登录社区云，与社区用户共同成长
邀请您加入社区
我依然会使用“豆包”处理一些日常对话和简单任务。但当我需要深度、专业、高效地工作时，“Cherry豆包”成为了我的不二之选。这不是关于哪个工具更好的争论，而是关于如何让工具更好地适应我们的需求。在AI快速发展的今天，最大的优势不是拥有最强大的单一模型，而是能够灵活组合最合适的能力，解决最具体的问题。用一个密钥，打开一个世界。这就是我的“Cherry豆包”哲学。你的“Cherry豆包”第一个想实现的
本文详细介绍了MCP连接器的9种架构设计模式，包括本地客户端、Agentic RAG、多智能体系统、语音交互、统一服务器等，每种模式都包含构建流程和技术栈分析，并针对不同业务场景提供了选型建议，帮助开发者构建高效的大模型应用架构。
今天这份《The AI Engineering Guidebook（2025 Edition）》，就是其中绝对的顶尖存在——384页硬核内容，工程导向，拉满干货，免费开放。
MCP 协议为 AI 应用提供了标准化的交互方式，但在企业级落地过程中，我们面临着诸多挑战，比如：认证鉴权受限、部署模式复杂多样以及技术债务风险等诸多问题。目前，MCP Server 主要有五种架构模式，每种架构各有其独特的优势和劣势，适用于不同的业务场景。
本文详细解析了大模型开发核心技术MCP、LangChain与LangGraph的概念和架构关系。MCP作为模型上下文协议连接AI模型与外部数据源，LangChain提供LLM应用开发框架，LangGraph实现复杂多智能体工作流。文章介绍了两种MCP集成方式：直接使用MCP客户端和通过langchain-mcp-adapters适配器，并提供了完整的项目结构和学习资源，帮助开发者构建强大、可靠的A
摘要：Anthropic推出的Agent Skill已成为AI领域的通用设计模式，它作为"AI的专属说明书"解决了任务规则重复定义和资源高效利用的痛点。通过3步即可创建任务助手：创建文件夹、编写skill.md文件、调用验证。高级功能Reference实现条件触发的补充资料加载，Script支持零Token消耗的自动化执行。其核心机制采用"渐进式披露"的三层
本文深入剖析了OpenAI的Function Calling与Anthropic的MCP两种大模型工具调用架构。Function Calling允许LLM与外部API交互获取实时信息，而MCP则提供标准化的工具调用协议。文章澄清MCP并非Function Calling的替代，而是在其基础上结合Agent系统提供统一接口，解决了跨模型一致性和平台依赖性问题，为大模型与外部工具集成提供了更高效、安全
本文深入解析A2A与MCP两大核心技术如何构建AI智能体协作生态。A2A协议实现智能体间通信协作，MCP提供工具连接能力，二者结合使AI智能体从独立作业转向团队合作。文章详细介绍了A2A架构设计、企业级整合方案、应用场景、技术实现及安全治理，并展望了智能体网络发展趋势。掌握这两项技术，是进入AI协作新世界的入场券。
本文介绍了AI应用的三大主流协议：MCP解决AI调用外部工具，A2A实现AI间协作，AG-UI规范AI与界面交互。这些协议构成现代AI应用通信骨架，提高开发效率，优化用户体验。文章详解了各协议的技术实现、应用场景和优势，并提供大模型学习路线资源，帮助开发者快速掌握大模型应用开发技能。
2025年AI开发迎来MCP（模型上下文协议）新标准，6大工具显著提升开发效率25%-40%。GitHub MCP Server实现仓库自动化管理，GitMCP降低代码幻觉率70%，Playwright MCP支持浏览器自动化，Memory MCP加速团队协作，Filesystem MCP保障企业文件安全，Fetch MCP优化网页内容获取。这些工具使AI直接连接开发环境，自动化重复工作，改善信息
文章详细介绍了MCP上下文管理技术，通过三层记忆架构和智能化上下文压缩，解决传统AI的Token限制和状态丢失问题。MCP MemoryKeeper等项目实现了跨会话记忆、项目上下文关联等功能，让AI从"对话工具"升级为具有持续学习能力的"工作伙伴"。该技术已应用于金融客服、制造业设备维护等领域，提供了企业级持久化策略、效能优化和安全保护方案。
本文深入解析AIGC、MCP和Agent三大AI核心技术。AIGC利用大模型生成多模态内容，结合RAG技术解决知识局限；Agent作为智能系统能自主决策，通过Function Call实现与外部工具交互；MCP作为标准化协议解决了模型与外部数据源集成的难题。三者共同构成大模型应用基础架构，提供从入门到实战的完整学习路径和资源，助力掌握AI大模型全栈开发能力。
摘要 Model Context Protocol（MCP）是一种开放标准协议，旨在解决大模型与外部工具、数据源集成困难的问题。MCP通过统一接口连接AI应用（如LLM、Agent）与各类服务，降低集成复杂度，促进开放生态。核心包括基于JSON-RPC的协议层、工具调用、资源访问和提示模板三大能力，支持多种传输方式。相比传统插件或手写集成，MCP将N×M的定制集成简化为N+M的标准协议，实现解耦复
表面上看，MCP 只是个技术协议，但它代表的却是一种更开放、更协同的工程哲学：把能力作为可发现、可授权、可复用的“模块”来管理。随着 MCP 与类似标准的普及，我们不再需要让每个 AI 产品“闭门造车”；相反，更多的工具、能力与创新将像插件一样，随时插入到你的 AI 助手中，形成一个互联互通的智能生态。当大模型学会安全、可靠地“使用工具”而不仅仅是“回答问题”时，它们的价值才真正开始被释放。而 M
摘要： AI Agent技术正从概念走向落地，通用Agent虽功能全面但成功率低，垂直场景Agent（如Coding Agent）表现更优。MCP协议解决了Agent与工具/数据的连接问题，而Skills层通过可复用的“技能包”提升了任务执行的稳定性。上下文工程通过精准控制信息输入（写入、选择、压缩、隔离）优化决策质量。未来Agent将演变为以LLM为核心、工具为外设的云端计算环境，需结合工程化方
本文将通过实战案例，详细介绍如何基于模型上下文协议(MCP)构建一套高性能企业RAG系统，帮助企业快速打造智能知识库应用。
摘要： MCP（Model Context Protocol）、ACP（Agent Control Protocol）和A2A（Agent-to-Agent）是大模型工程化中的三种关键连接方式，分别解决不同问题： MCP：规范模型如何安全调用外部工具，定义工具能力与调用边界，类似AI时代的OpenAPI。 ACP：将模型能力工程化，实现模块化、复用和治理，类比微服务架构。 A2A：实现多个Agen
最近，大家都在讨论MCP（Model Context Protocol），它通过标准化协议，实现了工具和AI应用的解耦，推动了AI Agent应用研发范式的转变。尽管MCP非常有价值，但它并非万能。一个"聪明的"AI Agent不仅仅依赖于MCP。MCP主要解决了工具调用、Prompt模板、资源访问等标准化问题，但对于AI Agent的工具选择、任务规划、多Agent协同等核心挑战，仍存在局限，并
随着 AI agents 日益复杂，在对话与会话之间管理其 state 已成为生产环境落地中最关键的挑战之一。当 agents 需要在多轮交互中保持上下文、从中断的流程中恢复、或对其决策过程进行审计时，传统的无状态（stateless）架构会失效。这正是 State Replay 必不可少的原因，而 Model Context Protocol（MCP）则提供了优雅的解决方案。
PyTorch深度学习框架60天进阶学习计划 - 第58天端到端对话系统（一）：打造你的专属AI语音助手！如果文章对你有帮助，还请给个三连好评，感谢感谢！
大模型(LLM)学习指南摘要 本文系统介绍了大模型学习的完整路径，分为基础、科学家和工程师三部分： 基础部分：涵盖数学基础(线性代数、微积分、概率统计)、Python编程(数据处理、机器学习库)、神经网络(结构、训练优化)和NLP(文本处理、词嵌入、RNN) 科学家部分：深入LLM架构(Transformer、注意力机制)、数据集构建(合成数据生成、数据过滤)、预训练微调、模型评估与量化 工程师部
AutoGPT 是 AI Agent 领域的鼻祖级项目，现在已经 18 万+的 Star 了。与聊天机器人不一样，AutoGPT 能够自主地将一个大目标拆解为子任务，并利用互联网搜索、本地文件等操作来一步步实现目标。
围绕 Dify，我在 2025 年结合华为云一键部署、Flexus 云服务器，以及 DeepSeek、Qwen、MCP 等模型与协议，完成了多个方向的实践探索，涵盖知识问答、智能客服、数据分析助手、内容生成工具等具体案例。本文并非功能清单式总结，而是基于真实案例，对 Dify 在**平台定位、工程能力与业务落地**层面的年度使用心得进行系统复盘。
MCP（Modular Callback Protocol） 是一套用于处理异步回调的协议，在模块化应用框架中尤为有用。它允许用户定义一系列的回调函数，并在适当的时候执行这些回调，以应对异步事件。这种机制提供了一种灵活且可扩展的方式来处理应用程序中的各种事件。MCP 工具提供了一种灵活可扩展的方式来处理应用程序中的异步事件，通过代码示例可以看到其简单易用的特性。希望本文能对你在 Spring AI
这个工具本身也可以作为MCP Server Tools的调试控制台，可以直接加入MCP Server，使用图形界面调试MCP的相关工具运行效果。Anthropic发表一个官方博文，这个文章讲了一个直白的事实：MCP太拉太废了，不仅仅浪费Token，还影响 Agent的运行效率。使用无任何难度，按正常的MCP配置流程就行了，如果你会CherryStudio的MCP配置应该就会使用这个支持HTTP和S
同时课程详细介绍了。
某魔搭社区MCP广场作为国内最大的AI模型开源平台，提供了近1500款服务，涵盖网页抓取、地图查询、支付集成等高频场景。通过其托管的Hosted服务，用户无需自建云主机即可享受零成本、高安全性和开箱即用的便利。MCP支持两种主流接入方式：手动配置SSE和同步服务器功能，后者操作简单、安全性高且零成本。同步服务器功能的实战教程包括魔搭端准备、Cherry Studio配置和实战应用。进阶技巧涉及服务
进入Cherry Studio, 按下图所示，点击左侧“设置”图标（1），接着选择“MCP服务器”（2）， 然后选择标题栏右侧【更多MCP】右边的图标（3）， 在弹出的界面中点击安装 uv（4）。进入Cherry Studio, 按下图所示，点击左侧“设置”图标（1），接着选择“MCP服务器”（2）， 然后添加服务器（3）， 在下拉菜单中选择“从JSON导入”（4）。至此，我们将 mysql-mc
对过去的行为进行自我批评和自我反省，从错误中吸取经验并完善未来的执行步骤，从而提高最终结果的质量，这个过程可称之为ReAct，其提示词模版包括：思考（Thought）+行动（Action）+观察（Observation）；将大型任务分解为较小的、可管理的子目标，从而能够高效的处理复杂任务，分解过程通常为链式思维（Chain of Though COT）、树形思维（Tree of Though TO
研究者从GitHub和Smithary.AI收集了多种MCP服务器，并选择了那些在2025年4月有较多调用记录的服务器进行评估。研究结果清晰地表明以下关键发现：各种MCP服务器在效果和效率方面存在显著差异MCP并未始终表现出比非MCP方法（如函数调用）的明显改进最重要的发现：通过优化LLM需要构建的参数，可以大幅提高MCP服务器的准确性对你作为开发Agent产品的工程师而言，这一研究提供了宝贵的指
Text2SQL技术与MCP（Model Context Protocol）的结合，显著降低了数据库操作的技术门槛，使非技术人员能够通过自然语言完成复杂查询。MCP通过封装数据库操作为可调用的资源、工具和提示模板，提升了数据利用率和系统可扩展性。具体实现包括动态元数据服务、数据库操作工具和自然语言到SQL的转换模板。通过实际案例验证，MCP+Text2SQL在订单统计、跨表查询和数据抽样等场景中表
本文介绍了基于 Python 和 SSE（Server-Sent Events）传输机制开发的 MCP（Model Context Protocol）示例项目，并对其细节与原理进行了分析。SSE 是一种服务器向浏览器推送数据的技术，MCP 利用 SSE 实现客户端与服务器之间的流式通信。MCP 服务器提供两个接入点：SSE 接入点用于接收服务器推送的消息，标准 HTTP POST 接入点用于客户端
《AI工具链管理的痛点与高效解决方案》摘要： 当前AI应用面临三大核心痛点：工具发现困难、资源消耗失控和服务管理僵化。某Nacos MCP Router提供了创新解决方案：1）基于语义搜索的智能工具发现，提升60%准确率；2）动态服务装配机制，支持不停机更新；3）混合架构调度，自动选择最优执行路径。实施过程包含五步：环境搭建、服务接入、动态更新、混合联调和性能优化，并配备了针对安全、延迟等常见问题
本文介绍了如何将MCP（多工具调用协议）集成到智能体系统中。首先阐述了两种创建MCP服务的方法：本地服务和远程服务，分别通过Python示例展示了实现计算器工具和搜索引擎工具的步骤。然后详细说明了智能体如何连接MCP服务并获取工具列表，最终将这些工具集成到基于LangGraph构建的聊天机器人中。整个过程包括MCP服务的安装、创建、部署以及与智能体系统的对接，为实现智能体工具调用的标准化提供了完整
MCP
——MCP
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
网易云信开发者社区
火山引擎开发者社区
