MCP在7大AI框架中的实践应用，使用Python和TypeScript框架为LLM赋能！

MCP支持的AI框架

MCP支持的AI框架

AI代理工具包为开发者开放了各种API，让AI解决方案具备执行任务的工具，确保能给出准确结果，提升用户满意度。然而，把这些工具集成到AI应用里并进行管理，过程往往很繁琐。本文将为你介绍一种行业标准方法——利用模型上下文协议（MCP），为大语言模型（LLM）和代理提供上下文信息。

LLM上下文提供方法和规范

默认情况下，如果不给LLM和AI聊天机器人设定合适的上下文，它们就无法获取实时信息、执行代码、调用外部工具及API，甚至不能代用户使用网页浏览器。开发者可借助以下方法，突破LLM和代理的这些局限。

• Composio：Composio有用于集成人工智能代理和LLM的规范及工具包库。除了现成的工具包库，他们最近还推出了Composio MCP，开发者借此能为集成开发环境（IDE）连接100多个MCP服务器。从上面的链接查看Composio MCP工具类别，就能在Cursor、Claude和Windsurf等支持MCP的IDE中，把多个应用连接到自己的项目里。
• Agents.json：这是基于OpenAI标准构建的规范，旨在保障AI代理之间交互顺畅，方便其访问API和外部工具。尽管Agent.json很出色，但不像MCP那样被广泛应用和采用。想深入了解并上手的话，可以参考其GitHub仓库。
• MCP：MCP为开发者提供了向LLM和AI助手提供上下文数据以解决问题的最佳方式。例如，你可以搭建一个MCP文档服务器，让IDE和代理框架能全面访问文档内容，就像使用llms.txt文件一样。

什么是MCP？

不妨把MCP看作LLM的第三次重大变革。在LLM发展的第一阶段，若能在训练数据里找到对应查询，LLM就能准确回答用户的提示信息。但这个阶段的LLM无法处理训练数据之外的提示，因为它们无法访问外部工具。到了第二阶段，虽然给LLM接入了额外的上下文（工具），但使用起来并不直观。不过，这些工具能帮助LLM更精准地预测和理解用户意图并做出回应。而第三次变革，依然是围绕LLM和工具展开，只是构建了一套更完善的基础设施，让它们能便捷地访问外部应用，并且更易于维护。

构建人工智能服务时，在企业场景下用于回复客户支持工单的AI助手应用，其数据可能存于云端。MCP是Anthropic推出的开源协议，借助它，能把企业数据接入AI系统。

MCP提供了一种标准化途径，可将内容存储库（如GitHub、Notion）、开发环境、网页及商业工具与辅助AI技术连接起来。MCP一个热门且应用越来越广泛的场景是AI辅助编程。Cursor和Windsurf等开发环境及工具，通过数百个MCP集成，让开发者在开发过程中能与外部应用连接并交互。

注意：本文聚焦于使用Python和TypeScript构建AI助手和代理系统时如何实现MCP，而非基于IDE的MCP集成。

MCP是如何工作的

在LLM和代理的应用场景中，MCP能帮助它们针对内置知识以外的用户提问，给出有价值的回复。比方说，让ChatGPT给特定的Slack频道发消息、查看你的日历日程并安排与队友的会议，它肯定无法满足你的要求，因为它无法访问这些应用。但要是集成了MCP，就能让这类助手给出有用的反馈。

开发者最先好奇的往往是MCP的工作原理。在MCP的基础运行流程里，用户向代理发出查询请求，代理随后判断调用哪个MCP服务器和工具，获取操作所需的相关信息，最后利用特定工具返回的数据答复用户。

为什么要为AI代理和基于LLM的应用程序采用MCP？

MCP正逐渐成为一项行业标准，助力开发者打造能与外部应用高效通信的AI系统。微软近期宣布在Copilot Studio中集成MCP，简化了AI应用和代理访问工具的流程。OpenAI也宣称其包括Agents SDK和ChatGPT桌面应用等多款产品都支持MCP。直接给工具配备AI助手并非不可行，只是对于由多个执行不同任务（如读取和回复邮件、网页数据抓取、财务分析、获取实时天气信息等）的多代理构成的AI代理系统而言，管理起来会变得异常复杂。

具有工具集成的AI代理

在上图中，三个外部工具连接到LLM。如果工具数量增加到100多个，管理和保障它们的安全会让人焦头烂额。改进方法是通过MCP注册表访问同样多甚至更多的工具，下一部分会详细说明。

具有MCP集成的AI代理

在此图中，我们整合了代理系统所需的工具，并通过MCP服务器访问它们，以提供更有凝聚力的用户体验。MCP方法使通过中心位置保护和管理这些工具变得更加容易。

完整的大模型学习和面试资料已经上传带到优快云的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

使用MCP相对于传统工具包集成的优势

与传统的将工具集成到AI代理的方式相比，MCP有诸多显著优势：

• 架构灵活：与AI代理预构建的工具规范不同，MCP的架构简洁且灵活，与工具和API交互更顺畅。
• 管理更优：MCP通过标准化接口，让AI模型能便捷地访问工具，有效解决了LLM与第三方系统通信不畅的问题。
• 适用性广：MCP工具既能满足单用户需求，也适用于团队协作场景，弥补了独立工具的局限性。
• 社区支持：MCP拥有丰富的开源服务器资源和开发者生态系统，在众多应用场景中都得到了开发者社区的广泛认可。
• 认证安全：MCP内置强大的认证和权限系统，严格管控工具访问权限。比如使用Composio提供的MCP工具时，能用Google表格或Gmail对用户进行身份验证。
• 工具查找便捷：与传统安装、配置、集成AI聊天机器人工具的繁琐流程不同，MCP能让开发者更轻松地搜索和找到外部工具。
• 易于扩展：MCP可轻松扩展，满足大量用户和应用程序的使用需求。
• 行业标准规范：虽然可以通过安装硬编码工具为AI应用提供上下文，但MCP提供了更规范的行业标准方案。

MCP服务器的种类

Anthropic的MCP规范定义了两种服务器类型，方便为代理和AI项目添加工具：

• 服务器发送事件（SSE）：通过HTTP协议连接远程服务。
• STDIO：支持通过标准输入/输出执行本地命令和通信。

构建AI应用时选用的框架，会提供连接这些服务器所需的类。

访问MCP注册表/服务器的生态系统

有不少托管MCP工具的开源库，能增强LLM和代理的能力，确保它们给出的回复可靠。这些工具库被称为注册表，里面汇聚了各类精选服务。借助它们的工具，能把AI应用连接到以下注册表。此外，还能选择不同类型的服务器，像uvx，它基于Python开发，使用时无需安装；也有基于Docker运行MCP工具的方案，以及需要安装Node.js的npx服务器。

• GitHub上的MCP服务器：这是社区构建的服务器集合，包含丰富的MCP资源。
• Glama Registry：面向开发者的生产就绪型开源MCP服务器。
• Smithery Registry：借助Smithery，开发者能访问2000多个MCP服务器，大幅拓展AI代理和LLM的功能。
• OpenTools：OpenTools为MCP工具使用提供生成性API。利用它，开发者能获取数百个现成的MCP工具用于AI项目开发。借助OpenTools API，还能拓展LLM的网页搜索、实时位置数据获取和网页数据抓取等功能。该API支持Curl、Python和TypeScript。想使用API的话，可以查看OpenTools快速入门指南。

from openai import OpenAIclient = OpenAI(    base_url="https://api.opentools.com",    api_key="<OPENTOOLS_API_KEY>")completion = client.chat.completions.create(    model="anthropic/claude-3.7-sonnet",    messages=[        { "role": "user", "content": "Compare specs of top 5 EVs on caranddriver.com" }    ],    tools=[{ "type": "mcp", "ref": "firecrawl" }])

• PulseMCP Registry：使用PulseMCP，能浏览适合AI项目的托管MCP工具和应用案例。关注PulseMCP News，还能了解近期热门的MCP服务器和应用。
• mcp.run：通过这个注册表，开发者能访问数百个用于商业用途的MCP应用。
• Composio Registry：Composio基于SSE的MCP服务器，能轻松将工具与不同AI框架集成，便于开发应用程序。
• guMCP：Gumloop的guMCP提供免费、开源且全托管的MCP服务器，可与任何AI应用无缝集成。

将MCP添加到LLM和代理的7大客户端框架

虽说MCP如今热度很高，开发人员社区都在讨论，但要选对与AI应用和代理集成的MCP客户端框架并非易事。经过研究，下面为大家介绍几款领先的、适用于基于Python和TypeScript的代理工作流及AI助手的MCP客户端平台。

1. 使用OpenAI代理SDK构建Git MCP代理：利用OpenAI Agents SDK构建代理时，借助SDK里的MCPServerStdio和MCPServerSse类，就能连接到社区构建的MCP服务器。下面的MCP代理代码实现了访问本地Git仓库根目录，并能响应用户对仓库相关的查询。

import asyncioimport shutilimport streamlit as stfrom agents import Agent, Runner, tracefrom agents.mcp import MCPServer, MCPServerStdioasync def query_git_repo(mcp_server: MCPServer, directory_path: str, query: str):    agent = Agent(        name="Assistant",        instructions=f"Answer questions about the localgit repository at {directory_path}, use that for repo_path",        mcp_servers=[mcp_server],    )    with st.spinner(f"Running query: {query}"):        result = await Runner.run(starting_agent=agent, input=query)    return result.final_outputasync def run_streamlit_app():    st.title("Local Git Repo Explorer")    st.write("This app allows you to query information about a local git repository.")    directory_path = st.text_input("Enter the path to the git repository:")    if directory_path:        col1, col2 = st.columns(2)        with col1:            if st.button("Most frequent contributor"):                query = "Who's the most frequent contributor?"                run_query(directory_path, query)        with col2:            if st.button("Last change summary"):                query = "Summarize the last change in the repository."                run_query(directory_path, query)        custom_query = st.text_input("Or enter your own query:")        if st.button("Run Custom Query") and custom_query:            run_query(directory_path, custom_query)def run_query(directory_path, query):    if not shutil.which("uvx"):        st.error("uvx is not installed. Please install it with `pip install uvx`.")        return    async def execute_query():        async with MCPServerStdio(            cache_tools_list=True,            params={                "command": "python",                "args": [                    "-m",                    "mcp_server_git",                    "--repository",                    directory_path                ],            },        ) as server:            with trace(workflow_name="MCP Git Query"):                result = await query_git_repo(server, directory_path, query)            st.markdown("### Result")            st.write(result)    asyncio.run(execute_query())if __name__ == "__main__":    st.set_page_config(        page_title="Local Git Repo Explorer",        page_icon="📊",        layout="centered"    )    def main_streamlit_app():        st.title("Local Git Repo Explorer")        st.write("This app allows you to query information about a Git repository.")        directory_path = st.text_input("Enter the path to the git repository:")        if directory_path:            col1, col2 = st.columns(2)            with col1:                if st.button("Most frequent contributor"):                    query = "Who's the most frequent contributor?"                    run_query(directory_path, query)            with col2:                if st.button("Last change summary"):                    query = "Summarize the last change in the repository."                    run_query(directory_path, query)            custom_query = st.text_input("Or enter your own query:")            if st.button("Run Custom Query") and custom_query:                run_query(directory_path, custom_query)    main_streamlit_app()

上面的代码将Streamlit与OpenAI MCP代理集成，这样就能用Git MCP服务器与本地Git仓库交互了。运行这个示例前，需要安装以下依赖：

pip install streamlit openai-agents mcp-server-git

然后，通过export OPENAI_API_KEY=sk-....导出OpenAI API密钥。

你还能在GitHub上探索更多OpenAI MCP的示例。使用Agents SDK的MCP集成有个突出优势，OpenAI的仪表板上内置了MCP代理监控系统，能自动记录代理的MCP操作，比如工具列表、POST响应以及函数调用数据等信息。

2. 利用Praison AI构建MCP人工智能代理

Praison AI是一个基于Python的人工智能框架，用于组建代理团队。它提供了一种极为简便的方式，仅需一行代码，就能像为代理配备传统工具那样，将MCP服务器工具融入代理工作流程。

下面的示例通过Streamlit用户界面，把Airbnb的MCP服务器与Praison AI代理进行集成，以此帮助用户在指定地点寻找公寓。若要使用Praison AI创建你的首个MCP代理，需安装以下内容：

pip install praisonaiagents mcp streamlit

接下来，导出你的OpenAI API密钥：export OPENAI_API_KEY='sk-proj-qZIGbi....'

创建一个Python文件，比如streamlit_praison_airbnb_mcp_agent.py，并将以下代码写入其中：

import streamlit as stfrom praisonaiagents import Agent, MCPst.title("🏠 Airbnb预订助手")@st.cache_resourcedef get_agent():    return Agent(        instructions="""你帮助在爱彼迎上预订公寓。""",        llm="gpt-4o-mini",        tools = MCP("npx -y @openbnb/mcp-server-airbnb --ignore-robots-txt")    )if "messages" not in st.session_state:    st.session_state.messages = []for message in st.session_state.messages:    with st.chat_message(message["role"]):        st.markdown(message["content"])with st.form("booking_form"):    st.subheader("输入你的预订详情")    destination = st.text_input("目的地:", "巴黎")    col1, col2 = st.columns(2)    with col1:        check_in = st.date_input("入住日期")    with col2:        check_out = st.date_input("退房日期")    adults = st.number_input("成人数量:", min_value = 1, max_value = 10, value = 2)    submitted = st.form_submit_button("搜索住宿")    if submitted:        search_agent = get_agent()        query = f"我想在{destination}预订一间公寓，从{check_in.strftime('%m/%d/%Y')}入住至{check_out.strftime('%m/%d/%Y')}，共{adults}位成人"        st.session_state.messages.append({"role": "用户", "content": query})        with st.chat_message("用户"):            st.markdown(query)        with st.chat_message("助手"):            with st.spinner("正在搜索住宿..."):                response = search_agent.start(query)            st.markdown(response)            st.session_state.messages.append({"role": "助手", "content": response})    if st.session_state.messages:        prompt = st.chat_input("询问关于住宿的后续问题")        if prompt:            search_agent = get_agent()            st.session_state.messages.append({"role": "用户", "content": prompt})            with st.chat_message("用户"):                st.markdown(prompt)            with st.chat_message("助手"):                with st.spinner("思考中..."):                    response = search_agent.start(prompt)                st.markdown(response)                st.session_state.messages.append({"role": "助手", "content": response})

运行这段示例代码，它会调用所需的Airbnb MCP工具，帮你在特定地点寻找住所。

搭载Praison AI的MCP人工智能代理

你会发现，它仅用一行代码tools = MCP("npx -y @openbnb/mcp-server-airbnb --ignore-robots-txt") 就为代理添加了MCP支持。这里的npx 是用于启动MCP服务器的命令，-y 是传递给该命令的命令行参数。想要了解更多相关信息，可参考OpenAI Agents SDK文档中的MCP服务器部分。

3. 将MCP用于LangChain AI应用程序

LangChain支持调用MCP工具，这一特性允许开发者通过设置Python函数，访问不同的MCP服务器，并获取工具以在AI项目中执行任务。下面的示例代码展示了如何连接到一个安全的MCP文件系统服务器，使大语言模型（LLM）能够准确回答与你提供的任何文件相关的问题。

import asyncioimport pathlibimport sysimport typing as tfrom langchain_core.messages import AIMessage, BaseMessage, HumanMessagefrom langchain_core.output_parsers import StrOutputParserfrom langchain_core.tools import BaseToolfrom langchain_groq import ChatGroqfrom mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_clientfrom langchain_mcp import MCPToolkitasync def run(tools: list[BaseTool], prompt: str) -> str:    model = ChatGroq(model_name="llama-3.1-8b-instant", stop_sequences=None)    tools_map = {tool.name: tool for tool in tools}    tools_model = model.bind_tools(tools)    messages: list[BaseMessage] = [HumanMessage(prompt)]    ai_message = t.cast(AIMessage, await tools_model.ainvoke(messages))    messages.append(ai_message)    for tool_call in ai_message.tool_calls:        selected_tool = tools_map[tool_call["name"].lower()]        tool_msg = await selected_tool.ainvoke(tool_call)        messages.append(tool_msg)    return await (tools_model | StrOutputParser()).ainvoke(messages)async def main(prompt: str) -> None:    server_params = StdioServerParameters(        command="npx",        args=["-y", "@modelcontextprotocol/server-filesystem", str(pathlib.Path(__file__).parent.parent)],    )    async with stdio_client(server_params) as (read, write):        async with ClientSession(read, write) as session:            toolkit = MCPToolkit(session=session)            await toolkit.initialize()            response = await run(toolkit.get_tools(), prompt)            print(response)if __name__ == "__main__":    prompt = sys.argv[1] if len(sys.argv) > 1 else "Read and summarize the file ./readme.md"    asyncio.run(main(prompt))

在运行这段Python脚本之前，你需要安装所需的依赖项：langchain - core、langchain - groq 和 langchain - mcp。

pip install langchain-core langchain-groq langchain-mcp

上述MCP配置使用了npx服务器类型，因此你还需要安装 server - filesystem 包。

pm install -g @modelcontextprotocol/server-filesystem

注意：本示例取自LangChain的GitHub仓库。

4. 将MCP用于Chainlit AI应用程序

Chainlit是一个用Python构建AI应用程序的平台。它内置了对MCP服务器的支持，所以你可以配置应用程序，发现可用的MCP工具，并将工具调用集成到应用程序流程中，以获得更好的结果。你可以将Chainlit应用程序与基于服务器发送事件（SSE）和命令行（stdio）的服务集成。在下面的示例中，我们将把一个Chainlit应用程序连接到Linear MCP服务器，使该应用程序能够管理Linear中的问题、项目和团队。你可以使用本示例中提供的Linear工具来创建、更新、搜索和获取用户问题，或者为问题添加评论。

配置你的Chainlit应用程序以连接到MCP服务器

将Chainlit应用程序连接到MCP服务器以访问工具，主要涉及两个步骤。

1. 注册MCP连接：在这一步中，你需要实现Chainlit的 on_mcp_connect 异步函数，以建立成功的连接。你也可以实现 on_mcp_disconnect 函数来处理连接断开时的清理工作。

import chainlit as clfrom mcp import ClientSession@cl.on_mcp_connectasync def on_mcp_connect(connection, session: ClientSession):    """当MCP连接建立时调用"""@cl.on_mcp_disconnectasync def on_mcp_disconnect(name: str, session: ClientSession):    """当MCP连接终止时调用"""

1. 配置MCP客户端（Chainlit、LangChain、Mastra）：为了让MCP服务器与Chainlit应用程序协同工作，客户端需要通过Chainlit的用户界面提供连接详细信息。此配置包含以下内容：

• 唯一标识符：一个代表连接名称的唯一标识。
• 客户端类型：你需要指定是使用sse还是stdio。如果使用sse，需要添加一个URL端点；使用stdio时，则需要一个完整的命令（例如，npx your - tool - package 或 uvx your - tool - package）。下面是一个完整的命令示例：

npx -y linear-mcp-server --tools=all --api-key=lin_api_your_linear_API_Key

建立MCP服务器连接后，你可以使用MCP会话来执行工具。最后，通过工具调用，将MCP工具与Chainlit应用程序的模型/代理无缝集成。你可以从GitHub上Chainlit的示例应用程序中找到此Linear MCP集成的完整源代码。

当你从Chainlit的GitHub仓库获取上述源代码并运行，然后通过Chainlit界面设置 npx -y linear - mcp - server -- tools = all -- api - key = lin_api_your_linear_API_Key，你将能够创建和更新Linear中的问题/项目。

构建连接到MCP服务器的Chainlit应用程序

5. 为Agno AI代理集成MCP

Agno是一个用于构建复杂代理工作流的Python框架。它因其简单性、易用性以及与MCP服务器的无缝集成而广受欢迎。本节中的示例MCP实现，与由四个独立的贡献代理（如Airbnb、Google Maps、网络搜索和天气MCP代理）组成的多代理团队进行了集成。Agno的多个代理相互协作，提供关于特定地点旅行的信息。

先决条件

为了测试本节中的Agno MCP实现示例：

1. 安装Agno、DuckDuckGo和Exa：pip install -U openai agno duckduckgo - search exa - py。
2. 获取 GOOGLE_MAPS_API_KEY，并将其添加到项目的 .env 文件中。
3. 获取一个 APIFY_TOKEN，并添加到你的 .env 文件中。
4. 验证Google地址API。

配置Agno MCP代理团队

在这一步中，你需要定义MCP服务器参数，并使用 AsyncExitStack 管理多个上下文管理器。然后，创建代理并运行它们。

airbnb_server_params = StdioServerParameters(    command="npx",    args=["-y", "@openbnb/mcp-server-airbnb", "--ignore-robots-txt"],    env=env,)maps_server_params = StdioServerParameters(    command="npx", args=["-y", "@modelcontextprotocol/server-google-maps"], env=env)async with contextlib.AsyncExitStack() as stack:    airbnb_client, _ = await stack.enter_async_context(stdio_client(airbnb_server_params))    maps_client, _ = await stack.enter_async_context(stdio_client(maps_server_params))    airbnb_agent = Agent(        name="Airbnb",        role="Airbnb Agent",        model=OpenAIChat("gpt-4o"),        tools=[airbnb_client],        instructions=dedent("""\        你是一个可以在给定地点查找爱彼迎房源的代理。\        """),        add_datetime_to_instructions=True,    )

为Agno AI代理集成MCP

6. 将MCP用于Upsonic代理

Upsonic是一个用于创建AI代理的Python框架。使用Upsonic，你可以构建自己的代理，为代理定义任务，并使用MCP工具处理每个任务定义，如下面的示例代码所示：

import osfrom dotenv import load_dotenvfrom upsonic import Task, Agent, Directfrom upsonic.client.tools import Searchload_dotenv()openai_api_key = os.getenv("OPENAI_API_KEY")if not openai_api_key:    raise ValueError("OPENAI_API_KEY未在.env文件中找到")os.environ["OPENAI_API_KEY"] = openai_api_keyclass HackerNewsMCP:    command = "uvx"    args = ["mcp-hn"]task = Task(    "分析今日HackerNews上排名前五的文章。简要总结每篇文章，"    "找出任何共同的主题或趋势，并突出哪些文章可能与对AI和软件开发感兴趣的人最相关。",    tools=[HackerNewsMCP, Search])agent = Agent(    "科技新闻分析师",    company_url="https://news.ycombinator.com/",    company_objective="提供对科技行业新闻和趋势的深刻分析")print("正在分析HackerNews文章...")agent.print_do(task)

在上述示例中，我们在Upsonic中创建了一个AI代理，它从Hackernews中检索前五个最近的故事。

7. 为Mastra代理使用MCP

Mastra是一个TypeScript框架，用于构建原型和可投入生产的AI代理。与Chainlit类似，Mastra提供了一种标准化的方式来连接到MCP服务器，通过基于stdio或sse的连接访问广泛的工具。

要将Mastra代理连接到MCP服务器，你应该使用其 MCPConfiguration 类。此类在任何Mastra代理工作流中处理多个服务器连接，如生命周期、命名空间和工具管理。在Master应用程序和MCP服务器之间创建连接涉及以下步骤：

1. 创建 MCPConfiguration 类的实例并添加服务器配置。
2. 使用 getTools() 或 getToolsets() 方法检索MCP工具。

以下示例代码展示了使用Mastra代理实现MCP服务器的基本用法：

import { MCPConfiguration } from "@mastra/mcp";import { Agent } from "@mastra/core/agent";import { openai } from "@ai-sdk/openai";const mcp = new MCPConfiguration({    servers: {        stockPrice: {            command: "npx",            args: ["tsx", "stock-price.ts"],            env: {                API_KEY: "your-api-key",            },        },        weather: {            url: new URL("http://localhost:8080/sse"),        },    },});const agent = new Agent({    name: "多功能代理",    instructions: "你可以访问多个工具服务器。",    model: openai("gpt-4"),    tools: await mcp.getTools(),});

LLM应用程序和代理中MCP的挑战和下一步是什么

本教程向你介绍了MCP，并解释了为什么它在开发者社区中如此受欢迎。我们强调了MCP与诸如Cursor和Windsurf等IDE的集成。此外，我们还在七种不同的Python和TypeScript框架中实现了MCP，用于构建基于LLM的应用程序、AI助手和代理。

MCP虽然强大，但也面临以下挑战。在为项目搜索MCP工具时，你可能会发现难以检查或验证工具的质量，也难以确定其是否适用于你的AI项目。这是因为其工具搜索和发现功能尚未标准化。此外，由于MCP服务器提供商的架构不同，其配置无法提供一致的用户体验。

目前，MCP生态系统正在讨论对MCP的各个方面进行标准化。未来可能会有一种标准的方法来安装基于MCP的应用程序，就像我们在Python中使用 pip install 安装软件包一样。PulseMCP也在努力使浏览和发现MCP工具变得更加容易。

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到优快云的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​