2402_84949062的博客

我们经常使用AI解决日常生活中的问题，但是AI智能给出一些它自己的见解，并不能够实际的去进行操作。也就是你无法让大模型代替你去执行具体的去执行某个操作。本篇文章我将以MCP的方式结合Spring AI演示如何让大模型能够听从你的指令并执行前面的文章我已经讲解过如何搭建Spring AI工程和MCP Server。我这里就举一个简单的例子来演示其集体的过程，也就是 让大模型创建文件并写入内容

当下AI风头正盛，许多行业都已经进入AI赋能的道路，无论是服务业、工业、还是软件行业。本篇文章我将以软件的智能化转型之MCP原理分析为主题讲解其具体实现方案     在当下许多企业内部系统，或者是各种在线服务平台，他们拥有着庞大的用户量和复杂的业务，光是一些操作和业务都已经够头疼的了，而如果让其进行智能化转型，通过引入大模型帮助用户完成任务，那么会大大提高效率。

本地大模型的知识库都是在训练时获取的信息，所以实时性较差，又因为大模型本身并不具备联网查询的功能，所以在使用时无法获得实时性较强的内容，导致功能局限性较强。本篇我将介绍如何让本地部署的大模型能够借助互联网来获取实时性的信息。

当我们利用大模型进行开发时，有时会因为项目重启而丢失模型的记忆，会给开发的过程带来不方便我们在配置ChatClient时，由于想要实现模型的记忆，便需要管理会话信息，而Spring AI给我们提供了Advisors的自动管理机制，其有两种实现方式，即内存记忆和缓存记忆，但是其根源都是建立在缓存中，主机重启都会数据丢失。

在较新的Java版本中，编译器已经支持了接入各种AI模型工具进行开发，这篇文章我会介绍如何利用Spring AI进行大模型的调用的基础方法

在上一篇文章我讲了如何利用LLaMA-Factory微调大模型，这一篇我会简单的讲一下如何将训练完成后的模型导出并加载到ollama供自己调用

LLaMa-Factory支持市面上各种各样的开源大模型，并且内置多种微调方式，比如lora、full、freeze，丰富的微调参数可供调整。提供了简洁的UI界面，并且支持验证、简单对话等功能

 经过近百次的尝试，我发现通过代码直接部署大模型的不稳定性以及操作、技术上的难度远远超过了其本身的价值，尤其是对于初学者以及硬件能力较弱的机器。而采用ollama直接一键部署大模型则显得更加有优势，其在模型的控制上更稳定，模型库包含了大量不同大小的模型的不同量化版本，一键部署更加方便。        上一篇文章我介绍了通过Python环境直接使用代码部署大模型的示例，本篇我将借助ollama完成同样的功能演示。

当我们想要部署一个自己的本地ai助手时，如果不想通过一些工具。比如ollama进行协助，而是想要实现更灵活、对性能更可控的方式时，你可以采取直接使用python环境通过代码运行模型文件，以下我将演示如何实现这一功能

人工智能在各行业的应用趋于广泛，建对于筑行业的某些工序来说，其需要更加规范以及响应更加迅速的技术指导，以便于优化工期和成本。我将以这个为目标讲解训练一款建筑导向的大模型的训练流程和思路。

大模型的发展速度越来越快，已经充斥着当今各行各业，今天我将简单的介绍一下大模型的基本原理以及使用方法。

在AI的时代下，各企业也开始了转型，逐步向智能化方向转变，首当其冲的就是服务自动化、智能化，但是由于以往大模型与企业本地服务接口的匹配性问题，导致调用本地知识库的过程复杂化。我将介绍一个专门解决这类问题的标准化协议MCP，以医疗场景为例，用于介绍其在应用上的优势。