9种 MCP 架构设计模式剖析

Python_金钱豹 Python_金钱豹 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1k累计阅读 1.1k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-03-27 17:22:33 发布 1k 阅读 AI 写同款· GEO 优化 ›
深入了解MCP基础与架构 摘要： MCP（Model Communication Protocol）是新一代AI交互标准协议，旨在解决大语言模型（LLM）与物理世界系统间的兼容性问题。传统AI集成方案（如API直连、微服务改造）存在数据隐私风险、改造成本高和实时性差等缺陷，而MCP通过标准化接口、上下文全生命周期管理和安全沙箱机制，实现了开发效率提升（减少70%样板代码）、运行成本优化（响应时间降低85%）与安全合规保障。其三层架构（Host-Client-Server）支持双向通信、智能路由和动态权限控制，已在智能供应链、医疗诊断 阅读详情

MCP 是 AI 应用与能力（tools、prompts、resources）之间的通用连接器，类似于 USB-C 为电子设备之间的连接提供了标准化接口。

img

MCP 把原来获取数据 的 M×N 集成问题，通过统一、标准化的接口打破了这种模式，优化为 M + N 集成问题，大大简化了架构设计和提升了效率。

img

在企业级实际落地中，MCP 有9种常见的架构设计模式，下文我们详细剖析之。

1.MCP 9种架构设计模式

1、架构设计模式一：完全本地的 MCP Client

MCP Client 是 AI 应用（比如：Cursor）中的一个组件，它负责与外部工具建立连接。

第一、此架构设计模式的构建流程剖析

img

  • 用户提交一个查询。
  • AI 智能体连接到 MCP Server 以发现工具。
  • 根据查询，AI 智能体调用合适的工具并获得上下文。
  • AI 智能体返回一个有上下文感知的响应。

第二、此架构设计模式的技术栈剖析

  • LlamaIndex 用于构建 MCP 驱动的 AI 智能体。
  • Ollama 用于本地提供 Deepseek-R1 服务。
  • LightningAI 用于开发和托管。

2、架构设计模式二：MCP 驱动的 Agentic RAG

由 MCP 驱动的 Agentic RAG，它可以搜索向量数据库，并在需要时回退到网络搜索。

第一、此架构设计模式的构建流程剖析

img

  • 用户通过 MCP Client（比如：Cursor IDE）输入查询。
  • 2-3) MCP Client 连接 MCP Server 选择一个相关工具。
  • 4-6) 工具的输出返回给用户以生成响应。

第二、此架构设计模式的技术栈剖析

  • Bright Data 来大规模抓取网页数据。
  • Qdrant 作为向量数据库。
  • Cursor 作为 MCP Client。

3、架构设计模式三：MCP 驱动的多智能体

构建一个由 MCP 驱动的 AI 智能体，比如：在金融业务分析场景，它可以直接从 Cursor 或 Claude 桌面获取、分析并生成股市趋势的洞见。

第一、此架构设计模式的构建流程剖析

img

  • 用户提交查询请求。
  • MCP 智能体启动金融分析师团队。
  • 团队进行研究并创建可执行脚本。
  • 智能体运行脚本以生成分析图表。

第二、此架构设计模式的技术栈剖析

  • 使用 CrewAI 进行多智能体编排。
  • 使用 Ollama 本地部署 DeepSeek-R1 LLM。
  • 使用 Cursor 作为 MCP Host。

4、架构设计模式四：MCP 驱动的语音智能体

MCP 驱动的语音智能体，它能够查询数据库，并在需要时回退到网络搜索。

第一、此架构设计模式的构建流程剖析

img

  • 用户的语音查询通过 AssemblyAI 转录成文本。
  • 智能体发现数据库和网络工具。
  • 大语言模型调用正确的工具，获取数据并生成响应。
  • 应用程序通过文本转语音的方式传递响应。

第二、此架构设计模式的技术栈剖析

  • AssemblyAI 用于语音转文本。
  • Firecrawl 用于网络搜索。
  • Supabase 作为数据库。
  • Livekit 用于协调。
  • Qwen3 作为大语言模型（LLM）。

5、架构设计模式五：统一的 MCP Server

通过一个由 MindDB（MCP Server） 和 Cursor IDE（MCP Client） 提供支持的统一界面，使用自然语言查询和聊天，可以访问 200 多个以上的数据源。

第一、此架构设计模式的构建流程剖析

img

  • 用户提交查询。
  • 智能体连接到 MindDB 的 MCP Server 以找到工具。
  • 智能体基于用户查询选择一个合适的工具并调用它。
  • 最后，它返回一个与上下文相关联的响应。

第二、此架构设计模式的技术栈剖析

  • MindDB 来为我们的统一 MCP Server 提供动力（在 GitHub 上有 31k Stars）。
  • Cursor 作为 MCP Host。
  • Docker 用于自行托管 MCP Server。

6、架构设计模式六：MCP 驱动的共享内存

开发者们分别独立使用 Claude 桌面和 Cursor，而没有共享上下文。如何添加一个通用的内存层，以便在不丢失上下文的情况下进行跨操作。

第一、此架构设计模式的构建流程剖析

img

  • 用户向 Cursor 和 Claude 提交查询。
  • 事实/信息使用 Graphiti MCP 存储在通用内存层中。
  • 如果任何交互需要上下文，就会查询内存。
  • Graphiti 在多个主机（Hosts）之间共享内存。

第二、此架构设计模式的技术栈剖析

  • Graphiti MCP 作为 AI 智能体的内存层（ GitHub 代码库拥有 10k Stars）。
  • Cursor 和 Claude 桌面作为 MCP Hosts。

7、架构设计模式七：MCP 驱动的复杂文档 RAG

使用 MCP 为处理包含表格、图表、图片、复杂布局等复杂文档的 RAG 应用提供动力。

img

第一、此架构设计模式的构建流程剖析

img

  • 用户与 MCP Client（Cursor IDE）进行互动。
  • MCP Client 连接到 MCP Server 并选择一个工具。
  • 工具利用 GroundX 对文档进行高级搜索。
  • 搜索结果被 MCP Client 用来生成响应。

第二、此架构设计模式的技术栈剖析

  • Cursor IDE 作为 MCP Client。
  • EyelevelAI 的 GroundX 来构建一个能够处理复杂文档的 MCP Server。

8、架构设计模式八：MCP 驱动的数据合成生成器

MCP Server 能够生成任何类型的合成数据集。它使用 Cursor 作为 MCP 的 Host ，并利用 SDV 来生成逼真的表格形式的合成数据。

第一、此架构设计模式的构建流程剖析

img

  • 用户提交查询。
  • AI 智能体连接到 MCP Server 以找到工具。
  • AI 智能体根据查询使用合适的工具。
  • 返回关于合成数据创建、评估或可视化的响应。

第二、此架构设计模式的技术栈剖析

  • 使用 Cursor 作为 MCP Host。
  • 使用 SDV 生成逼真的表格形式的合成数据。
  • SDV 是一个 Python 库，它使用机器学习来创建类似于真实世界模式的合成数据。这个过程包括训练模型、采样数据，并与原始数据进行验证。

9、架构设计模式九：MCP 驱动的 Deep Researcher 多智能体

ChatGPT 有一个 Deep Researcher 功能。它可以帮助你获取任何主题的详细见解。

第一、此架构设计模式的构建流程剖析

img

  • 用户提交查询。
  • 网络搜索智能体通过 Linkup 运行深度网络搜索。
  • 研究分析师智能体验证并去除重复的结果。
  • 技术写手智能体撰写带有引用的连贯响应。

第二、此架构设计模式的技术栈剖析

  • Linkup 用于深度网络研究。

  • CrewAI 用于多智能体协调。

  • Ollama 在本地提供 DeepSeek-R1 服务。

  • Cursor 作为 MCP Host。

2.总结

第一、架构设计模式总结

  • 完全本地的 MCP Client 架构设计模式一适合需要完全在本地运行的应用；
  • MCP 驱动的 Agentic RAG 架构设计模式二适合需要搜索和分析大量数据的场景；
  • MCP 驱动的多智能体架构设计模式三适合金融数据分析和趋势预测；
  • MCP 驱动的语音智能体设计模式四适合需要语音交互的应用；
  • 统一的 MCP Server 架构设计模式五适合需要整合多个数据源的应用；
  • MCP 驱动的共享内存架构设计模式六适合需要跨应用共享数据的场景；
  • MCP 驱动的复杂文档 RAG 架构设计模式七适合处理复杂格式文档的应用。
  • MCP 驱动的数据合成生成器架构设计模式八适合需要生成合成数据集进行测试或训练。
  • MCP 驱动的 Deep Researcher 多智能体架构设计模式九适合需要深度研究和分析的应用。

*第二、业务选型建议*

  • 数据密集型业务：选择 Agentic RAG 或多智能体模式。
  • 用户交互型业务：选择语音或共享内存模式。
  • 文档处理型业务：选择复杂文档处理模式。
  • 数据生成需求：选择合成数据生成器模式。
  • 研究分析需求：选择深度研究员模式。

根据具体业务需求和场景，选择最合适的 MCP 架构设计应用模式，以实现最佳的性能和效果。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

标签
#php #开发语言 #3d #网络 #服务器
#java #人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
MCP 架构概述：什么是模型上下文协议（MCP）？ 模型上下文协议（MCP）遵循客户端-主机-服务器架构，其中每个主机可以运行多个客户端实例。这种架构使用户能够在保持清晰的边界和隔离关注点的同时，将 AI 能力集成到各个应用程序中。基于 JSON-RPC 构建的 MCP 提供了一种面向上下文交换和客户端与服务器之间采样协调的会话状态协议。核心组件主机客户端主应用程序创建并管理多个客户端，每个客户端与特定的服务器保持一对一的关系。服务器设计原则MCP 基于几个关键设计原则，这些原则指导了其架构和实现能力协商。 阅读详情

相关推荐

[架构]MVC/MCP/MVVM三个框架模式

MVC框架模式 MVC是一种框架模式而非设计模式，GOF把MVC看作是3种设计模式：观察者模式、策略模式与组合模式的合体，而核心是观察者模式。​​​​​​​ MVC框架模式图角色说明模式说明当用户出发事件的时候，view层会发送指令到controller层，接着controller去通知model层更新数据，model层更新完数据以后直接显示在view层上，这就是MVC的工作原理。 M...

超越 3565

MCP 架构设计深度剖析 | 什么是 MCP？为什么需要 MCP？如何使用/开发 MCP？MCP 架构设计剖析

在本文中，我将从使用者的角度出发，分享关于 MCP（Model Context Protocol，模型上下文协议）的实用内容。

老皮的博客 3697

MCP（Model Context Protocol）9种架构设计模式深度解析：技术选型与实战指南

MCP协议作为AI模型与外部工具集成的标准化方案，提供9种核心架构模式满足不同场景需求。从本地的MCP Client到多智能体协作，从语音交互到复杂文档处理，每种模式都有针对性设计。数据密集型业务推荐Agentic RAG或多智能体模式，交互场景适合语音或共享内存模式，深度分析则可采用Deep Researcher模式。MCP通过统一接口显著降低集成复杂度，是构建高效AI应用的利器。根据业务需求选择合适模式，可快速实现高性能AI系统落地。

分享平时的学习心得和笔记 901

一文弄清楚9种 MCP 架构设计模式，看这一篇就够了！

MCP 是 AI 应用与能力（tools、prompts、resources）之间的通用连接器，类似于 USB-C 为电子设备之间的连接提供了标准化接口。

EnjoyEDU的博客 1593

使用protege推理小例子---关系链

使用protege推理小例子---关系链关系链推理 SubPropertityChain在Protege中使用关系链推理1、创建Person类2、创建对象关系3、添加实例4、进行推理5、推理结果 关系链推理 SubPropertityChain 关系链简单的说就是将多个关系表达式串联起来，如下图 1-1 图1-1 小明的父亲是大明，大明的父亲是老明。这就是一个由两组关系连接的关系链，根据关系链可以推理出，小明和老明之间的关系是爷孙关系。 在Protege中使用关系链推理 1、创建Person类 在Entit

weixin_45237780的博客 4460

STM32HAL库 基于外部Flash+FatFs模拟U盘方式进行固件拷贝升级(详解)

STM32HAL库 基于外部Flash+FatFs模拟U盘方式进行固件拷贝升级

qq_36075612的博客 1万+

一文通透！MCP 9大架构设计模式深度剖析，掌握精髓！

MCP（AI应用通用桥梁）通过标准化接口将复杂系统集成简化为M+N模式，提出9种典型架构设计模式：包括本地化客户端、智能检索代理、多智能体协同、语音交互、统一数据服务、共享内存层、复杂文档处理、合成数据生成及深度研究分析。每种模式针对不同业务场景提供技术方案，如金融分析采用多智能体模式，语音交互集成语音识别技术。文章还附带了AI大模型学习路径和资源包，涵盖从基础应用到商业落地的完整知识体系。企业可根据数据密集度、交互方式等需求选择适配架构，实现高效AI系统部署。

2401_84204413的博客 842

手把手教你用Kokoro-82M-v1.1-zh搭建本地TTS服务（含WebSocket接口）

本文详细介绍了如何使用Kokoro-82M-v1.1-zh模型搭建本地TTS服务，包括环境配置、模型部署、WebSocket接口实现及性能优化。通过实战指南，开发者可以快速掌握本地部署TTS系统的关键技术，提升语音交互应用的开发效率。

weixin_30776273的博客 184

一文说清：MCP 的9种架构设计模式剖析

MCP作为AI应用的通用接口标准，通过统一协议简化了系统集成复杂度，将传统的M×N连接问题转化为M+N模式。文章详细解析了9种MCP架构设计模式，包括本地化客户端、多智能体协同、语音交互、数据合成生成等典型应用场景，并针对不同业务需求提出了选型建议：数据密集型业务推荐Agentic RAG模式，交互型业务适合语音或共享内存模式等。最后指出AI大模型领域存在巨大人才缺口，强调把握技术风口的重要性。这些架构模式为AI系统集成提供了标准化解决方案，显著提升了开发效率和系统性能。

javatiange的博客 1120

Ubuntu 24.04 LTS与Windows 11远程桌面连接：从xrdp闪退到xfce4桌面环境的实战排障

本文详细解决了在Ubuntu 24.04 LTS上使用xrdp连接Windows 11远程桌面时遇到的登录后闪退问题。通过分析日志，定位到默认GNOME桌面环境与xrdp的兼容性冲突，并提供了将桌面环境更换为轻量且兼容性更佳的XFCE4的完整实战解决方案，包括安装、关键配置修改及服务重启步骤，确保远程连接稳定可靠。

mango的博客 807

基于Arduino的智能光源调节系统设计

本文设计了一个基于Arduino的智能光源调节系统，通过光敏传感器检测环境光照强度并自动调节光源亮度，同时提供了手动控制和远程控制功能。系统采用Wi-Fi模块实现远程控制，用户可以通过手机或网页进行操作。未来，随着智能家居技术的进一步发展，系统可以加入更多智能化的功能，如语音控制、自动场景切换等，为用户提供更便捷的使用体验。同时，随着5G、物联网技术的普及，系统的远程控制能力将更加完善，能够实现更加精准的控制和更高效的数据传输。

2201_76125393的博客 752

一文讲清AI大模型9种 MCP 架构设计模式剖析，零基础小白收藏这一篇就够了！！

MCP 是 AI 应用与能力（tools、prompts、resources）之间的通用连接器，类似于 USB-C 为电子设备之间的连接提供了标准化接口。 MCP 把原来获取数据 的 M×N 集成问题，通过统一、标准化的接口打破了这种模式，优化为 M + N 集成问题，大大简化了架构设计和提升了效率。

嘴巴吃糖了 783

CAN 通信测试工具 canutils

概述 CAN，Controller Area Network，控制器局域网，一种高可靠性的现场总线。广泛用于汽车电子、工业控制通信。 canutils 工具包内含 5 个独立的程序：canconfig、candump、canecho、cansend、cansequence。这几个程序的功能简述如下： canconfig：用于配置 CAN 总线接口的参数，主要是波特率和模式。 candump...

一个软件工程师的技术笔记 1万+

9种MCP架构设计模式深度剖析：探索AI智能体应用的新范式！

MCP作为AI应用与能力间的通用连接器，通过标准化接口将M×N集成问题简化为M+N问题，显著提升效率。本文详细剖析了MCP的9种架构设计模式：1)完全本地客户端；2)Agentic RAG驱动；3)多智能体协作；4)语音交互；5)统一服务端；6)共享内存；7)复杂文档处理；8)数据合成生成；9)深度研究分析。每种模式针对不同业务场景，如金融分析、语音交互、文档处理等，并提供了技术栈选型建议。企业可根据数据密集型、交互型等业务特点，选择最适合的架构模式实现最优性能。

lyy2017175913的博客 1434

我终于停止写 JUnit 了！用 JavaParser + GPT-4 自动生成 90% 覆盖率的单元测试

本文介绍了一种基于JavaParser和GPT-4的智能单元测试生成方案。针对开发者在单元测试编写中面临的繁琐、无聊和硬指标等问题，提出通过AST语法树分析代码结构，提取关键信息后生成精准提示词，再调用GPT-4自动生成高质量的单元测试代码。文章详细阐述了技术原理、实现步骤（包括JavaParser解析、上下文感知提示词构建和GPT-4调用），并展示了该方法能自动识别依赖、Mock对象和覆盖边界条件，显著提升测试效率。同时指出了在复杂数据结构、私有方法测试等方面的局限性，最终强调这种技术组合可以解放开发者，

BUG猿的博客 1131

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

MCP连接器架构设计模式全解析：9种模式深度剖析，助力高效大模型应用架构构建！

本文详细介绍了MCP连接器的9种架构设计模式，包括本地客户端、Agentic RAG、多智能体系统、语音交互、统一服务器等，每种模式都包含构建流程和技术栈分析，并针对不同业务场景提供了选型建议，帮助开发者构建高效的大模型应用架构。

qingkahui24689的博客 1122

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

一文解析9种 MCP 架构设计模式

MCP 是 AI 应用与能力（tools、prompts、resources）之间的通用连接器，类似于 USB-C 为电子设备之间的连接提供了标准化接口。MCP 把原来获取数据 的集成问题，通过统一、标准化的接口打破了这种模式，优化为集成问题，大大简化了架构设计和提升了效率。在企业级实际落地中，

m0_56255097的博客 892

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

MCP 架构设计模式全景解析：九种核心模式深度剖析

MCP 是 AI 应用与能力（tools、prompts、resources）之间的通用连接器，类似于 USB-C 为电子设备之间的连接提供了标准化接口。

2401_85325726的博客 833

【人工智能】【MCP】 ② MCP 协议深度实践：9 种企业级架构设计模式与落地指南

摘要： MCP（Model Context Protocol）作为AI领域的通用接口标准，通过标准化协议将模型与外部能力的集成复杂度从M×N降至M+N，显著提升开发效率与生态扩展性。本文系统解析了9种企业级MCP架构模式，包括全本地私有化、智能检索增强、多智能体协同等，涵盖金融、医疗、语音交互等场景。每种模式通过可视化流程图展示架构逻辑，并配套技术栈与适用场景分析。最后提供业务场景与架构模式的匹配指南，建议根据隐私需求、协作复杂度等核心诉求选择方案，优先适配现有技术栈实现高效落地。MCP协议通过解耦连接关系

xiezhiyi007的专栏 1198

大模型入门必看！9 种 MCP 架构设计模式一文吃透，小白也能轻松上手

大模型入门必看！9 种 MCP 架构设计模式一文吃透，小白也能轻松上手

优快云_430422的博客 653

收藏！小白程序员轻松入门大模型：9种MCP架构设计模式详解

近期科技圈传来重磅消息：行业巨头英特尔宣布大规模裁员2万人，传统技术岗位持续萎缩的同时，另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式！据行业招聘数据显示，具备3-5年大模型相关经验的开发者，在大厂就能拿到50K×20薪的高薪待遇，薪资差距肉眼可见！业内资深HR预判：不出1年，“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下，“温水煮青蛙”式的等待只会让自己逐渐被淘汰，与其被动应对，不如主动出击，抢先掌握AI大模型核心原理+落地应用技术+项目实操经验。

Z123285的博客 386

深度剖析 MCP SDK 最新版：Streamable HTTP 模式

本文主要对 MCP SDK 最新版（v1.9.0）中的 Streamable HTTP 模式进行全面剖析与实测。Streamable HTTP 是 MCP SDK 新增的传输模式，具有更复杂的实现和更灵活的配置。它为开发者提供了更多选择，以满足不同场景下的需求。Streamable HTTP 模式相比之前的传输模式，提供了更高的灵活性和更多的配置选项。开发者可以根据实际需求，选择有状态或无状态模式，决定是否使用长连接的 SSE 通道，以及控制响应的形式。

草原孤狼的专栏 5952

MCP架构设计模式全解析：9种AI应用实现方案，降低复杂度提升效率！

MCP作为AI应用与能力的通用桥梁，通过标准化接口将M×N复杂度问题转化为M+N模式，降低系统复杂度并提高效率。文章详细解析了MCP的9种架构设计模式，包括本地客户端、Agentic RAG、多智能体、语音交互等，并针对不同业务场景提供了选型建议，帮助开发者根据实际需求选择最优架构。

m0_59162248的博客 741
上一篇： 向量数据库的基本概念、技术原理、工程实践与选型指南
下一篇： MLLM认知革命！让大模型直接理解和生成文本化图像信息！
点赞 30
评论 0
书签 书签 22
Python_金钱豹
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2840原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值