第四部分：练习 —— 配置宏观经济分析 MCP + Skill

• 问题描述： 你现在是一家跨国企业的战略分析师。在平时的业务中经常需要分析国家间的 GDP 增长趋势有何异同？这种趋势是否预示着某种宏观周期？然后向Leader进行汇报。

• 技术痛点：

  1. 手动查阅世界银行数据太慢。
  2. 单纯调用接口返回的 JSON 数据（Raw Data）汇报效率低。
  3. 你需要为你的blog撰写的智能体添加一个能力，既能自动获取数据，又能按照专业分析师的逻辑输出对比报告。

• 技术路径：

  1. 配置worldbank MCP 以获得读取世界各国宏观数据相关的工具
  2. 撰写 Skill 来传递 MCP 中工具的正确使用方式 和 分析方式

练习的示例答案存放在 skills\macro-economic-analysis.7z，解压即用

4.1 任务目标

配置wordbank MCP 并创建 skills/macro-economic-analysis/SKILL.md，让 Agent 能够自动使用 worldbank MCP 获取数据，进行中美 GDP 走势对比。

4.1 配置 World Bank MCP

参考文档：docs/WORLD-BANK-MCP.md（包含所有工具的详细说明）

确保 MCP 已配置

文件：src/cufel_deepagent/mcp/mcp.py

MCP_SERVERS_CONFIG = {
    # ... 其他配置
    "worldbank": {
        "command": "npx",
        "args": ["worldbank-mcp"],
        "transport": "stdio",
    },
}

4.2 撰写Skill

步骤 1：创建目录

mkdir -p skills/macro-economic-analysis
touch skills/macro-economic-analysis/SKILL.md

步骤 2：填写 SKILL.md 内容

参考项目文件 skills\macro-economic-analysis

SKILL.md 核心结构：

点击展开：完整 SKILL.md 示例（共38行）

---
name: macro-economic-analysis
description: 当用户需要分析国家宏观经济数据（GDP、CPI、通胀等）时使用此技能。
---

## 工作流程

当需要分析宏观经济时，请按以下步骤：

1. 使用 `search-indicators` 搜索正确的指标代码
2. 使用 `get-economic-data` 获取数据（设置 years=10）
3. 解析 JSON 结果，提取年份和数值
4. 对比分析两国数据
5. 输出 Markdown 格式报告


| 工具名 | 功能 | 示例参数 |
|-------|------|---------|
| `get-country-info` | 获取国家详细信息 | `{"countryCode": "CN"}` |
| `search-indicators` | 搜索经济指标 | `{"keyword": "GDP"}` |
| `get-economic-data` | 获取经济数据 | `{"countryCode": "CN", "indicator": "GDP_GROWTH"}` |
| `get-social-data` | 获取社会数据 | `{"countryCode": "CN", "indicator": "POPULATION"}` |

**常用指标代码**：
- `GDP` - 国内生产总值（美元）
- `GDP_GROWTH` - GDP 增长率（%）
- `GDP_PER_CAPITA` - 人均 GDP（美元）
- `INFLATION` - 通胀率（%）
- `UNEMPLOYMENT` - 失业率（%）


## 注意事项

- 国家代码：中国=CN，美国=US
- 默认查询 10 年数据
- GDP 单位是美元，注意转换展示

步骤 3：验证

重启 Agent，进入交互模式，输入：

uv run main.py -i

请查找合适的 skill，分析中国和美国近10年的GDP走势对比

预期输出：一份包含数据表格、趋势分析的 Markdown 报告 具体示例见教学视频

🔥 进阶挑战：不仅要看，还要存 你的 Leader 提出了新要求：他不需要阅读 Markdown 报告，而是需要你直接提供包括2015-2025 年中美 GDP 数据的 Excel 表（xlsx 格式）， 请尝试修改 Skill 或 Prompt，让 Agent 仅输出纯净的 JSON 数据，并利用 tool 转换为 xlsx 格式

💡 点击查看：你可能会遇到的问题

你会发现什么？

1. Agent 经常会在 JSON 外面包裹 "Here is the data..." 这样的废话。
2. 有时 JSON 的 Key（键名）会不稳定，一会儿叫 "gdp"，一会儿叫 "value"。

结论：让擅长聊天的 LLM 做"填表"工作非常痛苦。这就是为什么我们需要下一讲的"结构化输出（Structured Output）"技术。