登录社区云，与社区用户共同成长
邀请您加入社区
MCP（模型上下文协议）是AI领域的新技术标准，旨在解决大语言模型的局限性。它通过统一通信协议，让AI能够连接外部工具获取实时数据、执行复杂任务，突破了传统FunctionCalling的分散对接模式。文章用智能家居比喻解释MCP架构（Host/Client/Server三层结构），并介绍了多个MCP服务市场（如mcp.so、mcpmarket.com等）供用户查找现成工具。MCP就像AI世界的&
本文详解基于Python的FastMCP服务开发框架，其通过工具(Tool)、提示(Prompt)、资源(Resource)三大核心组件构建智能应用生态。工具模块通过@mcp.tool()装饰器注册业务逻辑单元，实现API对接与数据处理；提示模块借助@mcp.prompt()创建结构化指令模板，精准引导大语言模型输出；资源模块利用@mcp.resource()整合静态配置与动态数据流。三者在Che
以下是为Cherry Studio内置的MCP服务器添加FileSystem文件系统MCP组件的详细步骤：步骤1：安装UV和Bun工具FileSystem文件系统操作MCP组件的运行依赖UV和Bun工具，需先确保它们已正确安装：1. 自动安装（推荐）：打开Cherry Studio，进入【设置】 → 【MCP服务器】。
CherryStudio一站式AI工作台使用指南：从多模型集成到知识库管理，手把手教你配置本地/API模型、添加联网搜索功能，更有MCP协议和RAG知识库实战教程，助你打造私人AI生产力中心！
KAYAK和Amadeus这两家旅行巨头，今年都在做同一件事。让AI Agent能帮企业用户订旅行。这个趋势挺值得关注的。大部分AI内容都在讲C端，帮你规划行程帮你订酒店。但企业级AI出行的布局，才是真正的大生意。
DOM 层级合不合理，重复内容是不是还在复制粘贴，颜色和间距有没有用项目里的变量，这些都得再看一遍。以前做前端还原的时候，JSX 写得不慢，但真正堵住的地方是一些小问题，比如两个按钮长得差不多算不算同一个组件，卡片到窄屏是缩小、换行还是换另一套布局。生成出来的布局如果跟设计差很多，多数时候不是模型写 CSS 的问题，而是设计稿没说明响应式规则，或者现有组件的命名对不上。具体到 IDE 里，每个客户
对于初学者来说，建议先掌握Function Calling的基础能力，再逐步了解MCP Server的标准化和扩展性。
MCP（Model Context Protocol）作为连接大模型与外部工具的统一协议，正成为AI应用开发的关键基础设施。它让智能体无需为每个数据源编写定制接口，即可动态发现并调用工具。在文件管理场景中，将NAS上常见的SMB共享协议与MCP桥接，能显著提升AI Agent对本地文件的实时访问效率。通过Docker部署飞牛fnos上的APEX MCP BRIDGE，可以把SMB共享目录封装为MC
单个 Agent 的授权相对简单，复杂的是多个用户共享一个 Agent、一个 Agent 服务多个用户时，权限必须跟着调用者走，而不是跟着 Agent 走，这个场景里 Agent 只是执行壳，权限主体始终是背后的人。如果跳过审批，又回到了没有任何防护的裸奔状态，两条路都走不通。如果你的工具栈不在 Cloudflare 上，AAM 的思想依然可以直接借用：把每个 Agent 任务当成一个临时的最小权
Apify MCP Server是一个AI Agent工具，可接入Apify Store中的数千个网页抓取和自动化工具。它支持从各类网站（社交媒体、搜索引擎、电商等）提取数据，适用于数据采集、市场研究等场景。用户可选择托管服务或本地安装（需API密钥），并支持与Claude Desktop集成。该工具提供网页抓取、社交媒体数据提取、地图信息获取等功能，托管服务器优先获得最新功能更新。
ReAct是AI智能体的核心架构，通过"思考-行动-观察"循环，让大模型在推理与行动间形成闭环。它结合了思维链推理能力和工具调用能力，解决了AI只会思考不会行动的"认知鸿沟"。ReAct提供可解释性、动态纠错能力和外部生态适配性，是现代Agent框架如LangGraph的基座，让AI从"做题学生"进化为"会查资料、写实验、纠错的实习生"。尽管存在模型能力要求高、成本偏高等局限，但仍是构建复杂Age
文章详细介绍了AI智能体的八层技术架构，包括基础设施层、互联网层、协议层、工具增强层、认知推理层、记忆个性化层、应用层和运维治理层。这八层架构使AI智能体能在复杂环境中自主感知、推理、学习和行动，实现少有人类干预的可靠运行。文章还探讨了实施挑战和行业应用前景，为开发者提供了全面的技术指南。
MCP是Anthropic于2024年推出的开放标准通信协议，旨在解决传统Function Calling在系统集成标准化和上下文传输方面的局限性。MCP提供高可伸缩性、工具自动发现、降低开发复杂性等优势，采用分层架构（Host、Client、Server），支持实时双向通信和上下文增量更新。其安全机制包括本地优先、用户确认、资源边界等，已在Claude Desktop等应用中得到实践，成为大模型
MCP-Universe 就像一面镜子，照出了当前 LLM 工具能力的 “真相”：我们以为的 “会用工具”，只是 “会按按钮”，但真实世界需要的是 “会选工具、会调参数、会处理意外” 的综合能力。论文结尾那句其实很扎心：“即使是 GPT-5 这样的顶级模型，在真实 MCP 环境下的表现，也远没达到实用要求。” 但这不是坏事 —— 只有明确了差距，才能找到前进的方向。毕竟，AI 要帮人类干活，先得在
MCP上下文管理与持久化技术解决了传统AI的"健忘症"问题，通过三层记忆架构（即时、工作、长期记忆层）实现跨会话记忆。该技术包含智能化上下文压缩、分层存储、会话管理等功能，使AI能够保持工作连续性、记住决策历史。应用于企业场景如金融客服、制造业设备维护等，赋予AI从"工具"升级为"工作伙伴"的能力，同时保障数据安全与隐私。
本文是一份从零开始构建MCP智能体的实战指南。详细介绍了MCP协议如何作为连接大语言模型与外部工具、数据源的标准接口，解决AI应用的“数据孤岛”问题。通过搭建开发环境、编写MCP服务器、集成GitHub API与本地数据库等步骤，手把手教你打造一个能真正调用外部工具、处理复杂任务的自动化助手，并最终实现与Claude Desktop等客户端的对接与部署。
本文节选自《GPT多模态大模型与AI Agent智能体》一书，探讨了从传统推荐系统到基于大模型的对话式推荐系统（CRS）的技术演进。传统推荐系统主要依赖协同过滤、基于内容的推荐等方法，而对话式推荐系统通过大模型实现了多轮对话、深度语义理解、情感智能等创新功能。文章重点介绍了基于大模型的对话式推荐系统技术架构，特别是推荐引擎层的设计，包括离线推荐算法（如深度因子分解机、协同过滤等）和准实时推荐算法（
随着Openai、Manus、字节、阿里等国内外AI厂商在Agent方向持续发力，调用外部工具成为Agent核心能力之一。有别于 Function Calling 仅处理模型发起的单次函数调用，MCP 允许模型与工具在共享上下文中多轮协作，从而更好地完成复杂任务。搞清楚MCP原理才能更灵活运用，刚接触MCP的同学可能都遇到过以下疑惑。
协议的本质是共识，技术的未来是融合进阶揭示的三大趋势工业控制的智能化跃迁：通过MCP over 5G URLLC将PLC响应延迟压至10ms内，结合AI-MCP的预测性维护，设备停机时间减少40%上下文管理的范式革命：三级缓存架构（即时/持久/共享）使大模型在100K token长文档分析任务中准确率提升至68.7%，打破"金鱼记忆"魔咒开发范式的根本转变：动态工具发现机制让物理引擎服务的开发周期
大模型虽然功能强大，但其输入长度（即上下文窗口）始终存在限制，这意味着它们在会话过程中无法记住所有交互内容。如果我们能为模型构建一个独立、可移植的“记忆层”，作为其长期记忆的补充，并且这一层运行于本地、由用户完全掌控数据，是否会让 AI 的使用更高效、更安全？
在本专栏的前面文章中，介绍过基于 LangChain + MCP 和 SpringAI + MCP 构建 ChatBI 智能体，但未对数据进行可视化图表的分析，而可视化图表是数据分析的重要组成部分，它能够将复杂的数据转化为直观易懂的图形表示。因此本篇文章基于 LangChain + MCP 实验构建 ChatBI + 可视化图表 综合的智能体。
AI 智能体在企业落地过程中通过 MCP 标准协议获取数据，随着可用的 MCP 工具越来越多，逐步达到几十万个 MCP 工具，甚至几百万个，MCP 工具通过系统提示词注册给大模型时候，将会导致以下两个问题：
【摘要】Coze工作流是通过流程化方式实现AI应用开发的工具，本文以"小红书旅游攻略生成器"为例进行演示。该工作流包含：1)输入目的地和行程；2)生成小红书风格文案；3)提取景点并批量搜索图片；4)通过代码筛选最优图片；5)图文排版输出。工作流支持可视化搭建和实时调试，可扩展为自动化发布系统（需处理cookie更新问题）。文末提供AI大模型学习资料包，包含7阶段课程体系、100
MCP 是一个注重开发者体验的框架，专为希望精确控制智能体如何与工具和数据交互的工程师而设计。它通过允许 AI 连接外部工具，来赋予 AI 具身智能的能力。MCP 和传统智能体 API 为不同人群解决了不同问题，并且都在不断发展的 AI 生态系统中扮演着各自的角色。构建一个完全自动化系统最重要的考量应该是模块化、可扩展性和可靠性。如何实现这一步取决于个人偏好以及可用的工具。
中国算力中心行业迎来发展新机遇。随着AI技术快速发展，算力中心需求激增，特别在定制批发业务领域呈现供需两旺态势。同时，AI大模型应用催生大量高薪岗位，相关人才缺口达47万。报告显示，掌握AI工具的专业人员可获34%薪资溢价。为应对行业需求，完整的大模型AI学习资料已发布，覆盖从提示工程到商业落地的全流程知识体系，帮助从业者快速掌握核心技术，抓住AI时代发展机遇。
AI智能体不仅能理解语言，更能主动感知环境并完成复杂任务，突破了传统大模型单一的语言交互局限。
MCP（Model Context Protocol，即模型上下文协议）是由 Anthropic（Claude 的母公司）于 2024年11月 开源发布的一项 全新技术。
《Cursor+MCP开发快速指南》摘要：本文提供MCP开发全流程指导，包含5分钟环境配置、四步入门教程（核心概念/API调用/错误处理）及电商价格监控实战案例。技术亮点：1）对比传统开发，MCP可减少50%冗余代码；2）内置网络/数据库组件，自动处理重试、连接池等底层逻辑；3）提供完整爬虫脚本和部署方案。文中包含代码注释技巧、Carbon生成的高颜值对比图及常见问题解决方案，帮助开发者快速构建首
本文介绍大模型AI技术的最新发展和应用实践，涵盖10个RAG（检索增强生成）项目案例，包括MCP智能体、多智能体书籍创作、音频处理等前沿应用。同时指出2025年大模型岗位缺口达47万，初级工程师平均薪资28K，并分享系统化的AI学习路径：从提示工程（10天）到高阶应用（30天）、模型训练（30天）直至商业闭环（20天）。文章强调AI工具将提升从业者47%的生产效率，并附赠包含案例手册、提示模板等资
MCP架构为智能体与外部世界的交互提供了高效解决方案。其核心包括MCP主机（协调中枢）、客户端（用户接口）和服务器（数据处理），三者协同完成从用户请求到结果反馈的全流程。典型应用如智能家居控制和客服系统，支持自然语言指令处理。架构注重安全性，采用数据加密和权限管理机制。MCP通过标准化通信协议，实现了AI与外部工具的无缝集成，为多领域智能化应用提供了可靠技术支撑。随着发展，该架构有望拓展更多创新应
MCP Server架构模式与Nacos应用解析 摘要：本文系统分析了MCP Server的五种主流架构模式，包括轻量级单进程、分布式路由集群等，详细说明其适用场景与性能特点。重点阐述了Nacos在MCP架构中的核心作用，包括配置管理、服务发现和元数据管理三大优势。提供了MCP架构选型的决策树和避坑指南，并给出Nacos+MCP的安全加固方案。最后指出83%的MCP故障源于资源混用和协议误配，建议
MCP 与 Neo4j 简介MCP（Model Context Protocol） ：作为一项新兴标准，MCP 搭建起了 AI 模型与外部工具、数据源交互的桥梁。它赋予了 AI 助手如 Claude 等直接与数据库等系统 “对话” 的能力，凭借这种能力，AI 助手能够突破自身训练数据的限制，自如地处理各种特定任务。Neo4j ：这是一款专为处理复杂关系而生的高性能图数据库。它采用图结构进行数据存储
本文，我会全面介绍 MCP，包括它的基本概念、核心技术原理，以及它在实际应用中的各种场景。让你轻松掌握 MCP 的所有要点。
MCP
——MCP
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
AI Agent技术社区
2048 AI社区
天工造物局
