别再用 API 播报实时数据了，让 AI Agent 具备环境感知能力的正确姿势

很多在公司内部部署 AI Agent 的同学容易陷入一个误区：认为只要把 GitHub、Jira 或者 AWS 控制台这些数字化接口接通，Agent 就能成为所谓的“全能员工”。但在实际落地场景中，你会发现这类 Agent 在处理代码重构或文档分析时表现惊人，但面对物理世界却完全“失明”。比如当你询问某个室外活动地点的实时空气质量时，它要么开始一本正经地胡编乱造，要么抛给你一套两年前的训练数据。

这种典型的“感知缺失”其实并非大模型的推理能力出了问题，而是它缺乏实时、高保真环境数据的输入。很多开发同学尝试通过编写简单的 Wrapper 去对接 Google Air Quality API，结果在 Google Cloud Console 的 IAM 角色配置和 OAuth 回调机制里折腾了三天，最后勉强跑通的东西极其脆弱，API 只要有微小变动整个工作流就崩掉。

在实操过程中我意识到，真正能让 Agent 产生“智能”的，绝不是简单的实时查询，而是对时间维度的分析能力。

一个常见的错误做法是给 Agent 定义一个 get_current_air_quality 这样的单点查询工具。这种工具的含金量极低，因为它让 Agent 沦为了一个简单的“播报员”。真正核心的能力应该是 get_air_quality_history，它能够提供长达 720 小时（即 30 天）的历史数据。

当 Agent 拥有了纵向时间轴的数据支持，它就从简单的“搜索增强生成（RAG）”转向了“工具增强推理”。以建筑工程项目管理为例，如果 Agent 只能看到当前的 AQI 数值，它只能告诉你现在能不能施工；但如果它能分析过去一个月的 NO2 或臭氧浓度趋势，它就能判断污染峰值是否与特定的天气模式或本地事件相关，从而给出具有前瞻性的预警建议。

此外，在处理环境数据时，全球标准不统一是一个巨大的坑。如果让 LLM 在运行过程中实时转换美国 EPA 标准和欧洲标准，逻辑报错率会非常高，因为模型在处理复杂的本地化描述字符串时容易产生幻觉。这里我建议关注 UAQI（通用空气质量指数），它将全球数据统一标准化在 0-100 之间。对于模型而言，处理标准化的数字基准比解析各种模糊的文本描述要可靠得多。

为了降低团队的接入成本，我建议避开复杂的 OAuth 配置，直接采用更简单的 Token 连接模式。目前在 Claude 或 Cursor 等环境中配置速度极快，只要拥有 Google Maps API Key 即可跑通，无需在复杂的权限矩阵中浪费时间。

具体的部署路径可以参考：https://vinkius.com/mcp/google-air-quality

总的来说，将实时环境指标深度集成进工作流，比单纯在 Prompt 里堆砌提示词要有效得多。让 Agent 真正感知现实世界的关键，不在于它能“查到”什么，而在于它能通过标准化数据的时间维度分析出什么。