2401_84052244的博客

MCP：AI应用的标准化接口革命 文章深入解析了模型上下文协议（MCP）这一AI领域的创新技术。MCP通过标准化接口解决了LLM应用开发中的集成难题，使开发者无需为每个数据源编写独立连接器。 核心要点： MCP三大组件：主机（应用）、服务器（专用程序）、客户端（通信层）构成完整生态 通信机制：支持JSON-RPC消息格式，提供stdio和HTTP两种传输方式 实践案例：演示如何构建物理公式计算MCP服务器，包含动能/势能等工具函数 MCP如同AI界的USB-C接口，正在重塑LLM应用的开发范式，将成为未来A

RAG应用中的文本切分策略 RAG（检索增强生成）应用中，文本切分是连接知识存储与检索生成的关键预处理步骤。合理的文本切分能提升检索相关性、优化计算效率、保障生成质量，并适配长文档处理。主要切分方法包括： TokenTextSplitter：按令牌数量拆分文本，确保与模型令牌计数一致，保留自然语义边界。 SentenceSplitter：基于OpenNLP句子检测模型拆分文本，再动态合并为语义连贯的文本块。 切分策略需平衡信息完整性与聚焦性，避免过度拆分导致语义割裂或保留过多无关信息。Spring AI框架

摘要：模型上下文协议(MCP)与AI聊天生态的未来 Anthropic提出的模型上下文协议(MCP)正成为连接AI模型与外部工具/知识的关键开放标准。随着AI聊天逐渐取代传统搜索引擎成为用户意图入口，MCP为组织提供了将业务功能整合到AI生态的可行方案。目前已有上千个MCP服务器实现各类功能集成，开发者社区活跃。虽然MCP仍处开发者预览阶段且存在复杂性，但它为企业在AI时代保持竞争力提供了早期实践机会。建议组织通过MCP原型开发来探索未来AI集成的挑战与机遇，而非等待更成熟的标准出现。

**摘要：**程序员可利用Obsidian构建AI知识库，结合终端插件与AI CLI工具如qwen-code，实现高效工作流。Obsidian的Markdown语法和插件生态使其成为理想的知识管理工具，支持终端集成、自动化处理和版本控制。通过分屏布局，用户可同时管理文件、调用AI辅助和编辑笔记。其他推荐的AI CLI工具包括gemini-cli、aichat和auto-coder，各具特色。这套方法强调纯粹、开放和高效，助力程序员打造个性化的思考与创作环境。

摘要： 本文介绍Dify本地化部署流程，需满足CPU≥2核、RAM≥4GiB的最低配置。部署依赖PostgreSQL、Redis、向量数据库（Weaviate/Qdrant/Milvus）及Dify的API、Worker、Web服务，通过Docker Compose一键启动。步骤包括克隆代码库、配置环境变量、启动容器（docker compose up -d），并验证服务状态。支持自定义.env配置，更新时需同步环境变量。部署成功后，访问localhost/install初始化管理员账户，通过localho

本文介绍了Dify平台中的MCP相关插件及FastMCP服务实现原理，重点分析了Dify v1.5.0版本的6类核心MCP插件。主要内容包括：1）4种MCP插件类型（扩展插件、工具插件、Agent策略插件和垂直领域应用）；2）具体插件的功能说明，如将Dify应用发布为MCP服务、通过HTTP/SSE调用工具、支持Function Calling和ReAct策略等；3）各插件的配置方法示意图，包括Agent策略选择、工具列表配置、端点设置等。文章还提供了相关插件的GitHub仓库和Dify市场链接，为开发者实

摘要 Dify知识库系统通过整合静态预训练数据和动态外部信息，提升大模型回答的准确性和时效性。系统支持创建知识库并上传多种格式文档，提供高质量和经济两种索引模式，其中高质量模式支持向量检索、全文检索和混合检索。知识库管理包括元数据分类（内置和自定义）、文档分段和检索设置，同时支持连接外部知识库以扩展信息来源。系统还提供API接口，允许开发者自定义检索参数和元数据筛选条件，实现更灵活的信息检索机制。

摘要：AI大模型落地的关键挑战在于如何有效整合私有知识库，而检索增强生成（RAG）技术成为解决这一问题的核心方案。RAG通过"先检索后生成"的机制，将大语言模型的通用能力与企业特定知识相结合，显著提升回答的准确性和专业性。该系统由知识库、检索器和语言模型三部分组成，能有效减少模型幻觉，确保回答基于最新、非公开数据。构建RAG系统需根据实际需求定制，涉及文档处理、索引建立和检索优化等环节，是企业专属智能体实现价值的关键技术。

Ollama支持自定义模型操作，用户可通过创建Modelfile文件导入GGUF格式模型或修改现有模型参数。具体步骤包括：1)从GGUF文件导入模型并命名；2)修改基础模型参数（如温度值）和系统提示语；3)创建并运行定制模型。示例展示了为摩托车App设计的观点提取机器人模型，通过对比原始Llama3模型，验证了定制模型在特定任务中的优化效果。该功能使开发者能快速构建满足特定需求的AI应用。

本文介绍了使用Ollama+MaxKB快速部署本地知识库问答系统的方案。通过Docker安装MaxKB后，配置本地Ollama模型（如Qwen2），建立知识库并创建应用，30分钟内即可上线。该系统支持多种文件格式上传，可嵌入第三方业务系统。虽然低配电脑响应较慢，但该方案实现简单，采用RAG流程，适合快速实践大模型应用。文章详细说明了安装步骤、模型配置要点及功能演示，指出企业级应用需更高性能服务器支持。

Pollinations.AI是一个开源免费AI内容生成平台，提供文本、图像、音频等多种内容生成API。平台支持多种模型(如Flux/Turbo)，无需注册即可通过URL直接调用API，开发者可使用Python SDK快速集成。主要功能包括：文本生成图像、文生音频、音频转文字等，并提供OpenAI兼容接口。用户可通过Web端或API调用生成内容，参数可自定义如尺寸、随机种子等。该平台降低了AI内容创作门槛，适合开发者、创作者快速搭建内容生产流程。

摘要：本文提供了一套完整的工作价值提炼系统Prompt，帮助职场人士在述职或晋升时更好地展示实际工作价值。系统通过七步流程（包括多维价值解析、STAR+I重构、价值量化等）将隐性工作成果转化为可衡量的业务价值表达，并针对不同汇报场景提供适配建议。文中包含实际效果示例和价值提炼模板，强调数据量化、战略关联和创新视角的重要性。该Prompt适用于各类行业，旨在解决"工作10分表达6分"的常见问题，让真实工作价值得到应有的认可。（149字）

RAG-Anything是一款开创性的多模态文档处理系统，突破了传统文本RAG的局限。这个开源项目能智能解析PDF、Word、Excel等各类文档中的文字、图像、表格和公式内容，构建跨模态的知识图谱。通过端到端的处理流程，它实现了精准的跨模态检索功能，可以根据文字、图片或表格提问，智能关联并提取最匹配的内容片段。系统提供两种灵活模式：智能解析模式自动挖掘文档结构，直接插入模式支持特定内容注入。作为多模态RAG技术的重要进展，RAG-Anything为科研、企业文档管理和智能知识库建设提供了全新解决方案，开启

本文区分了AI领域的三个关键概念：提示词（Prompt）、提示词工程（Prompt Engineering）和上下文工程（Context Engineering）。提示词是直接输入给AI模型的指令文本；提示词工程则是系统化设计、测试和优化提示词的过程；而上下文工程是为AI构建动态上下文，提供恰当信息和工具的科学与艺术。文章通过翻译案例展示了提示词工程的迭代过程，并说明上下文工程在AI Agent中的核心作用——动态收集和组织必要信息。最后强调普通人只需掌握提示词编写，开发AI应用才需深入提示词工程，构建智能

Milvus是由Zilliz开发的全球首款开源向量数据库产品，能够处理数百万乃至数十亿级的向量数据，在Github获得3万+star数量。基于开源Milvus，Zilliz还构建了商业化向量数据库产品Zilliz Cloud，这是一款全托管的向量数据库服务，通过采用云原生设计理念，在易用性、成本效益和安全性上实现了全面提升。

腾讯开源了一款强大的AI视频生成模型HunyuanVideo，提供完整的PyTorch模型、预训练权重和推理代码。该模型支持多种分辨率，720p版本需60GB显存，建议使用80GB显存的GPU。安装过程包括环境配置、依赖项安装和模型下载（约26G）。模型采用MLLM和CLIP作为文本编码器，支持自定义提示词生成高质量视频。用户可通过命令行工具进行推理，并调整参数控制视频大小、长度和生成质量。该开源项目为开发者提供免费的高质量视频生成方案，技术文档和体验入口详见GitHub仓库。

摘要 提示词工程（Prompt Engineering）已从偶然发现发展为系统化的人机交互范式，成为释放大语言模型（LLM）潜能的关键技术。本文系统梳理了提示词工程的发展历程，从GPT-3时代"上下文学习"的涌现到当前工程化应用的演进过程。重点分析了思维链（CoT）、自我反思等高级提示框架的原理与价值，探讨了检索增强生成（RAG）、自主智能体等系统化实现路径。通过科学发现、法律科技等领域的应用案例，展现了提示词工程如何解决模型幻觉问题并提升任务性能。文章还前瞻性地探讨了提示词编程、自动化

摘要 本文探讨了AI时代下数据可视化从专业领域向大众应用的转变。传统数据可视化主要依赖编程语言和商业BI工具，服务于企业场景。AI技术降低了专业门槛，使数据可视化扩展到教育、职场和自媒体等C端领域。文章分析了传统数据可视化工具（如Excel、Python、Tableau）和图表类型，并介绍了思维导图、视觉笔记等C端应用。重点阐述了AI如何增强数据可视化能力：DeepSeek等工具简化图表生成，Napkin AI等产品实现文本到视觉内容的转换，NotebookLM提升知识获取效率。AI推动"数据可视

在人工智能领域，基于私有文档的问答系统一直是研究和应用的热点。传统的检索增强生成（RAG）技术虽然已经取得了显著的进步，但由于其单纯依赖向量相似度，往往难以捕捉实体之间的重要上下文关系。为了突破这一局限，GraphRAG应运而生，它将向量搜索与知识图谱相结合，不仅能够理解语义相似性，还能深入把握概念之间的关系，为文档检索与生成带来了革命性的变革。

**摘要：**北大康奈尔校友、前阿里达摩院产品总监杨劲松创立AI Agent公司，专注解决大模型落地"最后一公里"问题。他认为大模型是"大脑"，Agent则是赋予执行力的"手脚"，在电力、金融等行业已实现风险监测、信贷审核等场景应用。创业公司选择垂直领域深耕，通过实效差异化竞争。未来展望中，Agent将使人人都能管理"数字员工"，实现十倍效率提升。中小企业可先试用现成工具解决重复性工作，逐步构建智能工作流。（149字）

摘要：MCP协议在大模型外部知识获取中的实践 本文介绍了MCP（Model Context Protocol）在大模型应用中的实现方案，解决LLM获取外部知识和工具调用的核心挑战。文章通过官方SDK演示了MCP的完整生命周期：从MCP Server的工具注册（天气查询和活动推荐），到OpenRouter大模型调用，再到MCP Client通过SSE协议实现工具调用的交互流程。MCP协议强调统一标准和跨模型兼容性，其架构将Host（应用系统）与Client逻辑整合，采用装饰器简化工具注册。示例代码展示了硬编码

MCP（Model Context Protocol）是由Anthropic公司推出的标准化AI工具协议，旨在简化大模型与外部工具的交互流程。该协议通过自动化数据传输替代传统手动操作，如截图、复制粘贴等，提升工作效率。MCP服务作为桥梁连接AI与各类工具，每个服务专注于特定任务（如浏览器操作、文件处理等），采用JSON格式进行数据交换。与Function Calling类似，MCP的独特优势在于统一了各大模型的调用标准，兼容性强（包括Claude、DeepSeek等）。目前支持MCP的客户端包括Cline、

这篇文章探讨了如何通过系统指令"洗脑"GitHub Copilot，使其产出高质量代码。作者发现AI工具生成的代码虽然可用，但常存在质量缺陷。为此开发了一套Markdown格式的指令系统，包含代码规范、工作流程和思考方式等指导原则。这套方法通过强制AI角色扮演、慢思考和自我批判等技巧，有效提升了代码质量。用户只需在VS Code中配置相关文件路径即可应用该指令系统。作者认为这种AI引导方式类似于培养新人程序员，不仅能优化AI输出，也有助于开发者反思软件工程的最佳实践。

专家混合模型（MoE）在高效大模型中的应用与发展 专家混合（MoE）已成为提升大语言模型效率的关键架构。本文介绍了MoE的基本原理，如Mixtral-8×7B模型通过8个专家和路由机制实现了47B参数的强大性能，同时仅激活13B参数。研究显示，增加专家数量和粒度能提升模型质量，但需平衡路由成本。最新进展如"百万专家混合"提出优化路由方法，使模型规模可扩展至百万专家级别。此外，MoE还被应用于终身学习场景，通过冻结主干并训练新专家来适应新数据，避免灾难性遗忘。这些研究表明MoE在提升模型性

本文介绍了基于LangChain开发RAG（检索增强生成）系统的完整流程。系统结合PGVector向量数据库和LangGraph状态管理，实现文档检索与语言模型协同工作。主要内容包括：初始化GPT-4模型，加载网页文档并进行文本分割；使用OpenAI嵌入模型向量化文档；构建由分析、检索、生成三阶段组成的LangGraph流程；通过PostgreSQL保存对话状态。该系统能够根据用户提问自动检索相关文档内容，生成准确回答，适用于问答、摘要等多种场景，有效提升了生成结果的相关性和准确性。

前面几篇文章，介绍了Cherry Studio客户端调用MCP，接下来介绍dify如何调用MCP。

AI助力用户体验研究：高效创建用户画像与旅程图 摘要： 本文探讨了生成式AI工具在用户体验研究中的应用，重点介绍如何利用AI辅助创建用户画像和旅程图。作者通过20年UX研究经验，开发了一套混合提示方法，能够更高效地将研究数据转化为生动的用户画像和详细的旅程图。文章详细说明了从数据收集、角色设定到AI提示设计的完整流程，强调AI作为辅助工具的角色，仍需研究人员把控数据准确性和消除偏见。同时提供了具体操作示例，包括上传文档格式、保护数据隐私的注意事项，以及优化AI输出结果的技巧。这种方法特别适合缺乏创意写作能力

本文介绍了如何使用Redis和Spring AI构建检索增强生成（RAG）应用。RAG技术通过结合向量数据库和大型语言模型（LLM），为查询提供上下文信息，避免LLM幻觉问题。主要内容包括： RAG架构概述：通过ETL流程将知识库文档分割、矢量化并存储到Redis向量数据库，增强LLM提示的准确性。 实现步骤： 准备OpenAI API密钥和Redis Cloud账户 配置Spring AI框架的Maven依赖 使用PagePdfDocumentReader读取PDF文档 通过TokenTextSplitt

本文介绍了如何使用Spring AI实现检索增强生成(RAG)技术，主要包括： 嵌入式模型的基本概念及其在自然语言处理中的作用 使用DocumentReader加载数据的方法 在VectorStore中存储Embedding的技术实现 RAG(检索增强生成)的完整工作流程 文章通过示例代码展示了如何使用Spring AI将文本转换为Embedding向量，并存储在向量数据库中。重点说明了如何利用自然语言查询向量数据库获取相关数据，再通过AI模型生成响应。这种方法解决了大型语言模型缺乏特定领域知识的局限，无需

《LLM大模型本地部署实战指南》摘要 本文介绍了四种LLM大模型部署方案，重点详述了Ollama的安装部署流程。Ollama作为开源框架，专为简化本地LLM部署而设计，具有轻量级、可扩展、API支持和预建模型库等特点。 主要包含： 一键安装方法及SSL证书问题解决 手动安装的完整步骤（创建用户、配置服务） Linux内网离线安装方案 模型存储路径修改方法 模型下载运行操作指南（pull/run/list命令） GPU资源监控方式 同时简要提及OpenLLM、LocalAI和Dify等其他部署方案。全文提供详

本文对比了几款主流LLM框架：MaxKB、Dify、FastGPT、RagFlow和Anything-LLM。MaxKB是企业级知识库问答系统，支持文档管理和智能问答；Dify是LLM应用开发平台，提供工作流编排、Agent框架和RAG引擎；FastGPT专注知识库训练和工作流自动化；RagFlow是基于深度文档理解的开源RAG引擎。各框架在技术栈、功能侧重点和适用场景上有所不同，企业可根据需求选择。MaxKB适合企业知识管理，Dify适合复杂应用开发，FastGPT和RagFlow侧重知识库与检索增强。

Dify知识库功能入门指南：Dify的知识库提供了一个便捷的管理平台，可用于存储业务问答、操作逻辑和公司资料等内容。操作简单，支持多格式文件上传，通过向量化模型将文本转化为数字以便计算处理。知识库维护灵活，可批量添加内容并调整关键词匹配。内置检索测试功能帮助优化内容准确性，适用于Agent、工作流等多种场景。本质上，知识库是为大模型配备的"记事本"，让模型能参考预设内容更精准地回答问题。

摘要 文章介绍了如何利用蚂蚁集团AntV团队开源的mcp-server-chart工具实现数据可视化，并结合Dify工作流从数据库生成图表。该工具支持15+常用图表类型，提供图片链接返回结果。通过Docker快速部署后，演示了Cherry Studio调用生成词云图的示例。重点展示了Dify+MySQL+mcp-server-chart的工作流方案：用户自然语言提问→需求提炼→SQL转换→查询数据→生成图表。文中包含完整的MySQL表创建、数据插入示例，以及Dify工作流各节点配置细节，特别强调需使用Dee

本文介绍了Python现代包管理器uv的基本使用方法。主要内容包括： 使用uv init初始化项目，创建规范的目录结构（src-layout或flat-layout），重点说明了--package选项用于创建可分发应用。 uv的功能：不仅是包管理器，还作为Python构建系统前端和环境管理器，可通过uv run运行脚本或命令。 项目开发流程：包括创建虚拟环境、管理依赖、添加命令入口点、以及如何安装到用户全局环境（uv tool install）。 打包分发注意事项：强调pyproject.toml配置和__

本文深入解析大模型四大核心技术：参数量、量化、Zero版本与模型蒸馏。参数量决定模型规模（如1.5b至671b），与性能呈幂律关系但面临显存与计算挑战。量化技术（如W4A16）通过降低精度（FP32→INT8）显著提升效率，需在精度损失与性能间权衡。Zero版本保留原始训练目标，适合创意生成但可能产生"幻觉"。模型蒸馏通过知识迁移训练小模型，实现85%以上性能保留。四种技术各具优势，需根据研发阶段、硬件限制和应用场景灵活组合，推动高效AI系统构建。未来MoE架构等技术将进一步优化这一平衡

本文详细介绍了如何通过MCP服务对接PostgreSQL数据库，实现AI智能查询功能。操作步骤包括：1)使用1Panel v2.0搭建Linux运维面板；2)部署MaxKB企业AI助手；3)从mcp.so获取PostgreSQL配置；4)在1Panel中创建MCP服务并配置数据库连接；5)在MaxKB工作流中集成MCP服务组件。最终实现AI自动生成SQL、查询数据库并整理结果返回用户的完整流程。整个过程涉及服务器环境配置、服务部署和系统集成，为构建智能数据查询系统提供了完整解决方案。

摘要：Trae作为字节推出的AI原生IDE，最新版本支持智能体系统、MCP工具链和智能上下文三大功能，成为国内首个支持MCP协议的AI开发环境。教程演示如何利用Trae创建MCP Server：通过Coze工作流获取头条新闻素材，使用AI Coding快速编写MCP服务代码，最终实现Agent自动调用MCP生成日报网页。重点展示了非流式调用方案，需通过三个接口异步获取数据，Trae的Builder模式能自动生成符合规范的代码结构。

本文介绍了如何将高性能分析数据库StarRocks作为向量数据库使用。主要内容包括：安装必要库文件，加载并拆分Markdown文档为标记，配置StarRocks实例参数（端口、主机、用户等），将文档嵌入向量数据库，以及构建问答系统进行查询测试。StarRocks凭借其快速向量化执行引擎，在OLAP场景下表现出色，能够高效处理文档检索任务。通过示例展示了从文档加载到实际查询的完整流程，最终成功实现了基于StarRocks的问答系统。

本地部署DeepSeek大模型知识库指南 本文详细介绍了在Windows系统上使用Ollama、DeepSeek和AnythingLLM搭建本地知识库的全流程。首先通过Ollama官网或百度网盘下载安装Ollama，并验证安装成功；接着安装1.5B参数的DeepSeek模型；最后安装AnythingLLM桌面应用，配置Ollama作为LLM提供商，创建知识库工作区并上传文档。整个过程提供了完整的图文指导，包括安装步骤截图、命令行验证方法和配置界面说明，帮助用户快速构建本地化的大模型知识库系统。

本文介绍了如何在本地计算机上构建DeepSeek大模型知识库。首先下载安装Ollama（1.9MB）和DeepSeek（1.5B）模型，然后配置AnythingLLM作为交互界面。安装过程详细展示了每个步骤的操作方法，包括验证安装、模型测试等。最后演示了如何使用AnythingLLM上传文档与模型交互。所有软件均提供官网和百度网盘（提取码：ziyu）两种下载方式。该方案为本地运行大语言模型提供了完整解决方案。