logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

MCP构建AI应用学习笔记(6)

理解 MCP 客户端的核心价值:“翻译用户操作与服务器 API,降低使用门槛”;掌握两种客户端的开发流程:桌面客户端(PyQt)的 GUI 组件与异步线程,Web 客户端(Vue)的 API 请求与响应式界面;学会客户端与服务器的联调技巧:解决跨域、会话 ID 一致性、异步处理等关键问题。

文章图片
#人工智能#学习
MCP构建AI应用学习笔记(5)

服务器需严格验证用户输入(如文件类型、会话 ID 格式),避免非法请求导致组件报错。通过 Pydantic 定义请求模型:python# 定义提问请求模型(验证session_id、doc_name、user_question)session_id: str # 区分多用户的会话ID(如"user_123456")doc_name: str # 目标文档名称(需已上传)user_question:

文章图片
#人工智能#学习
MCP构建AI应用学习笔记(4)

掌握 MCP 实战流程:从 “架构拆解→组件选择→参数配置→逻辑衔接”,能独立将 MCP 理论应用到具体场景;理解组件化优势:若需新增 “语音提问” 功能,仅需在输入层添加 “语音转文字组件”,无需修改其他模块;若需切换 LLM,仅需重新初始化llm_caller组件。

文章图片
#人工智能#学习
MCP构建AI应用学习笔记(3)

MCP 架构的本质是通过和,让 AI 应用的每个功能单元既独立可控,又能灵活组合。其核心逻辑可概括为 “三层一储”(输入层、处理层、输出层、存储层),所有模块围绕 “数据驱动” 流转 —— 数据从输入层进入,经处理层加工,再由输出层呈现,中间关键信息存入存储层,全程通过统一接口衔接,彻底解决传统开发中 “代码缠绕、改一处动全身” 的问题。

文章图片
#人工智能#学习
MCP构建AI应用学习笔记(2)

本集核心收获:MCP 的价值不是 “发明新技术”,而是通过 “模块化、解耦、复用”,解决 LLM 应用开发的 “效率低、维护难、门槛高” 问题,其优势在开发周期、代码量、维护成本上有直观体现。后续课程预告:下一节将深入 “MCP 架构详解”,拆解 MCP 的四大核心模块(输入层、处理层、输出层、存储层),明确每个模块的职责、接口标准和交互逻辑,为后续组件开发、项目实战打下基础。

文章图片
#人工智能#学习
MCP构建AI应用学习笔记(2)

本集核心收获:MCP 的价值不是 “发明新技术”,而是通过 “模块化、解耦、复用”,解决 LLM 应用开发的 “效率低、维护难、门槛高” 问题,其优势在开发周期、代码量、维护成本上有直观体现。后续课程预告:下一节将深入 “MCP 架构详解”,拆解 MCP 的四大核心模块(输入层、处理层、输出层、存储层),明确每个模块的职责、接口标准和交互逻辑,为后续组件开发、项目实战打下基础。

文章图片
#人工智能#学习
MCP构建AI应用学习笔记(1)

在大模型(LLM)普及的当下,开发者面临的核心挑战并非 “如何训练新模型”,而是 “如何快速将现有 LLM 落地为可用的 AI 应用”。MCP(Modular Component-based Paradigm,模块化组件范式)正是为解决这一问题而生 —— 它不创造新的大模型技术,而是提供一套的开发框架,让开发者无需深入掌握 LLM 底层原理(如微调、注意力机制),也能聚焦业务逻辑,高效构建 AI

文章图片
#人工智能#学习
MCP构建AI应用学习笔记(1)

在大模型(LLM)普及的当下,开发者面临的核心挑战并非 “如何训练新模型”,而是 “如何快速将现有 LLM 落地为可用的 AI 应用”。MCP(Modular Component-based Paradigm,模块化组件范式)正是为解决这一问题而生 —— 它不创造新的大模型技术,而是提供一套的开发框架,让开发者无需深入掌握 LLM 底层原理(如微调、注意力机制),也能聚焦业务逻辑,高效构建 AI

文章图片
#人工智能#学习
零基础人工智能入门学习笔记(31)

复杂场景核心技术突破工业落地价值多模态数据分层融合(模态内集成→元特征融合→顶层可解释集成)医疗诊断 AUC 提升 12%,满足临床可解释性要求时序动态漂移滑动窗口 + 实时误差权重 + 漂移自适应更新供应链预测 MAPE 降至 9.2%,生鲜损耗率降低 7%数据孤岛与隐私联邦集成(本地训练 + 参数聚合 + 全局权重融合)跨银行信贷 AUC 提升 10%,合规保护数据隐私集成学习的发展已从 “单

文章图片
#人工智能#学习
零基础人工智能入门学习笔记(35)

金融信贷风控实战表明,集成学习在跨场景复杂问题中的价值,不仅在于 “高精度预测”,更在于 “技术与业务的深度融合”。场景约束优先于技术精度:在强监管、高风险场景中,“合规、可解释” 是前提,需牺牲部分精度(如不用 Stacking 用动态融合)确保业务落地;异构数据需 “分而治之”:多源数据的处理核心是 “适配” 而非 “统一”,为每种数据类型设计专属模型,再通过权重融合整合优势;业务价值是最终检

文章图片
#人工智能#学习
    共 145 条
  • 1
  • 2
  • 3
  • 15
  • 请选择