FDE W2D7 学习手册 · 整合与面试准备（W2 收尾）

W2 Day7 · 整合收尾 · 4h（含 Java 恢复 2h）· 学完能把 W2 全部产出串成"基础保险知识库"，并讲清 Function Calling / MCP / 普通 API 的差异

一、W2 收尾：从单点到系统

W2 是一条主线：让 LLM "接上企业能力与知识"。回顾：

二、三件套整合：OCR Tool / Database Tool / Rule Tool

特药理赔需要三类能力，分别做成 MCP Tool 整合进同一 Server（或分 Server 由 Host 连）：

三、MCP Server 与 Client 整合（端到端架构）

一个 Host 内多个 Client，各连一个 Server；Host 负责把工具发现结果汇成"工具集"交给模型，模型在多轮里编排调用，最终结合 RAG 检索结果生成带引用的理赔结论。

四、基础保险知识库：RAG + MCP 融合

"基础保险知识库"= RAG 检索（静态知识：条款/目录/政策）+ MCP 工具（动态能力：查库/OCR/校验） 的融合体：

• RAG 侧：保单条款、特药目录、医保政策做成 ES 向量库，查询时混合检索+引用（D6）。
• MCP 侧：OCR/Database/Rule 做成 Tool，让模型能"行动"（识别、查询、校验）。
• 融合：生成 prompt 同时拼入 RAG 检索到的资料（带引用）与 MCP 工具返回的结构化结果，模型基于"资料+实时数据"作答。

五、Function Calling / MCP / 普通 API 的差异（达标线①）

六、普通 API 的定位与适用

普通 API（REST/gRPC）是代码对代码的接口，调用方、参数、流程都是确定的，与 LLM 无关。

• 适用：确定业务流程（对账、同步、批处理）、服务间集成、性能敏感路径。
• 不适用：需要模型"临场决定调不调、调哪个"的场景——那是 FC/MCP 的活。
• 与 LLM 的关系：MCP Server 底层往往就是调普通 API（如 Database Tool 调内部保单 REST 服务）。

七、三者选型决策树

八、Java 恢复 2h：Spring AI ChatClient

候选人是 Java 背景，用 Spring AI 落地最顺。ChatClient 是与 LLM 对话的统一入口，屏蔽不同模型厂商差异。

ChatClient client = ChatClient.builder(chatModel).build();
String answer = client.prompt()
    .user("这张保单能报销奥希美替尼吗？")
    .call()
    .content();

• 统一抽象：换模型（OpenAI/通义/本地）只换 ChatModel 实现，业务代码不变。
• 链式 API：prompt().user().system().tools().call() 流畅组装。
• 与 MCP 集成：ChatClient 可挂 McpToolCallback（把 MCP Server 的工具暴露给模型）。

九、Spring AI Tool Calling

Spring AI 的 Tool Calling 把 Java 方法包成模型可调工具，与 D1/D5 概念一致：

@Tool(description = "按保单号查询保单状态与额度")
public Map<String,Object> queryPolicy(@ToolParam("保单号") String policyNo) {
    return policyService.query(policyNo);
}

// 注册给 ChatClient
ChatClient client = ChatClient.builder(model)
    .defaultTools(queryPolicyTool)   // 或 McpToolCallback 接 MCP Server
    .build();

十、权限与安全串联（结合 D4/D5）

整合后安全要贯通三层：

1. 传输/端点：Remote Server 用 OAuth 门禁（D4 s11）。
2. Tool 级业务授权：Host/Server 真实权限（用户角色、保单状态），不看 Tool Annotation（D4 s10）。
3. 来源信任：Server 白名单/沙箱/能力审查（D4 s12）。
4. 数据合规：审计留痕、隐私脱敏（D5 s11）。

十一、端到端理赔流程演练

1. 用户上传病历图片 → Host 调 OCR Tool 得结构化文本（readOnly，保原文引用）。
2. 模型从 OCR 结果抽保单号 → 调 Database Tool 查状态/额度（受权限约束）。
3. 模型问"该药是否报销" → RAG 检索特药目录与条款（BM25+向量，带 [n] 引用）。
4. 模型调 Rule Tool 跑规则 → 得 covered/reason/max_amount（低随机、可解释）。
5. 模型综合生成理赔结论，每条标引用；信息不足则 should_refuse。
6. 全链路同 traceId，落审计。

十二、面试表达：如何讲清 W2 整体产出

十三、面试达标线①：Function Calling / MCP / 普通 API 三者差异与适用

十四、面试达标线②：W2 整体产出如何串成"基础保险知识库"

• RAG 侧：条款/目录/政策做成 ES 向量库，混合检索+引用溯源+无答案拒答。
• MCP 侧：OCR/Database/Rule 做成 Tool，统一结构化输出、受真实鉴权。
• 融合：生成 prompt 拼入检索资料与工具结果，模型基于"资料+实时数据"作答。
• 端到端：OCR→DB→RAG→Rule→生成(引用+拒答)→审计，全链路 trace。

十五、W2D7 自测清单

十六、高频面试题速记卡