对于模型 (Gemini/GPT) 来说，交互是完全一样的！模型只负责在看到 “Tool Definitions”（工具定义） 和 “User Request”（用户请求） 后，生成 “Tool Call”（工具调用） JSON。所有的区别都在于编排器 (MCP 客户端)：当编排器看到command它知道必须启动一个子进程，并通过stdinstdout与之通信。（如我们第一个答案所示）当编排器看到

大模型的“超能力”来自：✅。

大模型回答问题的过程是一个复杂的序列到序列概率预测，包含四个阶段：1）输入处理，通过分词、嵌入和位置编码将问题转化为数学向量；2）核心处理，基于Transformer架构通过多层自注意力机制理解问题；3）逐步生成回答，通过自回归方式预测每个词元；4）知识来源于海量数据预训练和微调。整个过程本质上是基于统计规律的模式匹配，而非真正的思考或理解。

搜索信息以执行用户请求考虑对受益于结构化规划的复杂工作使用任务管理工具在进行编辑之前，确保你掌握了所有信息始终使用包管理器进行依赖管理，而不是手动编辑包文件专注于遵循用户指示，在执行超出用户指示的任何操作之前请先询问按照提供的示例，将代码摘录包装在XML 标签中如果你发现自己反复调用工具而没有取得进展，请向用户寻求帮助如果有可用的相关工具，请使用最多一个相关工具来回答用户的请求。检查每个工具调用的

如果说「提示词工程」是教你**“怎么说话”（How to ask），那么「上下文工程」就是教你“说话前准备什么资料”**（What to know）。上下文工程，就是通过设计、优化、筛选和重组喂给 AI 的信息环境，让 AI 在有限的注意力内，能够最精准、最高效地解决特定任务的技术。你要让 AI 帮你写一份法律合同。就像你对律师说：“请用专业的语气，参考民法典，帮我写一份合同。”（你在打磨指令）。

uv是一个用 Rust 编写的超快 Python 包安装器和解析器（由开发 Ruff 的 Astral 团队打造），旨在替代pippip-tools和virtualenv。以下是详细使用指南及安装mcp。

文章摘要： 大型语言模型(LLM)的工作原理可分为四个核心阶段：输入处理、模型推理、答案生成和输出处理。模型通过分词、嵌入等技术将问题转换为数学表示，利用注意力机制和多层神经网络进行推理，然后以"自回归"方式逐个Token生成答案。特别值得关注的是"思维链"(CoT)技术，它引导模型先生成中间推理步骤再给出最终答案，通过"问题-推理步骤-答案&qu

场景推荐工具原因项目必需依赖（如 React）npm需要长期存在 node_modules构建工具/脚手架npx偶尔执行且需最新版本命令行工具npx避免全局安装造成版本冲突💡黄金法则npm用于管理依赖，npx用于执行命令！当遇到mcp这类工具时，大胆使用 npx 吧！

理解这些模型的区别和联系，有助于你选择合适的技术栈构建NLP应用。例如，构建一个问答系统通常会结合嵌入模型（用于检索相关上下文）和问答模型（用于从上下文中抽取或生成答案）。理解模型类型的区别对于自然语言处理（NLP）应用至关重要。(许多任务如MT、摘要、生成式QA都可视为Seq2Seq)(可视为文本分类的子任务)

用户意图：用户希望获取(CLI) 的最新文档，特别是开头的指令列表、功能分类以及详细的使用指南。信息综合：根据最新的搜索结果（2025年10月-12月数据）， 是一个基于终端的 Agent 编程工具。核心指令识别：项目初始化： (创建记忆文件)。上下文管理： (清空历史),(压缩历史/总结)。配置管理： (交互式设置),(权限),(管理 MCP 服务),(生命周期钩子)。辅助功能： (帮助),(反