登录社区云，与社区用户共同成长
邀请您加入社区
2024年11月，Anthropic公司发布了MCP（Model Context Protocol）协议，翻译过来就是：模型上下文协议，注意它是一种协议，可以理解为一种规范，比如手机的充电头TOP-C接口一样，只要充电器厂商使用了这种接口进行制作，手机就能够充电，为了方便手机充电，国内的绝大多数手机充电口已经统一为TOP-C接口，除了苹果。MCP的出现成功让大模型提供了访问外部服务的机会，从靠嘴巴
摘要：MCP（管理控制平面）与API（应用程序接口）是计算机系统中不同层级的概念。MCP作为系统的"管理中枢"，负责资源编排、策略管控等全局性管理；API则是组件间的"交互接口"，定义标准化通信规则。二者在云原生架构中紧密关联：MCP通过API实现对资源的管控和状态采集，API是MCP管理能力的实现载体。实际应用中，MCP确保系统"可管控"
很多人觉得 LLM 高深莫测，但剥去技术外壳，其核心原理其实是「高级文字接龙」—— 基于上下文预测下一个最可能出现的 token（词汇 / 字符），就像我们玩接龙游戏时，根据前半句联想最贴合的后半句。如果用程序员容易理解的逻辑类比：而大模型生成回答的过程，并非一次性计算，而是循环执行「预测 - 生成 - 拼接」的函数逻辑：先预测第一个 token，将其加入上下文后再预测下一个，直到生成符合语境的完
文章介绍了如何使用MCP（模型上下文协议）开发大模型Agent，实现智能家居设备的自动控制。通过构建MCP服务端封装天气查询和设备控制工具，并开发客户端调用这些工具，结合大模型的自主决策能力，实现根据天气情况自动开关窗户的功能。文章详细展示了MCP架构、服务端与客户端的开发流程，以及完整的智能体应用实现，为开发者提供了实用的Agent开发方法。
MCP（Model Context Protocol）是Anthropic开发的开放协议，标准化了应用程序与AI模型的交互方式，解决了用户需手动上传数据的问题。它采用客户端-服务器架构，使AI从"智能回答者"变为"智能执行者"，工作流程类似HTTP但对用户透明，大幅提高工作效率，代表AI产业的重要变革，未来将有更多基于MCP的AI产品出现。
本文介绍了尼恩架构团队的《LLM大模型学习圣经》内容体系，重点讲解了RAGFlow技术架构及其在企业级应用中的价值。通过多个成功案例展示了Java+AI架构学习对职业转型和薪资增长的助力，详细解析了RAGFlow的深度文档理解、智能分块策略和检索增强生成等核心技术，为程序员提供了架构转型的实用指南和学习路径。
MCP Apps扩展不仅仅是一组模式变更，它正在成为一个智能应用运行时：一个为AI模型、用户和应用程序之间新颖交互奠定基础的系统。这一标准化将为整个AI应用生态系统带来更一致、更安全、更强大的交互体验。2025年11月21日，Model Context Protocol（MCP）社区迎来重大突破。由OpenAI和Anthropic的核心维护者，联合MCP-UI项目创建者以及MCP UI社区工作组的
本文详解代码执行 + MCP 优化 AI 代理的实操方案：解决传统 MCP 工具调用的 token 浪费、延迟问题，通过工具代码封装、按需调用，实现省 token、提速度、护隐私，附完整代码与图解，新手也能上手。
模型上下文协议(MCP)是一套开放标准，通过客户端-服务器架构实现大语言模型与外部系统的标准化交互，使LLM能获取实时数据、调用外部软件和执行操作任务。本文详解MCP的核心架构、与工具函数调用的区别、关键考量因素及九大应用场景，强调其在构建复杂AI系统中的重要价值，助力开发者解锁大模型智能体新能力。
文章系统介绍了11种大模型参数高效微调技术，包括前缀调优、提示调优、P-Tuning v2、LORA系列、QLORA、LongLORA等创新方法。这些技术通过冻结预训练模型参数，仅优化少量特定参数或向量，显著降低计算资源消耗，同时保持模型性能，为不同场景的大模型应用提供了多样化的高效解决方案。
文章详解了大模型领域的两种核心协议：MCP用于标准化智能体与外部工具的交互，解决"工具使用"问题；A2A专注于智能体之间的协作和信息交换，处理"代理协作"需求。两者互补而非替代，实际应用中协同工作：代理内部使用MCP调用工具，代理间通过A2A完成复杂任务。理解这两种协议的区别与应用场景，对开发高效多智能体系统至关重要。
MCP、RAG、Agent 是 LLM 应用架构的三大核心组件，——MCP 是 “模型调度与资源管理层”，RAG 是 “知识增强层”，Agent 是 “智能决策与执行层”，三者结合可实现 “高效、准确、自主” 的 LLM 应用落地。一、三大概念核心解析1. MCP（Model Control Plane，模型控制平面）核心定义：管理 LLM 全生命周期的 “调度中枢”，负责模型选型、部署、负载均衡
这里不过多解释，毕竟我们只是使用而不是实现。简单来说 LLM使用不同工具时，以前需要同时修改模型和工具，因为各工具的API数据格式不统一，导致适配成本高、功能添加慢。MCP协议统一了数据格式标准，规定了应用向LLM传输数据的方式。任何模型只要兼容MCP协议，就能与所有支持MCP的应用交互。这将适配工作从双向简化为单向（仅应用端），且对于已有API的应用，第三方开发者也可基于其API进行MCP封装适
本文介绍了如何使用CodeBuddy的MCP来做前端页面在公网发布的过程
文章指出企业级AI落地需要三大核心组件：RAG提供企业内外部知识访问能力，MCP封装企业工具供模型调用执行任务，Agent整合两者实现自主任务规划与执行。这三者与LLM形成闭环，使AI从"能回答问题"升级为"能完成任务"，真正实现企业智能化落地。RAG解决知识获取，MCP解决工具调用，Agent解决任务编排，三者协同让大模型在企业环境中发挥实际业务价值。
AllBeAPI是一个高性能工具，可将任意Python库快速转换为LLM可用的MCP服务器。通过简单命令（如allbeapi start pandas）即可将库（如pandas）暴露为本地API，支持LLM安全执行Python代码、处理数据/图像等。其特点包括：自动生成API（无需手动配置）、智能序列化复杂对象（如DataFrame/图像）、纯本地运行保障安全，基于FastAPI/Pydantic
安全性：Code Interpreter存在风险，企业级场景难以接受；AllBeAPI通过API调用实现严格管控。效率：Code Interpreter需生成完整代码，Token消耗大且易出错；AllBeAPI仅需结构化参数，小模型也能高效调用复杂库。生态互通：Code Interpreter状态封闭，AllBeAPI通过URI标准化资源，实现跨工具协作。生产价值：AllBeAPI将Python库
作者分享使用KTransformer搭建大模型环境的完整经历，详细记录了硬件配置选择、Ubuntu系统安装、KTransformer部署及模型加载过程。重点分析了NVIDIA显卡架构兼容性问题，特别是20系显卡无法使用关键优化功能的困境，以及通过CPU推理性能不足的实际体验。文章为想要搭建大模型环境的开发者提供了详细步骤和避坑指南。
文章介绍了基于生成式大模型开发智能体的两种工具调用方法：一是通过特别设计提示词引导模型输出结构化指令；二是利用大模型原生的函数调用机制。详细对比了两种方法的适用场景、稳定性、开发成本等差异，并提供了抽象适配器、服务端校验、可观测性等最佳实践。开发者可根据具体需求选择适合的方法，实现大模型与外部工具的有机结合，构建具备推理分析能力的智能体应用。
本次测评展示了托管抓取平台在面对反爬与动态加载时的可靠性优势，并演示了搭配 Coplit 后的高效验证流程。托管抓取（Bright Data MCP）：在 MCP 控制台创建抓取任务，开启必要的渲染与输出选项，使用 MCP 的托管浏览器与网络代理处理页面加载和反爬挑战；将输出以 JSON 形式导出并接入 Coplit 做字段映射与清洗演示。本地爬虫（Python）：使用 requests 发起请求
文章介绍了一种基于MCP框架实现大模型与结构化数据集成的技术方案。通过将标准API接口封装为MCP函数并自动注册给大模型，使AI能够直接查询数据库获取实时数据，而非依赖知识库文档。方案包含工具服务、控制器和聊天服务实现，采用Weaviate向量数据库进行本地缓存，确保数据强一致性和实时性。相比传统文档上传方案，此方法更安全可控，特别适合需要实时数据交互的应用场景，并提供了完整代码实现供开发者参考学
Grafana 12.3 在统一仪表板环境中引入了全新的可视化工具和学习功能。这次更新最引人注目的是完全重建的日志面板，现在支持颜色高亮、灵活的客户端搜索和过滤，以及对毫秒和纳秒精度时间戳的支持。这意味着你可以更精确地定位问题发生的时间点。新增的"日志上下文"功能特别实用。当你选中某条日志行时，可以查看该日志前后发生的事件，时间范围可以从大约一百毫秒调整到两小时。这对于排查复杂问题非常有帮助，因为
最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。如果你也有类似的经历，一定要继续看下去！在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。：如果
MCP
——MCP
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
北京朝阳AI社区
