Skills是Anthropic推出的模块化能力扩展系统，通过打包领域特定指令、元数据和资源，使AI代理能自动调用专业能力。其核心特点包括可重用性、专业化、组合能力和渐进式加载。采用三层架构：发现（加载名称/描述）、激活（加载完整指令）、执行（调用脚本/资源）。标准结构包含SKILL.md（必选，含元数据和说明）、scripts（可执行代码）、references（参考文档）和assets（静态资

本文深入解析了MCP客户端调用机制及配置方法。主要内容包括：1）MCP调用原理，强调LLM仅负责推理，由AI应用通过MCP客户端调用服务器；2）两种调用场景：在现有AI应用中配置MCP服务器或自行开发MCP客户端；3）完整调用流程示例，展示从用户提问到LLM生成响应的全链路交互；4）具体配置方法，以Claude Code为例详细说明MCP服务器的JSON配置文件参数。文章帮助开发者理解MCP技术栈

本文介绍了使用Python开发MCP服务器实现天气预报功能的实战教程。主要内容包括： 整体架构：采用FastMCP框架，通过STDIO与客户端通信，后端对接NWS天气API。 核心实现： 服务器初始化创建MCP实例 封装NWS API请求的辅助函数 实现两个核心Tool功能：获取州级天气警报和经纬度天气预报 提供资源(Resources)和提示词模板(Prompts) 关键注意事项： 避免在STD

本文介绍了MCP客户端的三个核心原语：Elicitation（引导）、Roots（根目录）和Sampling（采样）。Elicitation允许服务器按需收集用户信息；Roots定义服务器可访问的文件系统边界；Sampling使服务器能请求客户端执行语言模型补全任务。这些原语共同构建了灵活安全的交互机制，支持AI应用与服务器间的动态协作。文章通过时序图、数据流示例和场景说明，清晰阐述了各原语的功能

本文介绍了MCP协议中服务端的三个核心原语：Tools、Resources和Prompts。Tools是可执行函数接口，允许AI应用调用特定操作；Resources提供结构化数据访问，支持直接资源和动态模板两种模式；Prompts是可重用模板，帮助构建标准化的AI交互流程。这三个原语共同构成了MCP服务端的核心能力，通过明确定义的接口和数据规范，实现了AI应用与服务器之间的高效、安全交互。文章通过

本文深入探讨了MCP（Model Context Protocol）的实现细节，重点解析其通信协议与数据传输机制。MCP采用分层架构：数据层基于JSON-RPC 2.0协议，负责生命周期管理、服务器/客户端功能交互及实时通知；传输层抽象通信细节，支持Stdio和HTTP两种传输方式，统一消息格式。通过工具发现示例展示了标准JSON-RPC交互流程，揭示了MCP实现跨平台互通的核心机制——传输层标准

本文介绍了MCP（Model Context Protocol）技术的基本概念和应用。MCP是Anthropic发布的开放标准协议，旨在为LLM应用提供统一连接外部数据源和工具的方式。文章将MCP比作"AI的type-c接口"，强调其作为标准化协议的重要性。MCP解决了传统工具调用接口不统一的问题，提供三大核心能力：访问资源、调用工具和预制模板。文章还解析了MCP的客户端-服务

是“整形师”，它拉伸或压缩概率分布，决定模型是保守还是激进。Top-p是“保安”，它划定一个动态的安全圈，把那些概率极低的不靠谱选项拒之门外。理解了这两个参数，你就掌握了通往大模型潜意识的钥匙。

特性Long Polling (长轮询)WebSocket通信方向双向 (伪)单向全双工协议HTTPHTTPTCP (经 HTTP 握手)数据格式任意文本 (UTF-8)二进制 / 文本开销高 (Header重复发送)低 (长连接)极低(轻量帧头)实现难度中等简单复杂浏览器限制无HTTP/1.1 限制 6 个连接无明显限制这三个知识点是后台面试经常问到的，如果你的简历经历是带有高性能网络通信服务器

大语言模型本身是无状态的，但应用层可通过短期记忆和长期记忆机制实现上下文记忆功能。短期记忆通过维护当前会话的对话历史实现，但会受限于模型的上下文长度；长期记忆则通过外部存储（如数据库）实现跨会话记忆。Spring AI Alibaba框架提供了Redis检查点等工具来管理短期记忆，并通过滑动窗口、摘要记忆等技术优化上下文工程，解决记忆过长问题。开发者需要主动设计这些记忆机制，而非依赖大模型原生能力