准备数据：从魔搭等平台获取数据集，转换格式后在中注册LoRA微调：配置YAML文件，执行训练合并模型：将LoRA适配器与基座模型合并为完整模型格式转换：使用llama.cpp将HF格式转为GGUF格式部署Ollama：创建Modelfile，用导入，ollama run运行整个过程虽然步骤不少，但LLaMA-Factory把大部分复杂操作都封装成了配置文件和命令行，大大降低了门槛。希望这篇文章能帮

docker ps,用该命令看有无该容器，查看有后我们可以去浏览器输入地址来查看我们的私人仓库：http://私有仓库ip:端口号/v2/_catalog这里的私人仓库ip是我们linux通过ip addr查看ens33里的ip，例如192.168.100.188。通过该命令来修改此文件，我们进入文件内部后，查找到 "insecure-registries": 语句，在里面加一行 "私人仓库ip:

MCP 没有发明新的黑科技，但它用“加一层”的经典思路，解开了 AI Agent 工具链中最关键的耦合死结。它让我们看到，大模型与外部世界的交互，可以不再是一堆零乱的胶水代码，而是一套优雅、可复用、可发现的协议。

将MCP集成进Agent系统，本质上是如何在开放性与可控性之间取得平衡。开放意味着用户可以自由接入任意外部工具，快速扩展能力边界；可控则要求系统对每个工具的认证、权限、资源消耗和副作用有明确的约束。这种平衡不是静态的——导入阶段的多层校验、运行时动态授权、调用链的全程审计，都是在不同环节介入控制点，而非一味放宽或收紧。

Ollama 的出现，真正把大模型从“只有深度学习工程师才能摆弄”的高阁拉回到了每一个开发者的终端里。它屏蔽了底层复杂的依赖和优化细节，却保留了足够的灵活性和可扩展性。无论你是想在个人项目中嵌入 AI 能力，还是在公司内部搭建隐私安全的 LLM 服务，Ollama 都是那个值得首选的“快速部署与使用”方案。

A2A（Agent-to-Agent）协议，是由 Google 于 2025 年 4 月发起、现由 Linux 基金会管理的开放标准。它的核心目标是让不同厂商、不同技术栈开发的 AI 智能体能够顺畅通信、交换信息并协同行动。简单来说，A2A 要解决的是 AI 智能体之间的“横向协作”问题。如果说 MCP（Model Context Protocol）解决的是 Agent 如何调用工具和数据（纵向连

A2A（Agent-to-Agent）协议，是由 Google 于 2025 年 4 月发起、现由 Linux 基金会管理的开放标准。它的核心目标是让不同厂商、不同技术栈开发的 AI 智能体能够顺畅通信、交换信息并协同行动。简单来说，A2A 要解决的是 AI 智能体之间的“横向协作”问题。如果说 MCP（Model Context Protocol）解决的是 Agent 如何调用工具和数据（纵向连

Ollama 的出现，真正把大模型从“只有深度学习工程师才能摆弄”的高阁拉回到了每一个开发者的终端里。它屏蔽了底层复杂的依赖和优化细节，却保留了足够的灵活性和可扩展性。无论你是想在个人项目中嵌入 AI 能力，还是在公司内部搭建隐私安全的 LLM 服务，Ollama 都是那个值得首选的“快速部署与使用”方案。

在软件开发中，版本控制是必不可少的一环。Git 作为目前最流行的分布式版本控制系统，几乎是每位开发者的必备技能。本文将从零开始，带你全面掌握 Git 的核心概念与常用操作，包括安装配置、本地仓库管理、分支策略、远程仓库协作，以及在 IDE 中的集成使用。无论你是刚接触 Git 的小白，还是希望巩固基础的老手，相信都能从中受益。

MCP 没有发明新的黑科技，但它用“加一层”的经典思路，解开了 AI Agent 工具链中最关键的耦合死结。它让我们看到，大模型与外部世界的交互，可以不再是一堆零乱的胶水代码，而是一套优雅、可复用、可发现的协议。