MCP全称Model Context Protocol（模型上下文协议），是Anthropic在2024年底推出的开放协议（后捐赠给Linux基金会Agentic AI Foundation），核心作用是为AI助手（如Claude、Cursor等）提供标准化接口，实现与外部工具、数据源、浏览器、数据库、代码仓库等的连接，让AI从“单纯对话”升级为“可执行行动”的agentic AI能力，相当于AI

参数声明：路径参数用Path、查询参数用Query、Cookie/Header 分别用CookieHeader，均支持校验规则（长度、正则、数值范围）；请求体：基于 Pydantic 模型定义，支持嵌套、字段校验，请求头可通过Header单独提取；核心扩展：响应模型通过规范返回格式，文件上传用UploadFile处理（单 / 多文件），所有功能均自动生成 OpenAPI 文档（访问/docs查看）

FastAPI 是一个现代、高性能极速的性能（可与 Node.js、Go 媲美）；自动生成交互式 API 文档（Swagger UI / ReDoc）；强类型支持，结合 Python 类型注解实现数据校验；异步支持，兼容同步代码；极简的语法，上手成本低。Pydantic 是 Python 中用于数据校验和设置管理自动校验输入数据的类型、格式、范围；转换数据类型（如字符串转整数、日期字符串转 dat

MCP全称Model Context Protocol（模型上下文协议），是Anthropic在2024年底推出的开放协议（后捐赠给Linux基金会Agentic AI Foundation），核心作用是为AI助手（如Claude、Cursor等）提供标准化接口，实现与外部工具、数据源、浏览器、数据库、代码仓库等的连接，让AI从“单纯对话”升级为“可执行行动”的agentic AI能力，相当于AI

BLIP 是 Salesforce 开源的多模态视觉语言模型，兼顾图像理解、图文检索、图像字幕（Image Caption）、VQA 视觉问答等能力。输入任意图片 → 自动生成精准自然的中文 / 英文描述文案，轻量化部署、本地可运行、适合二次开发。

将多模态模型部署在云端服务器（公有云：AWS、阿里云、腾讯云；私有云：企业自建服务器），用户通过API接口调用模型，所有推理计算在云端完成，返回结果给终端设备。将多模态模型（经轻量化优化）部署在终端设备本地（手机、平板、嵌入式设备、边缘服务器），所有推理计算在本地完成，无需依赖网络。多模态模型部署的核心逻辑是“场景适配+格式选择+硬件加速”：云侧重高性能、可维护性，优先选ONNX+TensorRT

将多模态模型部署在云端服务器（公有云：AWS、阿里云、腾讯云；私有云：企业自建服务器），用户通过API接口调用模型，所有推理计算在云端完成，返回结果给终端设备。将多模态模型（经轻量化优化）部署在终端设备本地（手机、平板、嵌入式设备、边缘服务器），所有推理计算在本地完成，无需依赖网络。多模态模型部署的核心逻辑是“场景适配+格式选择+硬件加速”：云侧重高性能、可维护性，优先选ONNX+TensorRT

微调是指在预训练多模态模型（如CLIP、BLIP、FLAVA等）的基础上，使用特定任务的小规模标注数据，调整模型部分或全部参数，使模型适配具体任务需求的技术。本质是“利用预训练模型的通用知识，快速适配特定场景”，避免从零训练模型（耗时、耗算力、数据需求大）。迁移学习是将从一个任务（源任务）中学习到的知识，迁移到另一个相关但不同的任务（目标任务）中，减少目标任务的样本需求和训练成本的技术。

图像生成技术是生成式人工智能（AIGC）的核心分支之一，指通过算法模型学习真实图像的分布规律，从无到有或基于已有信息生成符合预期、具有真实感的图像内容。其核心目标是让模型拟合真实图像的特征分布，生成的图像可达到人类难以区分真假的水平，已广泛应用于艺术创作、医疗成像、数字出版、影视特效等多个领域，彻底改变了人类感知和创造视觉内容的方式。图像生成技术的发展大致可分为三个阶段：早期依赖图像匹配或人工设计

计算机视觉（CV）是人工智能的重要子领域，核心目标是让计算机“看懂”图像、视频等视觉信息，实现图像识别、分割、生成、跟踪等任务，本质是将视觉信号转化为可处理的数字信号并进行语义解读。大模型（Large Model）通常指参数量巨大、训练数据海量的深度学习模型，具备强大的特征提取、泛化能力和多任务适配性，能够突破传统CV模型“手工设计特征+专用模型”的局限，实现端到端的视觉任务处理。