登录社区云，与社区用户共同成长
邀请您加入社区
OpenCode 通过模型上下文协议（MCP）支持对接本地和远程工具服务。MCP 服务器在配置文件中定义，分为本地（命令行）和远程（HTTP）两种类型，支持 OAuth 认证和自定义请求头。使用时需注意工具调用会占用上下文窗口，建议仅启用必要服务以避免配额耗尽。配置灵活，可覆盖组织默认设置，并提供调试命令排查连接问题。通过精细控制工具启用状态，实现高效集成外部功能。
Anthropic收购Stainless，意在抢占Agent时代的连接枢纽。本文将带你洞察MCP协议背后的战略布局，揭示AI如何打破系统孤岛。想了解你的AI助手如何进化为真正的数字员工？这篇深度解析不容错过！🚀
Web-Doc 是一个自托管的 HTML 文档管理工具，专为 AI 生成的 HTML 内容设计。它采用 Go+React 技术栈，将每个文档存储为磁盘目录，支持流式 AI 生成、实时预览和热更新。核心特性包括沙箱化预览、MCP 协议集成（允许 AI Agent 直接操作文档）以及多模型兼容。用户可通过 Docker 或单二进制部署，实现类似 Markdown 的 HTML 文档管理体验，特别适合技
Server 端能力齐全后,本章把 Client 端实现接上,完成最小可运行的端到端链路。一个 MCP Server 即使写得再完整,没有 Client 来调用,所有能力都还停留在“声明”层面;唯有 Client 把这些能力调起来,链路才算闭环。本书使用 MCP Python SDK 实现 Client,基于asyncio异步模型。Client 的代码相比 Server 更短、模式也更固定,本质上
数据层就绪后,本章把 5 个 Tool 的实现逐一接到 SQLite 工单库上。Tool 是 MCP 三大能力中最常用的一个,也是模型与外部世界发生交互的核心入口。5 个 Tool 涵盖三类典型用法:聚合统计()、单条详情()、列表查询()、轻量分析(三类用法在 SQL 写法、参数 schema、返回结构上各有差异,逐一展开后,读者将对 MCP Tool 的实现范式有完整认识。读完本章,读者将理解
上一章把工程骨架搭起来,本章给骨架填数据。MCP Server 本质上是个“把外部数据变成模型可读形态”的中间层,所以一切 Tool 与 Resource 的实现都要先回答一个前置问题:数据从哪里来?本书示例选用 SQLite 作为数据存储。这是个嵌入式关系型数据库,以单文件形态存在、零配置、零进程,Python 标准库直接内置sqlite3模块,不必额外安装数据库服务。这一选择纯粹基于教学便利;
前三章把 MCP 的定位、能力模型、传输层逐一交代清楚,本章进入实战准备阶段,从空白目录开始,把开发环境搭起来。环境层面只关注三件事:依赖如何隔离、FastMCP 框架的最小心智模型是什么、四个核心 Python 文件如何在工程里组织。读完本章,读者将拥有一个空但完整的 MCP 项目骨架,能够成功,具备进入后续六章实战的前置条件。本章不再赘述 Python 基础;只讨论 MCP 项目特有的环境约定
上一章把 MCP 协议的定位与诞生背景讲清楚之后,本章进入它的能力模型。一个 MCP Server 究竟能“暴露什么”给 Client?这正是 MCP 与早期工具协议拉开差距的地方。MCP 把 AI 应用与外部能力之间的交互切分为三个正交维度:Resources(资源)、Tools(工具)、Prompts(提示)。三者的语义边界、触发方、生命周期都不一样,把它们混淆是初学者最常见的认知偏差。读完本
在 AI 应用开发中,语言模型本身只能处理文本,要让模型查询数据库、读取文件、调用外部接口,必须借助某种工具协议将能力暴露给模型。过去几年,各类 Agent 框架与 IDE 助手各自定义了一套工具调用规范,导致同一个功能往往需要为不同生态分别封装,集成成本随接入对象数量线性上升。Model Context Protocol(模型上下文协议,MCP)的出现意在解决这种生态割裂。它将 AI 应用与外部
上周接了个需求：给一个老项目加国际化支持，涉及 38 个文件、4 种语言。我估了一下，一个人干大概要两天。用 Claude Code 单线程跑，也得四五个小时——因为它得一个文件一个文件地改，改完一个才能看下一个。然后我试了 SubAgent。结果：47 分钟搞定。不是我在吹，是任务日志里白纸黑字写着的。
最近跟几个做AI应用的朋友聊天，发现大家都有同一个痛点：大模型能力确实强，但一到"动手"就歇菜。你让GPT帮你查个数据库？它只能给你写SQL，执行还得你自己来。你让它帮你发个邮件？它只能给你草稿，发送还得你自己点。说真的，这个问题困扰了我挺久。直到我开始用MCP（Model Context Protocol），才感觉事情开始变得不一样了。今天这篇文章，我就从零开始，手把手带你搭一个MCP工具服务器
本文旨在用一张清晰的全景图，将这些技术概念按照协议层 → 能力层 → 模式层 → 框架层 → 应用层的逻辑梳理清楚，帮助你建立完整的认知体系。
Claude Code 上周更新到 v2.1.76，同时 Anthropic 把 100万 token 上下文正式开放了，不加价。一句话：现在是上手 Claude Code 最好的时机。这篇不写代码，只讲操作。你跟着打开终端，5分钟就能把这些新功能用起来。
Claude Code教程（五）|MCP指南
本文是对 @affaanmustafa 的 Claude Code 实战推文（Anthropic Hackathon 获奖者）的深度归纳整理，覆盖深度使用 10 个月后最值得分享的六大核心模块：Skills（技能）、Hooks（钩子）、Subagents（子代理）、MCP 协议、Rules 规则文件与实用快捷键。 文章揭示了新手最容易踩的坑——把 MCP 全部开启导致上下文崩溃——并给出「安装 2
本文介绍了MCP（Model Context Protocol）模型上下文协议的概念及其在AI应用中的重要作用。MCP作为Tool Calling的统一管理框架，解决了工具接口格式不统一、模型需硬编码工具定义等问题。文章详细阐述了MCP Java SDK的架构设计，包括Client/Server交互模型、Session管理和三种传输协议（Stdio、HttpClient SSE、WebFlux S
Cursor 用了快一年，日常写代码够用。但遇到跨文件重构、从零搭架构这类活，它的 Agent 模式经常半途而废——改了三个文件，漏掉第四个的类型定义，然后整个项目跑不起来。上个月试着把 Claude Code 接进 Cursor，两个工具配合用。折腾了一周，三种集成方式都试了一遍。这篇文章记录我的实测过程，包括配置步骤、踩过的坑、以及最后选了哪种方案。
AI Agent开发的本质不是"写Prompt"，而是设计一个能自主完成任务的系统。核心能力清单MCP协议：标准化工具集成LangChain：快速构建Agent原型RAG：给Agent装上靠谱的大脑监控：让Agent可观测、可调试2026年，Agent开发已经从"科学家玩具"变成"工程师日常工作"。门槛在降低，但天花板还在升高。
KV Cache 把前面所有 token 的 K 和 V 矩阵缓存在 GPU 显存里，每次新 token 只算自己的 Q、K、V，然后跟缓存的 K/V 做 attention，把总计算量从 O(N³) 降到 O(N²)。如果两个请求的 Prompt 前缀完全相同（比如都用同样的 System Prompt），第一个请求算完的 KV Cache 在 API 服务器上保留下来，第二个请求遇到相同前缀直
Model Context Protocol (MCP) 是 Anthropic 推出的 AI 工具集成开放标准，让 LLM 能像 USB 一样即插即用地接入外部工具和数据源。本文从原理出发，通过完整的 MCP Server 和 Client 代码示例，手把手教你构建第一个 MCP 服务器、连接数据库、暴露 REST API，并部署到生产环境。
Anthropic 2026年发布 Claude Agent SDK，让开发者用 Python/TypeScript 构建具备工具调用、子Agent编排、MCP服务器集成能力的AI Agent。本文从零开始，通过完整代码示例带你掌握 Agent SDK 的核心概念：工具定义、钩子机制、子Agent、会话管理，以及生产环境部署的最佳实践。
《AI代理团队构建指南：让企业自动运转的完整方案》 核心摘要： 现状痛点：90%的AI团队30天内失败，主因是构建不当和缺乏监控，导致系统崩溃时造成邮件故障、工单遗漏和资金浪费。 三大基础代理： 研究代理：替代市场分析师，主动监控竞品和行业趋势，每周生成可执行简报 内容代理：处理全周期内容创作，通过质量门控确保输出符合品牌调性 运营代理：自动化邮件分类、会议准备等日常事务，将创始人耗时从2小时缩短
这些任务希望模型自然流畅但不能太离谱。Temperature 可以从 0.5~0.7 试起，Top-P 保持 0.9 或官方默认值。这是很多 ChatBot、客服 AI 会尝试的配置区间，平衡了多样性和可控性。不要把某个产品某个版本的默认值当成行业固定标准，模型更新后默认策略也会变。
微软.NET 11 Preview4发布，重点强化AI开发能力。EF Core新增原生向量搜索支持，通过SqlVector类型和向量距离计算函数实现语义检索，为RAG应用提供基础设施。同时引入MCP Server模板，标准化AI模型调用外部工具的协议，使开发者能快速构建AI工具服务。二者结合可构建完整RAG应用：向量搜索负责语义检索，MCP协议实现AI模型与业务系统的安全交互。这标志着.NET正从
ESP-IDF v6.0 引入了 Tools 本地 MCP Server，这一功能可让 Cursor、Claude Code 等 AI 客户端直接控制你的项目 —— 包括设置目标芯片、构建、烧录以及检查项目状态。本文将介绍其工作原理，并一步步带你完成配置。
2024 年底 Anthropic 开源了 Model Context Protocol（MCP），到现在一年半，月下载量已经破了 1.1 亿次。增速比当年 React 还猛。但下载量不等于用好了。我在自己的项目里前后接了 6 个 MCP Server，过程中踩坑花的时间比写业务代码还多。把这些问题和解法记下来，你应该能少走几天弯路。
AI CLI 正在改变开发方式，但多终端、多模型、多任务也带来了状态不可见、上下文分散、改动难追踪等新问题。SpectrAI 把 Claude Code、Codex、Gemini 等 Provider 放进同一个桌面指挥中心，提供多会话编排、Agent Teams、Mission DAG、MCP 工具网关与 Worktree 隔离。
本文详细介绍了大语言模型(LLM)的核心概念和工作原理。主要内容包括：1) LLM基于Transformer架构，通过文字接龙方式生成回答；2) Token是文本处理的基本单元，通过Tokenizer进行编码/解码；3) Context机制让模型记住对话历史；4) Prompt工程优化模型输出；5) Tool工具扩展模型能力；6) MCP协议标准化工具调用流程，解决跨平台适配问题。文章还深入解析了
《Claude高阶使用指南：18个技巧释放AI全部潜能》 核心要点： 项目制用法 - 创建专属项目空间实现持续记忆，避免每次重启对话归零 深度定制三步骤： • 填写个人资料模板（职业/目标/偏好） • 生成定制指令（沟通风格/响应格式） • 文风克隆（提供3-5个写作样本让AI模仿） 进阶技巧： • 攻击性测试：要求AI全力反驳你的商业计划漏洞 • 费曼学习法：强制用生活案例解释专业概念 • 旅行
本文探讨了在智能代理时代，传统记录系统（如CRM、ERP）的竞争壁垒正在发生根本性转变。随着Salesforce等企业推出"无头产品"，价值重心从用户界面向数据层迁移。文章指出，传统依赖人工操作习惯和界面粘性的护城河正在弱化，而数据模型、权限体系、工作流逻辑等底层架构的重要性凸显。新兴AI原生系统将具备机器可读性、闭环执行能力和多方协调功能，其竞争优势来自专有数据生成、现实世界
MCP是Anthropic推出的开放协议，旨在标准化AI模型接入工具的过程，解决碎片化、难复用和强绑定问题。它采用Client-Server架构，通过JSON-RPC 2.0通信，支持stdio和Streamable HTTP传输。协议定义了三类核心能力：Tools（执行操作）、Resources（只读数据）和Prompts（提示词模板）。工具提供方只需实现一次MCP Server，即可被所有支持
解耦测试：在将任何 MCP 接入 Cursor 前，先在本地终端运行该脚本，确保 Token 和网络通畅。监控日志：遇到转圈时，通过查看，这里有最真实的错误代码（如403或ETIMEDOUT保持简洁：过多的 MCP 服务器会显著增加后台功耗和进程挂起的概率。
MCP
——MCP
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
openEuler 社区
AtomGit开源社区
DeepSeek技术社区
