---
title: "MCP core for an LLM assistant"
url: "https://ramenm.com/zh/projects/enhanced-mcp-agent"
markdown_url: "https://ramenm.com/zh/projects/enhanced-mcp-agent/index.md"
locale: "zh"
content_language: "zh-Hans"
page_kind: "project"
source: "localized_path"
llms_url: "https://ramenm.com/llms.txt"
llms_full_url: "https://ramenm.com/llms-full.txt"
---

# MCP core for an LLM assistant

- Case study URL: https://ramenm.com/zh/projects/enhanced-mcp-agent
- Markdown URL: https://ramenm.com/zh/projects/enhanced-mcp-agent/index.md
- Role: AI Tooling Developer
- Period: 2025
- Team: Solo

LLM assistant 的 backend core，包含 plugin execution、hot reload、tool chains 和 explicit context handoff。

## Problem
Assistant 超过 demo 阶段后，plugins 和 tool calls 很难在不破坏 runtime 的情况下继续演进。

## Solution
构建 FastAPI execution core，包含 plugin lifecycle management、hot reload、cascading tool calls，以及带 execution history 的 CLI client。

## Impact
可以添加新 tools 而不重写 assistant core，并且 tool execution 更容易 inspect。

## Stack
- Python, FastAPI, MCP, Tool calling, LLM APIs, Docker / Docker Compose, TypeScript

## Metrics
- Plugin model: Hot reload
- Execution: Context handoff
- Surface: CLI + API

## Highlights
- 实现 plugin hot reload，不需要重启 core process。
- 在 chained tools 之间建立 explicit context handoff。
- 把 runtime responsibilities 和 plugin responsibilities 分开。

## Lessons
- AI tooling 在 execution behavior predictable 时才真正有用。
- Clean plugin boundary 比接入更多 models 更重要。