我的AI Agent终于能感知现实世界了
很多同事在公司里部署AI Agent时有个误区，觉得只要把GitHub、Jira和AWS控制台接通，Agent就成了“全能员工”。但实际落地才发现，这些Agent在代码重构上很强，对物理世界却完全失明。比如问它某个室外活动地点的空气质量，它要么开始胡编，要么给你一套两年前的训练数据。
下一篇
用树莓派部署Claude Code实现X平台全自动发布 →
这种“感知缺失”其实不是大模型推理能力的问题，而是缺乏实时、高保真环境数据的输入。很多开发同学尝试自己写个Wrapper去接Google Air Quality API，结果在Google Cloud Console的IAM角色和OAuth回调里折腾三天，最后搞出来的东西极其脆弱，API稍微一变就崩。
真正能让Agent产生“智能”的，不是简单的实时查询，而是对时间维度的分析。
在实操中，我发现get_current_air_quality这种单点查询工具其实没多少含金量，真正的核心是get_air_quality_history。它能提供长达720小时（30天）的历史数据。
这意味着Agent不再是简单的“播报员”，而是能进行纵向分析。比如在处理建筑工程项目时，它能通过分析过去一个月的NO2或臭氧浓度趋势，判断污染峰值是否与特定天气或本地事件相关。这就是典型的从“搜索增强生成”转向“工具增强推理”。
另外，处理环境数据最头疼的是全球标准不统一。如果让LLM在运行中实时转换美国EPA标准和欧洲标准，逻辑报错率极高。这里推荐关注UAQI（通用空气质量指数），它把全球数据标准化在0-100之间。对于模型来说，处理标准化的数字基准比解析各种本地化的描述字符串要可靠得多。
为了降低团队接入成本，我避开了复杂的OAuth配置，直接采用了更简单的Token连接模式。目前在Claude或Cursor中配置非常快，只要有Google Maps API Key就能跑通。
具体的部署指南可以参考这个路径：
https://vinkius.com/mcp/google-air-quality这种将实时环境指标集成进工作流的方案，比单纯堆提示词要有效得多。
