德仔

MCP 是一种开放协议，通过标准化的服务器实现，使 AI 模型能够安全地与本地和远程资源进行交互。此列表重点关注可用于生产和实验性的 MCP 服务器，这些服务器通过文件访问、数据库连接、API 集成和其他上下文服务来扩展 AI 功能。

人工智能（AI，Artificial Intelligence）是指让机器具备人类智能的能力，使其能够执行如感知、推理、决策、学习和创造等任务。AI 的发展经历了多个阶段，从最早的基于规则的专家系统，到如今的深度学习和神经网络驱动的智能系统，使得 AI 具备了更强的学习能力和泛化能力。计算机视觉（CV）：如人脸识别、图像分类、目标检测等。自然语言处理（NLP）：如机器翻译、文本摘要、语音识别等。机器人技术：如自动驾驶、机械臂、智能家居等。决策系统：如推荐系统、智能调度、金融风控等。其中，

利用Dify的对话应用功能，通过精心设计的提示词模板，帮助职场人快速生成结构化的工作日报或周报，无需编程知识。通过手动输入关键工作项或复制粘贴简单数据，AI即可生成专业的报告文档。

今天带大家用Dify+deepseek做一个文本生成应用。为了更有意思，玩个「当代发疯文学生成器」。无论是朋友圈阴阳怪气、小红书花式吐槽，还是职场反PUA文学，只要输入场景关键词，立刻生成多条“发疯体”文案，附带emoji表情包和热门tag！全程无需代码，先来看看效果👇。

今天的示例是一个“网站内容分析师”。

元数据是用于描述其他数据的信息。简单来说，它就是“关于数据的数据就像一本书的目录或标签，可以为你介绍数据的内容、来源和用途。通过提供数据的上下文，元数据能帮助你在知识库内快速查找和管理数据。知识库元数据定义字段：元数据字段是用于描述文档特定属性的标识项，每个字段代表文档的某个特征或信息。例如“language”“table”。字段值：字段值是该字段的具体信息或属性，例如“english”“user”。字段值计数：字段值计数是指在某条元数据字段中标记的字段值数量，包括重复项。

随着生成式 AI（GenAI）的兴起，向量数据库（Vector Database）迅速走红。然而，向量数据库的应用远不止于大模型（LLM），它同样适用于各种 AI 系统，尤其是在 RAG 的场景下。在 AI 领域，我们经常处理向量嵌入（Vector Embeddings）。向量数据库正是为了高效存储、更新和检索这些嵌入数据而生的：✅ 存储（Storing）✅ 更新（Updating）✅ 检索（Retrieving）

自2022年底生成式人工智能进入主流视野以来，大多数人都对这一技术有了一些基本的了解，并知道了它是如何利用自然语言来帮助人们更轻松地与计算机进行交互的，甚至有些人会在与朋友的闲谈中聊到“提示词”（prompts）和“机器学习”（machine learning）等热门术语。然而，随着 AI 技术的不断发展，其词汇量和术语体系也在持续演进。你知道大语言模型与小语言模型之间的区别么？是否知道 ChatGPT 中的“GPT”代表什么？又是否了解 RAG（检索增强生成模型）在清理虚假信息方面的作用？

测试Dify推送邮件内容：1.利用工具 2.执行代码 3.调用外部API外部API请看之前文章。

这里面主要功能：用户上传一张发票图片，发票会经过文档提取器。文档提取器提取用户上传的发票传递给2个llm多模态模型，两个多模态模型是实现发票票面信息的提取功能。然后将提取的发票票面信息发送给第三个基于llm文本的大模型，它充当模型裁判功能。主要的功能是将2个模型输出的JSON格式的数据比对，比对的结果输出给客户。从而实现发票识别比对判断功能。实现的效果如下：数据有差异的效果：下面我们重点介绍一下这个工作流是如何实现的。创建工作流或者chatflow。

是一个开源的大型语言模型（LLM）本地化部署框架，旨在简化用户在本地运行和管理大模型的流程。但是这个有一个弊端就是下载很慢，而且如果中途失败只能重新来，所以这里还可以直接去github下载，或者从Win下载上传到Linux服务器里面。mkdir ollama wget https://github.com/ollama/ollama/releases/download/v0.5.11/ollama-linux-amd64.tgz#也可以本地电脑下载，然后上传到服务器里面。

其中自注意力层和前馈全连接层的作用与编码器相同，而编码器-解码器注意力层则将解码器当前位置的输入与编码器的所有位置进行交互，以获得与目标序列有关的信息。自注意力机制的计算包括三个步骤：计算查询向量（Query Vector）、键向量（Key Vector）和值向量（Value Vector），并将它们组合起来计算注意力分数，最后将注意力分数与值向量相乘得到自注意力向量。具体来说，将输入序列分别通过不同的线性变换得到多组不同的查询矩阵Q、键矩阵K和值矩阵V，然后将它们输入到多个并行的自注意力机制中进行处理。

需求：用户输入星座+今日心情+所在城市，星座占卜咖啡师提供专属的咖啡建议，不满意可重试。输入所在城市，以及对应的星座和心情：先调用天气组件，获取天气，然后生成 咖啡配方，塔罗牌运势解读，外出建议 三件套，开启你的贴心服务。

目前，我采用的是dify+deepseek（本地部署）搭建实现了一个AI筛选简历工作流，通过LLM评分模型完成初步的筛选；简历筛选缩短分钟级！通常公司在招聘时的流程：把简历录入到系统，招聘系统中设置多个标签，然后逐一查看系统筛选出的候选人简历进行初步筛选。首先，输入我们要招聘的岗位，职责和要求；AI应用可以帮助我们把简历和我们提前设定好的一些要求，进行匹配，并输出初步的结论。可以看到，应用会帮助我们把简历的关键信息提取出来，并且和我们提前设定好的一些要求，进行匹配，并输出初步的结论。

或空时，回复"没有查询到相关数据"，不得编造数据5.列出详细数据,优先以表格方式列出数据，如果数据超过10时，除非用户问题中包含明确要求列出全部数据的情形外，你只需要随机列出5条有代表性的的记录，否则需要列出全部记录。4、基于对上下文和对用户提问的理解，按照检索到的数据表结构信息，以及SQL参考示例，编写SQL查询语句。#任务:你的任务是理解用户的输入和上下文内容，编写SQL查询，并调用工具查询获得结果，结合用户的提问，对查询结果进行呈现.解读和分析。7.对数据进行概览和总结，必须包括原始数据的总记录数。

或空时，回复"没有查询到相关数据"，不得编造数据5.列出详细数据,优先以表格方式列出数据，如果数据超过10时，除非用户问题中包含明确要求列出全部数据的情形外，你只需要随机列出5条有代表性的的记录，否则需要列出全部记录。4、基于对上下文和对用户提问的理解，按照检索到的数据表结构信息，以及SQL参考示例，编写SQL查询语句。#任务:你的任务是理解用户的输入和上下文内容，编写SQL查询，并调用工具查询获得结果，结合用户的提问，对查询结果进行呈现.解读和分析。7.对数据进行概览和总结，必须包括原始数据的总记录数。

DIfy-工作流调用外部API。

本地部署Dify和Deepseek的Api(也可以改成本地的Ollama模型)，搭建一个翻译机器人。

1.输入端上传文件 2.提取文档内容 3.添加大模型 4.参数提取 5.代码执行(echart) 6.直接回复。-提取csv格式的字符串。

其实这块很简单，修改配置文件即可，只是Dify的配置文件还是很多参数的，具体调整哪儿可能不仔细研究还不一定知道，我就想着那就讲一讲配置文件吧，这样除了解除15MB上传文件的限制，其余的一些配置项大家也能够了解了，遇到需要调整的时候，也知道怎么去操作了！在讲之前提一句，我的Dify目前是最新版本Version 0.15.3，经过迭代有很多配置项做了调整，如果是低版本建议更新到最新版本来看，如果你看到这篇文章的时候已经有高版本了，并且你需要调整配置项已经废弃，可以尝试留言，我会帮你解答！

DeepSeek 提供了强大的 API 接口，特别适合 .NET 开发者。本文将详细介绍如何在 C# 中使用 DeepSeek SDK，包括安装、配置和示例代码，帮助你快速上手，说白了就是httpclient打了个包。

通过本文简单的学习实现了DeepSeek 的本地部署和本地调用API接口。能够掌握 DeepSeek 的本地部署方法，还能学会如何在 C# 项目中集成并调用 DeepSeek 提供的强大功能。希望这些内容能够帮助大家在实际项目中顺利应用 DeepSeek，提升开发效率和项目质量。

打开docker,打开Terminal终端，输入并执行：

下载地址：https://anythingllm.com/desktop。返回到聊天室再提问，就可以获得从网站获取的信息。以下是Anything进阶玩法，待完善。选择后记得点击更新到工作空间！等待一段时间，数据获取后 保存。然后将选择的模型更新到工作空间。点击 Get started。当前只有一个1.5b的模型。

下载地址：https://cherry-ai.com/download。在聊天时记住一定要选择你的知识库，选择了知识库的会是彩色的按钮。3.3.1添加知识库之前，请先去把模型设置为嵌入模型。3.3.3选择本地文件或者目录，添加网络文章地址。3.3.2☆☆配置本地部署的DeepSeek。即可实现本地DeepSeek模型对话。选择好安装目录 一直下一步安装就好。点击“Ollama”，点击“管理”点击本地添加的模型后面“+”回到聊天页面进行聊天。3.3.3本地知识库。3.3.2创建知识库。3.3.4使用知识库。

注意区分CPU架构类型 Intel芯片选择x86_64, 苹果芯片选择arm64。任务栏搜索功能，启用”适用于Linux的Windows子系统” 、”虚拟机平台。参数 –installation-dir=D:\Docker可以指定安装位置。如果想自己指定安装目录，可以使用命令行的方式。管理员权限打开命令提示符，安装wsl2。如无科学上网情况，可手动配置镜像站。2.1 Windows配置镜像站。保存后即可正常使用Docker。保存后即可正常使用Docker。选择要安装的Docker版本。下载好双击安装即可。

Dify是一款开源的大语言模型(LLM)应用开发平台。它融合了后端即服务（Backend as Service）和LLM Ops的理念，使开发者可以快速搭建生产级的生成式AI应用。即使你是非技术人员，也能参与到AI应用的定义和数据运营过程中。Dify内置了构建LLM应用所需的关键技术栈，包括对数百个模型的支持、直观的Prompt编排界面、高质量的RAG引擎、稳健的Agent框架、灵活的流程编排，并同时提供了一套易用的界面和API。这为开发者节省了许多重复造轮子的时间，使其可以专注在创新和业务需求上。

Embedding模型在本地知识库的用法，就是“两步走”：a.把本地文件变成数字向量（建库）。b.把用户问题也变成数字向量（搜索）。两者在“数字世界”中比对，就能像人一样理解语义，实现精准问答和搜索！

开发者特点: Transformers 是当今最流行的开源 NLP 库，支持数百种预训练模型（如 GPT、BERT、T5 等），并提供了从模型加载、微调到推理的全套工具。优势支持 PyTorch 和 TensorFlow，兼容性强。社区活跃，模型库丰富，文档完善。适用于从研究到生产的各种 NLP 任务。适用场景: 如果你需要快速实现文本分类、生成、翻译等任务，Transformers 是你的不二之选。吸引点。