本文介绍了如何构建和测试一个基于FastMCP的MCPServer。首先通过示例代码展示了如何创建天气查询服务，包含实时天气和天气预报两个工具接口。服务启动后，分别使用MCPClient和MCPInspector两种方式进行测试：Client通过代码调用服务接口获取结果；Inspector则提供可视化界面来查看服务资源、发送请求。文章详细说明了服务部署、客户端连接以及测试工具使用的完整流程，为开发

本文介绍了如何使用Ollama的Llama3.2模型构建MCP服务器（MCPServer）和Agent系统。首先通过Ollama下载所需模型，并推荐使用uv替代pip进行依赖管理。文章详细展示了如何创建天气查询功能的MCPServer，以及如何通过Agent自动识别查询内容并调用MCP服务器获取天气信息。示例代码包括服务器端(weather_server.py)和客户端(agent_client.

FunctionCalling是一种让AI模型通过结构化请求调用外部函数的机制，使大型语言模型（LLM）能与工具、API或代码交互。它通过定义函数描述、模型推理生成结构化请求、外部执行和结果整合四个步骤工作，扩展了LLM的实时数据获取、系统交互等能力，确保输出的确定性和可靠性。开发者可使用@tool装饰器定义函数，将其与LLM绑定，并通过消息传递模拟Agent选择和执行函数。LangChain等工

本文系统介绍了ClaudeAI的四种协作机制：Command（用户手动触发的快捷指令）、Skill（AI自动加载的专业知识包）、Sub-agent（独立运行的子任务处理器）和Hook（事件驱动的自动化流程保障）。这些机制各具特点：Command提供简洁操作入口，Skill实现知识按需注入，Sub-agent隔离复杂任务，Hook确保流程安全可靠。文章通过代码提交场景展示了四者的协同工作模式：用户输

本文主要介绍了LLM的6个Leaderboard，可以通过这些Leaderboard全访问了解每个模型的优势和劣势，以及性价比。可以在选择模型时，根据使用大模型的目的，有针对性地提前了解每个模型的特点。

在进行数据分析之前，数据预处理是一个至关重要的步骤。它包括了数据清洗、转换和特征工程等过程，以确保数据的质量并提高模型的性能。数据预处理是机器学习和数据分析中至关重要的步骤，其中分类变量的编码是核心任务之一。本文详细讲解四种常用编码方法（One-Hot Encoding、Label Encoding、Frequency Encoding、Target Encoding）。

方法优点缺点典型应用场景Min-Max范围固定 ([0,1])，直观对异常值敏感图像像素值，已知边界且无异常值，需要固定范围Z-Score对异常值较鲁棒，中心化数据范围不固定最通用：PCA, 聚类, SVM, 回归, 神经网络等Max-Abs保留符号和零点，适合稀疏数据对极大绝对值异常值敏感以零为中心的数据，稀疏数据 (如 TF-IDF)鲁棒缩放对异常值高度鲁棒结果分布可能不直观包含显著异常值的数

AI的Skills是为大语言模型安装的“专业外挂”，使其能直接执行代码优化、文档生成等具体任务，实现从“理论”到“实干”的跨越。用户可通过skills.sh等包管理器搜索、安装与管理社区共享的技能包。为确保安全高效，应优先选择高信誉来源、理解技能权限、定期更新并谨慎处理敏感数据。遵循“选择可信、看清能力、保持更新、保护数据”的原则，即可充分释放AI的生产力。

大模型量化技术：效率与性能的平衡艺术 大语言模型规模扩张带来了巨大的计算挑战，量化技术成为解决内存占用、推理速度和部署门槛三大痛点的关键手段。本文系统阐述了量化技术的核心原理与实践方法：1）区分训练后量化(PTQ)与量化感知训练(QAT)两种范式；2）详解FP32到INT8的转换机制与校准策略；3）对比均匀/非均匀量化方法及混合精度等精度恢复技术；4）提供主流工具生态与Llama3量化实战示例。研

本文对比了ClaudeCode中Sub-Agent和AgentTeam两种多Agent协作方式的区别。Sub-Agent采用主从架构，适合简单聚焦任务，成本低且可控；AgentTeam支持多Agent自主协作，适合需要讨论验证的复杂场景，但成本较高且存在实验性限制。文章从通信方式、协调机制、适用场景等维度进行详细对比，并提供了选型决策树：无需讨论时选Sub-Agent，需要多角度验证且能接受成本时