。把要办的事写进这个框里就行——说清“做什么、按什么来、给谁用”三件事。
图里这句话是：“帮我按学校模板出这学期的教学大纲，两门课：《数智分析与应用》《跨境电商大数据统计与分析》”。
注意框下面那两个选项：工作空间和权限。工作空间决定它能看见你哪些资料，权限决定它能写到哪儿去——
这两项是后面每一讲出活前都要确认的（附录 C 有详解）。
第二步，选人。 点「专家·技能·连接器」→「我的专家」，你接进来的每个引擎都在这里有一张带名字的卡。
主页面上那些卡（明算、观澜、权衡、知言、通译……）都是这么来的：一台引擎，一张卡，一个名字。
点卡片上的「召唤」，它会把“能替你干什么”摊开给你看——那几条就是这张卡背后引擎的主要入口。
“有名字才被调用”这句话，在界面上就是这个样子。
第三步，收结果。 看这张图里的回答：数据集 294 条、设计廊 18 件、跨境 listing 14 条、店铺在架 14 件——
这些数字不是它编的，是它调引擎从数据库里取回来的。判断一台引擎有没有真跑，就看这一点：
它给你的是你系统里的数，还是像模像样的一段话。
顺便注意图里那行小字“已完成 22s”。这是这台引擎的真实响应时间——22 秒里它做了这么几件事：
认领任务 → 调工具查进度 → 汇总 → 给下一步建议。快，是因为它调用的是现成的工具，不是现推的公式。
这三步合起来，就是本书每一讲都会重复的结构：
你说一句话 → 找一张带名字的卡 → 拿回一个能打开的东西。
一句话指令
“我现在接了哪几个引擎？每个引擎能干什么？按我手上的活列给我。”
预期产物
一张《我的引擎清单》。照下面的样子填，第三列写你自己这学期真实要干的活：
| 引擎 | 工具数 | 能替我干的活（写你的真实任务） | 我打算先试哪个 |
|---|---|---|---|
lesson-agent | 11 | 例：《商业数据分析》第四章教案与课件 | |
doc-filler | 6 | 例：下学期课程大纲与教学进度表（用学校自己的模板） | |
research-assistant | 8 | 例：两篇英文文献的精读卡 | |
app-builder | 8 | 例：带学生做的省赛作品站 | |
puer-crossborder | 12 | 例：想看看完整链路怎么走 | |
zhenyuonline | 20 | 例：课堂演示用的数据看板 | |
pdf-translate | 5 | 例：泰文合作材料翻译 |
校验点
逐行自查三条：
- 数目对得上：前三个引擎的工具数分别是 11、6、8。对不上，说明你看到的入口和我这本读本讲的不是同一套配置，
先看附录 C 的连接器配置。
- 每条活都写出了引擎名：只写“AI 帮我做大纲”不算，要写成“用
doc-filler出大纲”。 - 至少一行是你本周真要交的：把它圈出来，那一行就是你接下来要读的那一讲。
四、常见错误与排错
错误一：只装了入口，没接引擎。
表现是：界面看起来正常，但让它出文件时，它只能给你一段文字。
原因：入口和引擎是两件事，引擎要单独配置（见附录 C）。
排错：问一句“我现在接了哪几个引擎”。答不上来或数目不对，就是没接好。
错误二：引擎连上了，但被“信任门”拦在门外。
表现是：配置文件里明明写了这个引擎，它却不用。
原因：新连接器第一次用需要登记信任，否则会被安全机制静默跳过——不报错，只是不用。
排错：看日志里有没有 skipping untrusted server 这样的字样。这是本书排错部分最常出现的一条，
附录 C 有完整的处理步骤。
错误三：明明有引擎，模型却不去用。
表现是：它自己动手写了一段 Python 代码，想“模拟”填制，结果格式和学校模板对不上。
原因：工具要在指令里被点到名，模型才倾向于调用它。
排错：在指令里直接点名，例如“用 filler_batch 把这批学生作业按模板出出来”。
本书每一讲的指令模板都带了工具名。
错误四：三个场景混着用。
表现是：想批量出作业，却去用了备课引擎，来回试半天。
排错：回到本节第 4 点那张表——先定场景，再定引擎，顺序不要颠倒。
错误五：把工具数当成绩。
表现是：以“我们有 70 个工具”为成果。
排错：工具数是能力储备，不是交付。能交付的是文件。每一讲都有一条“预期产物”，
产物拿不到，工具再多也没用。
五、边界与红线
- 引擎在服务器上跑，数据要出本机。公开教材、自己写的教案、已公开的政策文件可以传；
学生个人信息、未公开的科研数据、涉密合作材料不要传（见第 12 讲的学生名单处理方式）。
- 引擎只做确定的执行，判断留给人。它能把数据填进模板，不能替你决定课程目标该怎么写。
- 引擎的能力有边界，别拿它当万能。它擅长“有模板、有规则、有数据”的活；
没有模板、没有标准答案的活（比如“帮我想想这门课该怎么改”），它只能给草稿，判断还是你的。
- 引用工具要写清名字。教研材料、申报书里写“使用 AI 工具”太模糊，
写成“使用 doc-filler 引擎的批量填制工具”才可复核。
六、拓展与学科迁移
- 跨专业的引擎对照：同是
doc-filler，电子商务专业可以填选品报告、财务管理专业可以填预算说明、
国际经济与贸易专业可以填报关材料——引擎不变，模板和数据换掉，这就是第 8 讲讲的那道公式。
- 把“引擎清单”变成专业建设材料：一个专业把这七个引擎里用到的部分列出来，
就是一份《专业 AI 应用能力清单》，可以直接进专业建设与教改申报。
- 下一步：给自己的学科做一个引擎。当你发现某类活重复到第十次、而且每次规则都一样，
它就到了该被做成引擎的时候——第 19 讲会展示一个完整的例子。
带走一句话
入口做薄，能力做厚——换个更强的模型，你的流程不用改。
参考文献
[1] Anthropic. Introducing the Model Context Protocol[EB/OL]. https://www.anthropic.com/news/model-context-protocol.（MCP 作为开放标准，使能力可被不同应用复用）
[2] OpenAI. Function calling[EB/OL]. https://platform.openai.com/docs/guides/function-calling.（工具的描述与参数如何决定模型能否正确调用）
背后的引擎（本讲速查）
| 你在书上看到的话 | 在 WorkBuddy 里找谁（专家卡/专家团） | 走哪条通道（连接器） | 工具全名怎么读 |
|---|---|---|---|
| 出教案、改教案、定稿、出课件、出练习 | 知言（教师备课助手） | lesson-agent | mcp__lesson-agent__lesson_gen |
| 出大纲、批量出作业、用自己上传的模板 | 教学资料填制员 | doc-filler | mcp__doc-filler__filler_batch |
| 文献精读卡、申报书、论文 | 科研助手专家团（团长：科研助理） | research-assistant | mcp__research-assistant__lit_card |
| 作品站、看板、货架 | 数智应用建造师 | app-builder | mcp__app-builder__app_scaffold |
| 全链示范（市场→设计→上架→直播→复盘） | 普洱跨境运营官 | puer-crossborder | mcp__puer-crossborder__puer_status |
| 外文资料译成中文 Word | 通译（文档翻译官） | pdf-translate | mcp__pdf-translate__pdf_translate |
本讲要点（速记）
- 一个引擎 = 一张脸 + 一条通道 + 一个内核：专家卡/专家团 + MCP 连接器 + zhenyuonline 上的应用
- 一个入口：WorkBuddy——老师说一句话，说给某个有名字的角色听
- 一句结构：入口做薄，能力做厚——换个更好的模型，你的流程不用改
- 一条命名：
mcp__<引擎>__<工具>，三段读得懂，就能排错、能写材料 - 七个引擎 70 个工具：教学内容 11、填制 6、科研 8、作品 8、全链 12、数据 20、翻译 5
- 一条判断：这件事有没有一个带名字的工具在干？有 = 能做且可验收，没有 = 那还是聊天