最近开始接触AI大模型方向的工作，第一个实例就尝试一下连接大模型进行对话的实现。

在 DeepSeek R1 服务器不稳定令人困扰的背景下，MNN LLM 应运而生。这是一款开源工具，支持本地部署、移动端运行以及多模态处理（如文生图、语音输入等）。通过模型量化与硬件优化，MNN LLM 显著提升了推理速度与稳定性，同时解决了下载困难的问题。无论是 Android、iOS 还是桌面端用户，都可以轻松体验大模型的强大功能，真正实现 “自己动手，丰衣足食”。简介你有没有因为 Deep

选择合适的AI应用模式是项目成功的关键。这三种模式并非相互排斥，而是一个演进的阶梯。一个复杂的应用系统，很可能同时包含这三种模式。例如，一个智能体可能会在其执行计划中，调用一个预定义的工作流，而这个工作流的某个节点又可能是一个简单的AI调用。项目启动时，应从最简单的模式开始（AI调用），快速验证业务价值。当业务流程复杂度增加时，再逐步引入工作流引擎，将原有的调用封装为流程节点。只有在面对真正开放、

MCP（Misunderstood Customer Problem）是AI应用开发中最常见的陷阱之一。开发团队往往在没有充分理解客户实际需求的情况下，直接投入技术实现。这种本末倒置的做法会导致产品与市场脱节，最终浪费大量资源。许多团队过度关注算法复杂度或模型精度，而忽略了解决方案的实际可用性。例如，在医疗诊断AI中追求99.9%的准确率，但实际临床场景可能更需要可解释性和操作便捷性。这种技术完美

随着大语言模型(LLM)技术的快速发展，如何扩展其能力边界成为开发者关注的重点。MCP(Model Capability Protocol)作为一种协议标准，允许开发者构建自定义服务器来增强LLM的功能。

选择合适的AI应用模式是项目成功的关键。这三种模式并非相互排斥，而是一个演进的阶梯。一个复杂的应用系统，很可能同时包含这三种模式。例如，一个智能体可能会在其执行计划中，调用一个预定义的工作流，而这个工作流的某个节点又可能是一个简单的AI调用。项目启动时，应从最简单的模式开始（AI调用），快速验证业务价值。当业务流程复杂度增加时，再逐步引入工作流引擎，将原有的调用封装为流程节点。只有在面对真正开放、