特点SseEmitter 手动流式推送Flux + Spring WebFlux 自动流式返回值SseEmitter（自己控制推送）（Spring WebFlux 响应式原生流）谁负责流控制手写，完全自己掌控什么时候发、怎么发Spring WebFlux 框架接管了流推送，用户只负责返回 FluxMediaType没写produces，需要手工组装消息格式（SSE 格式）自动设置，浏览器原生支持线

MCP 调用的本质就是类似工具调用，并不是让 AI 服务器主动去调用 MCP 服务，而是告诉 AI “MCP 服务提供了哪些工具”，如果 AI 想要使用这些工具完成任务，就会告诉我们的后端程序，后端程序在执行工具后将结果返回给 AI，最后由 AI 总结并回复。因为调用MCP 服务的本质是在启动项目的过程中，单独开一个子进程，运行 npx @amap/amap-maps-mcp-server 命令，

文件操作工具主要提供 2 大功能：保存文件、读取文件。注意：在 AI 调用工具时，一定要思考，如果调用工具失败，要try catch 操作，否则对话就会崩溃。

【代码】统计机器学习第十三章极大似然估计的性质——图解MLE的渐进正态性。

我最近在做一个小红书图文自动生成的后端系统：用户输入一个主题（比如"周末露营清单"），系统自动产出标题、大纲、正文，连配图都帮你配好。但“配图”这个环节，比想象中棘手得多。一篇露营笔记里，既有要写实感的场景照（帐篷、篝火、星空），又可能有想要轻松搞笑的段落，配个表情包更出彩。如果所有图片都用同一个来源，要么图不对文，要么风格统一到发闷。最直接的思路是写死规则：关键词里出现"表情"就走表情包，"产品

【代码】图解机器学习第四部分第十三章——与10近邻相似度对应的拉普拉斯特征映射图。

call()构建 Prompt（包含历史对话、system prompt、可用工具等）调用大模型（可能是 OpenAI / DashScope / 其他 LLM 提供方）大模型返回响应，封装成 ChatResponse，包括：①AI 生成的文本，②工具调用请求（如果有）根据 think 阶段大模型返回的工具调用请求真正去执行这些工具（你定义的业务逻辑、函数、API 调用等）把工具执行结果封装起来，

【代码】图解机器学习第四部分第十三章——与10近邻相似度对应的拉普拉斯特征映射图。

【代码】图解机器学习第十七章监督降维——局部Fisher判别分析。

opencv 环境配置