MCP 协议：AI与运行环境的桥梁 MCP（Model Context Protocol）是Anthropic推出的开放协议，旨在解决AI调试时"隔墙猜谜"的核心痛点。它通过标准化接口让AI能直接操作真实运行环境，包括浏览器、数据库等工具。 核心价值： 打破AI与运行环境间的信息壁垒 提供统一工具调用标准（类似USB接口） 实现调试过程闭环验证 典型工作流：AI通过MCP客户端

MCP 协议：AI与运行环境的桥梁 MCP（Model Context Protocol）是Anthropic推出的开放协议，旨在解决AI调试时"隔墙猜谜"的核心痛点。它通过标准化接口让AI能直接操作真实运行环境，包括浏览器、数据库等工具。 核心价值： 打破AI与运行环境间的信息壁垒 提供统一工具调用标准（类似USB接口） 实现调试过程闭环验证 典型工作流：AI通过MCP客户端

本文通过订机票场景解析LLM应用架构中的核心概念关系。LLM作为大脑负责推理决策，通过Function Call表达工具调用意图；MCP Tools是标准化工具箱，按统一接口执行具体操作；Agent作为协调器驱动任务循环执行；Skills则是预定义的任务模板，沉淀最佳实践。五个概念形成完整工作链：LLM思考→Function Call声明→MCP Tools执行→Agent协调→Skills复用。

很多有 Django 经验的开发者在搭 AI Agent 系统时会本能地沿用熟悉的框架，但 AI 编排层的核心需求——异步调度、SSE 流式输出、轻量无状态——恰好与 Django 的设计方向相悖。本文从实际项目出发，分析了 Django 在 AI 编排场景下的三个具体痛点：异步支持不彻底、SSE 实现繁琐、携带大量用不上的全家桶组件。对比说明了 FastAPI 原生异步、StreamingRes

本文介绍如何用 Python FastAPI 将 LangChain Agent 封装成 HTTP 接口，供 Java Spring Boot 主服务调用。涵盖 FastAPI 路由、请求响应体定义、LangChain Tool 编写、ReAct Agent 推理机制，以及 Java 侧 RestTemplate / WebClient 调用方式，适合 Java 技术栈团队落地 AI 能力参考。

乱码,vscode使用时遇到的坑

学完 LangChain 工具模块之后，很多人卡在同一个地方：工具定义好了，但怎么让 LLM自动决定调哪个工具、调几次、把结果串起来？答案就是。它是 LangChain Agent 的执行引擎，把工具调用、推理循环、记忆管理全部自动化。bind_tools和的本质区别ReAct 循环是怎么跑的（Thought → Action → Observation）四个关键参数各自的作用，不加会发生什么re

本文全面介绍了 LangChain 工具模块的使用方法，重点讲解了 @tool 装饰器和 StructuredTool 的实战应用。主要内容包括： @tool 装饰器的核心功能：自动生成工具名称、描述和参数类型 工具描述（description）的编写规范：必须包含功能说明、触发条件和输入格式 参数类型注解的必要性和 Pydantic 校验规则的使用 @tool 与 StructuredTool

本文全面介绍了 LangChain 工具模块的使用方法，重点讲解了 @tool 装饰器和 StructuredTool 的实战应用。主要内容包括： @tool 装饰器的核心功能：自动生成工具名称、描述和参数类型 工具描述（description）的编写规范：必须包含功能说明、触发条件和输入格式 参数类型注解的必要性和 Pydantic 校验规则的使用 @tool 与 StructuredTool

乱码,vscode使用时遇到的坑