Acho_0的博客

摘要： AgentSkills是LLM智能体架构的进化方向，将复杂Agent拆分为模块化、可复用的"技能单元"（Skill），每个Skill明确输入/输出，解决传统Agent因庞大Prompt导致的不可控、难维护问题。其核心优势在于工程化：Skill可独立测试、升级，降低LLM幻觉风险。与MCP（工具接入协议）不同，AgentSkills聚焦Agent内在能力建模，而MCP标准化外部工具调用，二者为互补关系。典型应用场景如市场分析Agent，通过拆分需求理解、数据收集等Skill实现灵活

摘要：本期针对MCP-Server的安全性和参数错误问题提出改进方案。当前架构存在未授权访问、参数错误率高、缺乏语义理解等风险。解决方案包括：1）通过拦截器实现API鉴权和IP限制；2）采用令牌桶机制对不同工具进行精细化流控；3）优化工具注解，增强参数描述的规范性。架构上建议分阶段实施，短期通过Spring拦截器快速增强安全性，中期引入JWT签名和知识库，长期采用向量化知识库和智能工具路由。该方案能有效提升系统安全性，降低大模型调用工具时的参数错误率。

本文带你一步步用 Spring AI 打造一个真正可被大模型调用的 MCP（Model Context Protocol）服务端，让你的业务系统“长上智能的手”。通过 spring-ai-starter-mcp-server-webmvc，我们将数据库查询、报文解析等传统逻辑封装成 AI 可理解、可执行的工具，让大模型直接操作你的系统。文章还展示了如何注册工具、实现 SSE 流式交互，并用 Cursor、HiAgent 进行联调验证，最后附上生产级安全优化方案。

MCP（Model Context Protocol）是一种标准协议，用于规范大模型（LLM）与外部系统的交互。其核心功能包括统一接口标准、保障安全权限管理、维护上下文一致性。MCP架构包含三个关键组件：MCPServer（将业务系统封装为标准接口）、MCPClient（连接模型与Server）、MCPHost（模型运行环境）。协议支持两种通信机制：Stdio（本地进程通信）和SSE（远程实时数据传输）。

《智能体入门与大语言模型应用指南》摘要 本文系统介绍了智能体（AI Agent）的核心概念与构建方法。智能体是以大语言模型（LLM）为思想引擎，通过整合计划、反思、工具调用和记忆机制构成的AI系统。重点内容包括： 大模型原理与典型产品（如豆包、DeepSeek等） 智能体构成要素：LLM基座、工具插件、记忆机制等 关键技术：提示词工程、RAG检索增强、工作流设计 实践方法：通过HiAgent平台可低代码搭建智能体，包括模型配置、插件开发、知识库集成 典型应用场景：教育命题、数据分析、智能问答等 性能优化策略

AI助手是企业数字化转型的核心工具，其价值在于提升效率、沉淀知识并优化客户体验。实现方式主要有三种：本地部署大模型（安全可控但运维成本高）、云厂商API（快速上线但数据风险大）以及混合模式（通用功能用云服务，敏感业务用本地模型）。阿里云AI助手可通过Agent调用MCP协议，支持npx、uvx和sse三种方式，各有适用场景。未来趋势将向混合架构发展，结合云服务的智能优势与本地部署的安全性，形成更灵活的AI解决方案。