登录社区云，与社区用户共同成长
邀请您加入社区
MCP App指的是 MCP 的一个新扩展：它让 AI 聊天中出现**可交互的用户界面（UI）**成为标准能力。在此之前，AI 助手通过 MCP 连接外部工具时，通常是这样：Claude 调用某个 MCP Server（工具/数据源）工具返回文本或 JSONAI 在聊天里“用文字解释结果”或“输出结构化数据”如果用户想进一步操作，只能继续靠文本来回沟通（不直观、也低效）工具不仅能返回数据，还能返回
本文介绍了如何利用LeanMCPSDK将MCPServer从本地开发升级为生产级服务。针对官方MCPSDK在生产环境中的常见问题（如权限缺失、性能低下、监控困难等），LeanMCP提供了完整的TypeScript运行时解决方案，包括工具并行调度、认证授权、多租户支持等功能。文章详细演示了如何使用LeanMCP CLI快速搭建项目，通过装饰器定义工具函数，并强调其与Python生态的兼容性。该方案特
摘要 本文系统解析了大模型技术中的四大核心概念：Agent（智能体）作为自主决策的计算实体，包含感知、规划、执行等组件；MCP（模型上下文协议）实现LLM与外部工具的无缝集成；A2A（智能体间协议）促进不同AI间的协作；Agent Skills（代理技能）作为模块化工作手册提升任务专业性。文章还梳理了智能体的发展历程，从反射型到基于LLM的智能体，并对比了各概念的区别与联系。最后指出大模型技术带来
本文详细解析了大模型技术栈中的核心概念：Agent作为能感知环境、决策并执行的计算实体，MCP解决工具无缝接入问题，A2A处理不同智能体协作，Agent Skills则是教智能体做事的方法论。文章对比了各类Agent的特点及适用场景，帮助读者理解这些概念的区别与应用，为构建大模型应用产品提供技术指导。
MCP Server、Function Call和Agent在AI生态中扮演着不同角色，分别对应“工具箱”、“瑞士军刀”和“智能工人”。三者各有优劣，开发者应根据任务复杂度、团队协作需求和安全隔离性综合选择。通过合理搭配，可以构建出高效、灵活的AI系统，释放大模型的最大潜力。
说实话，当我看到使用 MCP 服务还需要手动复制粘贴 JSON 的时候，包括现在很多 MCP 服务只有工具，没有资源和提示时，我认为 MCP 还不太成熟。随着今年“智能体”的大爆发，使用工具的诉求越来越强烈。随着 MCP 服务市场、MCP 自动配置功能的出现，MCP 的使用门槛正在降低，越来越多的服务宣布支持 MCP 协议，开始要爆发的趋势。
*定位总结：**Peta 在“企业治理需求”和“落地复杂度”之间更强调平衡：比 MCP-Use 更企业化，比 ContextForge 更轻量、更易运维，同时支持严格的私有化部署。，但它是为“会用工具的 AI 智能体”量身打造的：把所有 AI→工具的交互收敛到一个安全枢纽中，从而可以一致地执行策略、记录审计日志、统一管控风险。它定位为 MCP 的高级控制面，强调。可以把 MCP 理解为 AI 世界
复杂度：低（入门快；规模化后复杂度上升）集成灵活性：高可扩展性：中（能扩，但需要平台投入）云 vs 本地：两者都支持（云试验快；生产可自托管）复杂度：高集成灵活性：极高（适配/联邦/编排能力强）可扩展性：高（更适合大规模）云 vs 本地：更偏本地/私有云自托管（不是“托管 SaaS”）复杂度：低（聚焦安全与控制）集成灵活性：中（能力专精，不是全能目录平台）可扩展性：高（分布式多实例）云 vs 本地
五分钟搞清楚 Agent、A2A、MCP 和 Skills 的概念与区别
摘要：本文探讨了Anthropic推出的Skill功能及其开发实践。Skill作为AI agent行为模式的轻量级封装，与MCP形成互补关系，前者聚焦"怎么做"的方法论，后者提供"能做什么"的工具箱。文章提出让AI编写Skill的新范式，开发者只需提供需求和上下文，AI即可生成高质量Skill。最佳实践包括控制token消耗、渐进式披露信息、按任务性质调整自
本文实战演示用 Go 构建 SQLite MCP Server，对比 Stdio 与 HTTP 模式，详解 SDK 选型及按需加载实现，助你标准化打通 AI 与私有数据的连接。
通过构建自动化机制，你可以在问题升级之前提前洞察风险，彻底告别「救火式」的被动应对，将时间与精力集中投入到更具长期价值的分析与决策中。
本文区分了AI Agent工具中的MCP（Model Context Protocol）和Skill（Agent Skill）两大核心概念。MCP是标准化AI与外部系统交互的开源协议，解决"连接"问题，如同AI的"手"；而Skill是AI执行特定任务的方法论，解决"怎么做"问题，如同AI的"技能书"。MCP基于JSON
将 AI 模型连接到外部工具与数据，已经成为构建高级 AI 应用的必备能力。作为一项开放标准应运而生，用于标准化 AI 智能体与外部系统的通信方式——它本质上像一个“通用适配器”（类似 USB-C 接口），让 AI 应用能够以一致的方式接入数据库、API 或其他服务。在实际落地 MCP 时，开发者通常会引入作为中间层。MCP 网关可以被理解为一个平台或代理，用于管理 AI（客户端）与多个 MCP
这篇介绍Skill 的核心设计理念（渐进式披露）与文件规范、它与 MCP 及多 Agent 的本质区别、如何将现有项目（以数据治理工具包为例）进行 Skill 化改造，以及从投标书生成等长文档场景出发，探讨 Skill 在企业级交付中的产品化潜力。
只要我们把传统安全原则延伸到 AI 世界，并保持足够的警惕，就能让 AI 真正成为值得信任的“数字同事”，而不是潜在的内部威胁。等问题，并给出可落地的缓解建议和安全架构实践，帮助开发者、系统架构师和 IT 管理者在安全前提下发挥 MCP 网关的最大价值，避免把一个有潜力的 AI 项目变成安全噩梦。本文将系统性地介绍 MCP 网关的角色、其在 AI 架构中的位置，以及由此带来的关键安全风险。MCP
本文详细介绍了LangChain框架及其在大模型应用开发中的核心功能。主要内容包括： LangChain概述：介绍1.0版本的重要更新，定位为连接大模型与外部组件的开发框架，支持Agent、RAG等应用开发。 核心组件： Model I/O：标准化模型输入输出，包含提示模板、模型调用和输出解析 Chains：通过LCEL表达式语言组合工作流 Retrieval：实现RAG流程，包括文档加载、切分、
MCP与A2A是AI系统集成的两大核心协议。MCP规范AI与工具/数据的安全交互，提供资源、工具和提示模板三大能力；A2A则定义智能体间的协作标准，通过任务、消息和产物等组件实现高效接力。它们将AI开发从功能实现转向接口定义，提升系统的可插拔性、可观测性和治理能力，推动AI应用向模块化发展。MCP解决工具调用零散、数据割裂问题，A2A应对多智能体协作挑战，二者共同构成AI系统的"操作系统
背景说明：我使用 skills 让 Claude Code 全流程自动创建了一个 MCP，这是一个能够让 CC 直接进行数据库操作的 MCP，我将其命名为mysql_mcp。前期准备：我们需要去 Claude Skills 官方 GitHub 仓库下载 skills：👉操作很简单：把skills目录直接放到本地下即可。通过 Claude Code 的skill，我们成功创建了一个功能完整的 My
本文深入探讨 Spring AI 与 Model Context Protocol (MCP) 的结合实践。从 MCP 的原理出发，详细讲解如何利用 Spring AI 构建标准化的工具集成与上下文管理，通过手把手代码示例展示如何开发 MCP Server 并集成到应用中。
深入解析 Spring AI 与 Anthropic 推出的 MCP 协议，从协议原理到 Java 生态实战，带你构建具备标准化工具调用能力与上下文集成能力的 AI 应用。文章涵盖从 Server 到 Client 的全链路开发细节。
本文深入探讨 Spring AI 与 MCP（Model Context Protocol）的集成实战，从协议原理到代码实现，详细讲解如何构建具备自主工具调用能力的 Java AI Agent，助力开发者掌握下一代智能应用开发核心技术。
本文深入探讨 Spring AI 与 MCP (Model Context Protocol) 的集成实战，涵盖从核心原理、Server/Client 开发到生产级优化全过程，旨在帮助开发者构建标准化、模块化的 AI Agent 生态，助力 Java 开发者进阶 AI 领域。
本文深度探讨 Spring AI 与 MCP 协议的集成实战，从核心原理到代码实现，手把手教你如何利用 MCP 赋予 AI Agent 强大的外部工具调用与上下文感知能力。
MCP（模型上下文协议）作为大模型领域的"Type-C"标准，解决了不同模型间工具不通用的问题。该协议通过标准化工具接口格式，使大模型能够统一调用各类功能（如绘画、搜索等），无需针对不同模型单独适配。MCP由客户端和服务端组成，其标准化设计有望构建类似Windows和iOS的大模型生态系统，使大模型真正成为承载各类应用的基座平台。目前主流大模型均已支持MCP协议，开发者只需按照
本文深入探讨 Spring AI 与 Anthropic 发布的 Model Context Protocol (MCP) 的深度集成。从 MCP 的协议原理出发，手把手教你如何通过 Java 生态构建高性能的 MCP Server 与 Client，打通企业私有数据与 AI 大模型之间的连接壁垒。
从本质上看，MCP 是 AI 智能体与外部世界之间的“通用适配器”，可以理解为 AI 的 USB-C 接口。也正因为如此，一些团队开始尝试把 MCP 从“原型工具”推进到“生产替代方案”，甚至想用它全面替代传统 API 调用：既然 AI 能通过 MCP 调工具，那还要写确定性代码做 API 编排干什么？在实现层面，MCP Server 通常会把现有 API 或业务动作封装成“模型友好”的形式（包括
MCP 网关是一层基础设施，位于AI 客户端（如智能体应用、LLM）与各种MCP 服务器（工具、数据库、API）之间。本质上，它是一个集中式控制平面，用于安全地路由与管理所有 MCP 流量。在没有网关时，一个智能体往往需要分别连接几十个工具端点；引入网关后，智能体只需要连接网关提供的单一入口，剩下的连接、转发、路由都由网关处理。这种“中心辐射式（Hub-and-Spoke）”模型把多个 MCP 服
本文提出了一种支持多协议的高性能MCP服务框架，通过分层架构设计实现协议与业务逻辑的彻底解耦。该框架同时支持Stdio、StreamableHttpless和SSE三种通信协议，采用异步非阻塞架构提升处理性能，并提供统一的上下文管理和服务生命周期管理。核心设计包括：1）业务逻辑与通信协议分离；2）全异步处理架构；3）跨协议的会话状态共享；4）模块化扩展能力。该方案解决了传统MCP框架在多场景适配中
Skills的出现，解决了一个根本问题：如何让 AI 不仅懂理论，还能上手实操。它通过结构化封装专业知识和操作流程，让 AI 从“纸上谈兵”变成“实战高手”。对开发者来说，最大的好处是：可控、可复用、可迭代。
AI圈最近有个有趣现象：Skills被热捧，MCP被各种唱衰。社交媒体上到处是"MCP协议要凉了"的声音，开发者纷纷转向Skills。Skills怎么来的，有什么用，怎么开发，文中把MCP与Skills的恩怨讲的明明白白。但开发者Philipp Schmid直接撰文开怼：你们搞错了重点。并给出了构建MCP Server的最佳实践。
MCP与A2A协议构建AI系统集成新范式 摘要： MCP协议聚焦AI与工具/数据的安全交互，提供资源、工具和提示模板三大能力，实现统一的能力暴露与权限管理；A2A协议规范智能体间协作，通过任务、消息、产物等组件实现跨系统接力。二者形成互补：MCP解决"AI如何安全使用工具数据"，A2A解决"智能体如何高效对话"。这种分层设计将开发重点从功能实现转向接口定义，
本文深入解析了大型语言模型(LLM)的三大核心技术：Function Calling通过监督微调实现意图识别和参数提取；MCP作为标准化工具交互协议；A2A支持AI智能体协作。重点阐述了Function Calling的训练方法，包括数据集构建、基础模型选择和微调过程，并详细说明了函数描述的标准化格式。同时提供了系统学习LLM的路径和资源，帮助开发者快速掌握相关技术。文章还解答了常见问题，如训练数
Anthropic 推出了 **Agent Skill（智能体技能）** 这一全新的 AI 设计模式，并在 2025 年正式发布开放标准，使其从 Claude 生态走向跨平台通用能力。Agent Skill 不再只是一次性 Prompt，而是一种**结构化、可复用、按需加载的“操作说明书”**，用于系统性地教会大模型“如何做事”。本文将在已有材料的基础上，对 Agent Skill 的**概念、技
Skills不是替代MCP，而是解决MCP无法覆盖的问题。它将"完成一类事情的经验"从模型自由推理中抽离，显式固定下来，使Agent行为更稳定、流程更易复用、成本更可控。Skills决定"该怎么做"，MCP决定"怎么安全地做"。Skills是Agent走向工程化的关键一步，让Agent的做事方式可沉淀、可复用、可治理，是LLM灵活推理与传统软件稳定流程间的理想中间态。
该项目解决了AI游戏中的三个关键问题：1) 通过引入类似DND的检定系统，用难度等级、属性和技能计算检定值，结合随机骰子产生四种结果（大成功/成功/失败/大失败），避免了AI随意迎合玩家；2) 重构世界观设计，将剧情分割为预设阶段并预制NPC，从而控制剧情长度和走向；3) 改进信息权重分配。项目已发布在GitHub，展示了改进后的效果截图和关键代码实现（包括属性检定函数和世界观阶段管理系统）。这些
本文阐述了MCP和Skills在大模型系统中的核心区别与协作关系。MCP是规范层，关注能力接入标准，定义统一的接口协议；Skills是应用层，负责具体能力封装与实现。二者形成上下游分工：MCP确保能力接入的稳定性和标准化，Skills则提供灵活多变的功能实现。这种分层架构解决了大模型系统能力复用、解耦和演进的问题。理解二者的本质差异（MCP是"怎么接"，Skills是"
数据库万能连接器的MCP，可以使用支持MCP协议的工具（例如：Claude Desktop、Cherry Studio等）直接连接你的数据库，用自然语言查询和分析数据。
Nacos 与 Dify 的结合，为生成式 AI 应用的开发效率与架构灵活性提供了新的解决方案。
作为人工智能领域的核心玩家，微软在Build2025期间，一出手便将智能体网络（Agentic Web）升级为开放智能体网络（Open Agentic Web）——一方面全面拥抱MCP（Model Context Protocol，模型上下文协议），另一方面推出全新开源项目NLWeb（Natural Language Web，自然语言网络），将开放表达得淋漓尽致。
LLM 是大脑，MCP 是手脚。LLM 不断提升智能下限，MCP 不断提升创意上限。所有的应用和软件都会被 AI 改造，将向所有的应用和软件都会被 MCP 改造的新范式演进。
使用本地部署的ollama尝试调用mcp封装好的工具。
MCP
——MCP
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
火山引擎 ADG 社区
