Dify+MCP: 泵类设备的预测性维护案例 (升级版 )

Ollama 可以在 Windows 上运行了 阅读详情

如何使用 Dify 自定义工具实现 MCP 的方法, 从而标准化 LLM 与多个数据源的交互方式。

以下,enjoy:

1

MCP 的统一之美

都说 MCP 在连接和利用来自多个异构系统的数据方面,扮演着所谓标准化粘合剂和智能调度员的角色,那 MCP 到底好在哪里,按照公开的说法和个人实践体验,按如下三点进行介绍:

1.1

标准化接口层:

每个系统(ERP、MES 等)都有自己独特的 API 接口、数据格式和认证方式。在 Dify 中直接调用意味着需要为每个系统配置和维护不同的 HTTP Request 节点,逻辑复杂且脆弱。

img

通过创建 Dify 工具 (Tool),每个工具都封装与对应系统 API 交互的细节(URL、参数、认证、数据解析)。这样 Dify 的 Agent 或工作流不再需要关心底层 API 的复杂性,只需要知道调用一个名为 get_erp_stock 或 get_latest_iot_reading 的工具即可。这会极大地简化了工作流的编排,提高了可维护性和可重用性。

img

img

使用Dify的自定义工具替换了原有工作流中的四个http请求节点

1.2

上下文智能聚合:

其次,LLM 的能力很大程度上取决于提供给它的上下文的质量。简单地将来自不同系统的原始数据堆砌给 LLM 可能效果不佳。

上述提到的 MCP 理念构建的工具可以被 Dify Agent 智能地选择和调用。例如,当用户问:“PUMP-CNC-001 状况如何?需要订购备件吗?” Agent 可以识别出需要调用 get_latest_iot_reading 工具获取实时状态。 根据 IoT 状态(比如振动高),Agent 可能进一步判断需要调用 get_cmms_history 工具查看类似故障记录。 同时,调用 predict_failure 工具。 如果预测需要更换轴承,Agent 会调用 get_erp_stock 工具查询 CFP5K-BRG01 的库存。

img

MCP 的方法可以让 Agent 能够根据任务需求,动态地、按需地从多个系统中拉取最相关的信息,并将这些信息结构化地整合为高质量的上下文,再提供给 LLM 进行分析、预测或生成报告,而不是一次性将所有可能的数据都查询出来。

此处需要说明的是,上下文智能整合的作用更多的体现在Agent中,下文会进一步说明。

1.3

异构数据融合:

不同系统的数据类型可能差别很多,这个案例中提到的来自 IoT 的是时序数据,来自 CMMS 的是文本记录,而来自 ERP 的是结构化库存数据。

img

真实数据改变而来的泵类设备维修记录(知识库)

而 MCP 工具在封装 API 调用的同时,也可以进行初步的数据转换和格式化,将不同系统返回的数据统一或整理成更适合 LLM 理解的格式。 这会降低在 Dify 主工作流中进行复杂数据清洗和转换的负担,使得数据能在 LLM 处理前得到更好的预处理。

2

Dify 中如何构建自定义 tool

*2.1*

厘清概念

相信很多盆友看到过很多介绍 MCP 概念时会提到的 MCP Client / Server / Host 的解释,为了 避免大家有概念理解偏差,需要说明的是,在这个案例场景下:

MCP Client

发起工具调用的实体,也就是 Dify 工作流或 Agent。它通过 Dify 平台提供的标准化接口(工具节点)来请求服务。

MCP Server / Host

提供实际服务的端点。在这个例子中,就是模拟 API 服务器 上的各个API (/api/pump/status, /api/cmms/pump/history 等)。这个服务器理解工具调用背后转换成的 HTTP 请求并返回数据。

Dify 平台

扮演着协议转换器、编排器和代理的角色。它接收来自 Client (工作流节点) 的标准化工具调用请求,根据工具的 Schema 定义,将其转换为具体的 HTTP 请求发送给 Server/Host (你的 API),接收响应,再将其作为工具节点的输出返回给工作流。

2.2

如何创建 tool

在 Dify 中,点击"工作室”->“工具”->"创建自定义工具”。为每个工具输入名称(e.g.get_iot_status)。然后将编写好的对应 JSON Schema 完整复制并粘贴到"Schema"输入框中。

在这里插入图片描述

Dify 会自动解析Schema,并在下方"AvailableTools"部分显示识别出的AP操作(Operation)。你应该能看到类似 getIotstatus,getcmsHistory等。

在这里插入图片描述

确认"Authorization method" 为"None"。点击"保存"。然后对其他三个工具重复此过程。此外,建议进一步点击“test"做下进一步的连通性验证。

注:Dify 的做法是使用 OpenAPI Schema 来定义和管理自定义工具,而不是直接实现 Anthropic提出的特定 XML 交互格式,它们不直接等同,但目标一致,可以协同工作。

3

MCP 版 Agent

先设置好提示词,确保在 “工具 (Tools)” 部分,已经启用 getCmmsHistory, getMesOperation, getErpSpareParts 以及 getIotStatus 这四个工具。另外确保在 “知识库 (Knowledge)” 部分已经正确绑定维修案例。

img

尝试以下几种对话来观察 Agent 的行为:

img

注意,进行测试前需要先运行mock_api.py

3.1

简单状态查询:

“检查一下 PUMP-CNC-001 的状态怎么样?”

预期行为: Agent 只调用 getIotStatus。如果状态正常,它会报告正常并可能给出读数,不会调用 CMMS, MES, ERP 或知识库。

img

建议使用支持function call的LLM

3.2

触发异常的查询:

“PUMP-CNC-001 好像有点问题,帮我看看。” (假设此时 getIotStatus 返回的数据是异常的,例如高振动 7.5,高温度 75.8)

img

预期行为:

Agent 调用 getIotStatus,发现异常。

Agent 接着决定调用 getCmmsHistory 和 getMesOperation 获取更多背景。

Agent 同时/随后查询知识库 (使用类似 “PUMP-CNC-001 振动高 温度高 原因案例” 的查询)。

Agent 综合信息,可能会根据知识库中 PUMP-CNC-002 的案例,推断是轴承问题,需要 CFP5K-BRG01。

此时,Agent 才决定调用 getErpSpareParts (传入 partId=CFP5K-BRG01)。

最后,Agent 给出包含诊断、备件库存信息和维修建议的完整答复。

3.3

直接问解决方案:

“PUMP-LATHE-08 流量很低,怎么办?”

预期行为: Agent 可能直接查询知识库,找到 PUMP-LATHE-08 的案例,然后告诉你可能是机械密封泄漏,需要更换密封件。它不一定需要调用 getIotStatus 或其他工具(除非它想确认当前状态是否仍然是低流量)。

4

Chatflow 和 Agent 之争

前文讨论突出了 Agent(以及其背后利用的 MCP 思想)在处理需要动态规划、多工具协作、复杂推理场景下的优势。但这并不意味着固定编排的工作流 (Chatflow/Workflow) 就没有用武之地了。

事实上,固定编排的 Dify 工作流在很多场景下更高效和可靠。当然,选择哪种方式取决于你的具体需求、任务复杂度、以及你对流程控制的要求。以下是一些特别适合使用固定编排的 Dify Workflow/Chatflow 的情形:

4.1

流程确定且线性的任务:

当一个任务的执行步骤是固定的,或者只有有限且明确的分支 (可以通过 IF/ELSE 节点处理) 时,工作流是最佳选择。你不需要 LLM 去“思考”下一步该干什么,因为流程已经被精确定义好了。这对于需要保证合规性、安全性或特定业务逻辑的场景很重要。

反之,Agent 模式下,LLM 的自主决策可能引入不确定性(例如调用了非预期的工具,或者跳过了关键步骤)。

4.2

任务相对简单,LLM 主要用于特定子任务:

当 LLM 的作用只是流程中的一个“环节”(例如文本生成、摘要、翻译、情感分析、简单问答),而不是负责整个流程的规划和决策时,工作流更简单直接。

比如,客服意图识别与初步回复的流程一般是: 接收用户问题 -> 使用一个简单的分类模型或 LLM 判断用户意图 -> 根据意图路由到不同的回复模板或知识库查询 -> 输出初步解答。

4.3

对结果的稳定性和可预测性要求高:

由于工作流的流程是固定的,对于相同的输入(和外部 API 状态),其执行路径和最终结果通常是高度可预测和一致的。 Agent 的行为可能因为 LLM 的微小差异、Prompt 的理解偏差或上下文变化而产生波动。

例如,我前期做过的一些律所诉状和信贷风控报告类的项目中, 需要生成格式完全一致的法律文件或风险要点分析。 其中涉及执行需要精确结果的计算或数据验证任务,在工作流中 开发和调试也会相对简单些。

Dify 的 Agent 模式特别适合利用 MCP工具, Agent会像人一样,根据目标“规划”需要使用哪些工具(访问哪些系统),然后按顺序或并行执行,最终整合结果。这的确也比纯粹线性的工作流更灵活、更强大。

5

工作流+Agent 的珠联璧合

回到这个预测性维护场景来说:如果是希望按照“检查状态 -> (IF 异常 THEN 查 CMMS -> 查 MES -> 查 KB -> 预测 -> 查 ERP -> 建议)”这个固定流程来执行,那么工作流方式是合适的。

但如果希望问答助手能更灵活,比如用户问“PUMP-CNC-001 上次换轴承是什么时候?”,问答助手应该只调用 getCmmsHistory 就回答,而不是走完整个预测流程,那么 Agent 模式会更合适。

听起来,这似乎是一个非此即彼的问题。但实际的生产场景中,可以通过在 Dify 中构建一个智能的“路由器”,根据用户问题的性质将其导向最合适的处理单元(Agent 或 Chatflow)。

为了控制本文篇幅,这部分后续我在再专门写篇文章进行介绍, 先贴一下核心架构感兴趣的可以手搓下试试看。

5.1

用户入口

创建一个新的Dify应用,模式设置为Chatflow,可以命名为"Pump_Assistant_Router"。

5.2

后端 Agent:

上述创建好的 “Pump_Maintenance_MCP” Agent 应用,负责处理复杂的、需要动态规划和工具调用的问题。

5.3

后端 Chatflow:

创建一个或多个专门处理固定流程任务的 chatflow 应用。例如,Pump_Status_Check_chatflow: 接收 pumpId,调用 getIotStatus 工具,解析结果并直接回答状态。 Pump_Maintenance_Report_chatflow: 一个接收 pumpId 和时间范围,调用多个工具(如 getCmmsHistory, getMesOperation),并使用模板节点生成固定格式报告的 chatflow 等。

6

写在最后

MCP (或其背后的标准化、工具化思想) 是打通信息孤岛、充分利用 ERP、MES、CMMS、IoT 等多系统数据的关键。它通过标准化降低集成复杂度,通过智能调度提升上下文质量,通过数据融合简化处理流程,最终赋能 Dify (尤其是 Agent) 更高效、更智能地完成复杂任务,如本文的预测性维护案例。

如何零基础入门 / 学习AI大模型?

大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业?”“谁的饭碗又将不保了?”等问题热议不断。

不如成为「掌握AI工具的技术人」,毕竟AI时代,谁先尝试,谁就能占得先机!

想正式转到一些新兴的 AI 行业,不仅需要系统的学习AI大模型。同时也要跟已有的技能结合,辅助编程提效,或上手实操应用,增加自己的职场竞争力。

但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高

那么我作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,希望可以帮助到更多学习大模型的人!至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

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】

👉 福利来袭优快云大礼包:《2025最全AI大模型学习资源包》免费分享,安全可点 👈

全套AGI大模型学习大纲+路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

read-normal-img

640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

👉 福利来袭优快云大礼包:《2025最全AI大模型学习资源包》免费分享,安全可点 👈

img

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】

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

DeepSeek本地部署详细指南 通过上述步骤,你可以在本地成功部署DeepSeek模型,并通过Ollama或Open Web UI与模型进行交互。本地部署不仅能够保护数据隐私,还能根据需求灵活调整模型参数,满足不同场景下的使用需求。如果你在部署过程中遇到任何问题,可以在评论区留言,我们将一起解决。希望这篇教程能帮助你顺利部署DeepSeek模型,开启高效开发的新旅程! 阅读详情

相关推荐

可视化图表的未来:探索AI与MCP如何重塑数据表达方式

本文探讨了AI与MCP协议如何革新数据可视化领域,实现通过自然语言交互生成专业级图表的技术突破。重点解析了MCP协议的技术架构,包括mcp-server-chart服务的模块化设计和性能优势,并提供了零代码图表生成的实战指南。通过企业级应用案例,展示了该技术在金融、零售、制造等行业的显著效益,为数据表达方式带来全新范式。

weixin_28523493的博客 290

一文彻底整明白,基于Ollama工具的LLM大语言模型Web可视化对话机器人部署指南

在上一篇博文中,我们在本地部署了**Llama 3 8B**参数大模型,并用 Python 写了一个控制台对话客户端,基本能愉快的与 Llama 大模型对话聊天了。但控制台总归太技术化,体验不是很友好,我们希望能有个类似 ChatGPT 那样的 Web 聊天对话界面,本博文就安排起来……

老牛啊 1万+

LLM的MCP协议:初识MCP,搭建第一个MCP Server

MCP(Model Context Protocol),是一个开发的协议,标准化了应用程序如何为大模型提供上下文。MCP提供了一个标准的为LLM提供数据、工具的方式,使用MCP会更容易的构建Agent或者是基于LLM的复杂工作流。

Criss@陈磊 2万+

使用ollama在本地部署llama3-8b大模型

使用ollama在本地部署llama3-8b大模型

weixin_39945822的博客 1万+

定时移动鼠标点击鼠标,防止电脑息屏的vba脚本

定时移动鼠标,使系统始终处于激活状态,防止系统息屏。

panfei263031的博客 5934

英飞凌 AURIX Development Studio工程移植到Hightec的方法

1. 软件简介 AURIX™ Development Studio是英飞凌针对AURIX TC2XX/TC3XX系列单片机推出了一款免费的软件,集成了iLLD库,内置Tasking compiler和Tasking Debugger,但这两个模块只能用于非商业用途,可供学习和试用。iLLD库是英飞凌为TC2XX和TC3XX Tricore系列单片机提供的底层驱动库,有完善的使用手册,和较好的移植性。 Hightec是一款可以用来开发Aurix系列单片机的编译器,有免费版,可商用,集成GCC编译器,可用UDE

weixin_42967006的博客 7139

Dify v1.6.0 双向MCP功能详解:开启AI应用互联新纪元

Dify v1.6.0发布重大升级,原生集成双向模型上下文协议(MCP),开启AI应用标准化互联新时代。该版本实现两大核心功能:作为客户端直接调用8000+外部工具(如Zapier),同时可将Dify应用发布为标准化MCP服务供其他系统调用。通过"即插即用"的协议设计,开发者配置时间从小时级缩短至分钟级,响应速度提升40%。典型应用场景包括智能客服、工业预测维护和跨平台内容创作,企业案例显示故障预测准确率提升75%,客服响应时间缩短90%。此次升级标志着AI开发从孤岛式工具向互联生态的范

主更ML和LLM的相关安装教程、坑点、及时资讯 1475

S7-1200g2运动控制实战:从轴组配置到程序调试

本文详细介绍了S7-1200g2运动控制功能的实战应用,从轴组配置到程序调试的全流程。通过TIA Portal中的工艺对象配置,实现单轴、同步轴组等运动控制模型,并分享常见问题排查与性能优化经验,帮助工程师快速掌握中小型自动化设备的运动控制技术。

weixin_28698059的博客 591

DolphinDB MCP Server实战:从部署到生产环境,打通工业AI最后一公里

在工业AI落地中,模型调优往往不是难点,真正的瓶颈在于如何让AI安全、高效地接入生产数据。MCP(Model Context Protocol)作为AI领域的统一接口标准,让Claude、Dify等助手可以动态发现并调用外部工具,从根本上缩短了数据到AI的距离。DolphinDB MCP Server基于这一协议,将时序数据库的查询与聚合能力封装为标准工具,使自然语言直查设备数据成为可能。以设备振动监控为例,一线人员无需了解表结构或SQL语法,即可通过对话完成实时测点查询、趋势分析和异常判断。本文从环境搭建

weixin_29587015的博客 133

从理论到实践:用CST微波工作室完成单站雷达RCS仿真的完整指南

本文提供了一份利用CST微波工作室进行单站雷达RCS仿真的完整实践指南。文章深入剖析了从求解器选择(重点推荐积分方程法)、模型与材料设置、平面波激励定义到后处理分析的完整逻辑链条,旨在帮助工程师不仅完成仿真,更能理解其背后的物理原理与工程考量,从而高效、精准地评估目标的电磁散射特性。

weixin_29256771的博客 182

使用 C# 实现大华监控摄像头的控制与数据处理

本文介绍了使用C#调用大华SDK(DHNetSDK.dll)开发监控系统的方法。主要内容包括:开发准备、DLL引用设置、SDK初始化与设备登录、视频预览窗口嵌入、云台控制、抓图录像等核心功能实现。通过P/Invoke技术封装SDK接口,开发者可以快速构建具有视频监控、设备控制功能的C#应用程序。文中还提供了代码示例、常见问题解决方案,以及视频帧智能分析的扩展建议,为开发大华监控系统的二次应用提供了完整的技术指南。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1286

MHS前瞻:从MCP到硬件标准化,AI与设备交互的新变量

在AI与硬件深度融合的进程中,模型上下文协议(MCP)为软件工具调用提供了统一范式,而Anthropic推出的Model Hardware Specification(MHS)则尝试将这套能力声明机制延伸至物理设备层。MHS通过设备描述文件向大模型暴露传感器、参数与可执行动作,使AI能够以“面向能力”的方式理解硬件,而非拘泥于寄存器地址与底层协议。这一思路在工业数据分析、边缘侧AI助手和新型智能设备集成中具备显著的增量价值,尤其适合作为传统OT与AI应用之间的“胶水层”。尽管受限于实时性、安全认证与存量生态

weixin_34310369的博客 302

【VAE学习笔记】全面通透地理解VAE(Variational Auto Encoder)

完整笔记:http://www.gwylab.com/note-vae.html 李宏毅老师的教程视频:https://www.bilibili.com/video/av15889450/?p=33 —————————————————————————————————   依据李宏毅老师的讲解,我整理了一番VAE的笔记。先简单介绍一下VAE,VAE作为一个生成模型,其基本思路是很容易理解的:把一堆真...

a312863063的博客 14万+

context-mode实战指南:MCP协议下SQLite FTS5+BM25上下文引擎构建

上下文管理是智能体(Agent)系统的核心能力,其本质是对话状态的持久化与语义化召回。传统方案依赖LLM记忆或简单缓存,而现代工程实践正转向标准化、可插拔的上下文协议——MCP(Model Context Protocol)为此提供了元数据规范与接口契约。在此基础上,context-mode作为运行时模式开关,驱动SQLite FTS5全文索引与BM25相关性排序协同工作,实现毫秒级历史片段检索与加权注入。该架构兼顾轻量部署、低运维成本与高检索精度,适用于Dify、Cursor、Figma等多平台Agent

weixin_33416697的博客 176

海康Visionmaster-全局脚本:VM 加载方案后自动执行 的方法,如何让VM在方案加载后自动执行流程?

海康Visionmaster-全局脚本:VM 加载方案后自动执行 的方法,如何让VM在方案加载后自动执行流程?

视觉人机器视觉的博客 2040

【报错解决】彻底解决 CondaHTTPError: HTTP 000 CONNECTION FAILED for url 报错

CondaHTTPError: HTTP 000 CONNECTION FAILED for url 错误本质上是由于 Conda 无法访问远程仓库引起的,常见原因包括网络不通、防火墙或安全软件阻拦、SSL 证书异常以及默认仓库不可达。解决该问题的关键在于:确保网络畅通、配置国内稳定镜像源、调整防火墙和安全设置、处理 SSL 证书问题,并保持 Conda 版本更新。通过这些方法,几乎可以彻底消除连接失败问题,保证 Conda 环境的正常使用和包管理的稳定性。

博客 1164

MCP协议:让AI真正理解工业协议语义

MCP(Model Communication Protocol)是一种面向真实设备交互的AI通信协议,它突破传统Function Calling对协议语义的扁平化封装,将CAN、Modbus、OPC UA等工业协议的关键要素——如地址空间、时间戳、校验机制、数据量纲与状态上下文——结构化建模为可声明、可验证、可追溯的能力单元。其技术价值在于弥合大模型与物理世界之间的‘协议鸿沟’,使AI不再仅调用函数,而是具备协议素养,能解析DLC字段、识别OPC UA节点树、响应RTMP重连握手。典型应用场景覆盖工业物联

weixin_29184075的博客 135

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

MCP协议下大模型智能体在工业PHM中的评估框架与实践

大模型智能体正从文本对话向任务执行者演进,其核心在于通过规划、行动、观察的循环自主完成复杂序列任务。Model Context Protocol作为智能体与外部工具间的标准化连接协议,解决了工具接口不统一、适配成本高的问题,为智能体提供了即插即用的“统一插座”。在工业预测与健康管理领域,算法工具链复杂多样,涉及信号处理、特征工程和预测模型等,对智能体的专业调用能力提出了更高要求。通过构建MCP-Native的评估沙箱,并集成算法基石型工具,可以系统检验智能体在理解业务、选择算法、执行代码及解释结果等方面的能

weixin_34253126的博客 373

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Agent安全水位线重定义:MCP协议与四层纵深防御实战

智能体(Agent)已从被动模型接口演变为具备API调用、代码执行与外部服务连接能力的轻量级服务进程,其安全本质是运行时权限控制与动态信任链管理。传统Web安全方案因异步执行、动态代码生成和多跳调用链而全面失效。MCP协议作为标准化安全控制点接口,通过Input Sanitization、Tool Invocation、Code Execution和Output Filtering四大Hook,实现安全策略‘配置即代码’。结合gVisor沙箱、AST解析、动态RBAC与安全LoRA微调等技术,构建覆盖环境、

weixin_27722377的博客 205

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

2026年AI Agent平台选型指南:从需求分类到实操部署

AI Agent平台选型涉及模型接入、记忆机制、工具调用与编排能力等核心技术概念。其原理在于通过标准化接口实现模型切换、分层记忆管理以及MCP协议下的动态工具发现,从而提升开发效率与系统扩展性。技术价值体现在降低复杂业务编排门槛,支持从快速验证到企业级私有化部署的平滑过渡。典型应用场景包括个人学习、中小团队业务自动化、企业复杂流程编排及垂直行业专用工具链。面对众多平台,选型关键在于匹配团队复杂度上限,并优先考虑支持MCP协议与私有化部署的方案,这正是本文要探讨的AI Agent平台选型核心议题。

weixin_29031057的博客 122

协议,才是智能体时代真正的浏览器:从TCP/IP到MCP的入口重构

浏览器之所以成为互联网入口,本质是它将HTTP、HTML等协议翻译成人可读的界面。当信息消费者从人变成智能体,入口形态也随之改变——智能体不依赖视觉渲染,而是通过API、结构化数据和协议消息感知世界并执行动作。从底层的TCP/IP、TLS,到物联网领域的MQTT、Modbus,再到面向工具调用的MCP协议,构成智能体的完整协议栈。协议不仅承载感知与行动,还以工具寻址、JSON Schema、权限控制等方式替代浏览器时代的URL、HTML和安全机制。对开发者而言,协议优先的工程思维决定了Agent的稳定性与扩

weixin_29254673的博客 307

MCP协议中context-mode与SQLite上下文协商实战

context-mode是MCP(Model Context Protocol)协议定义的上下文协商机制,用于在AI服务调用链路中声明请求所需的语义化数据结构。其核心原理在于将自然语言意图映射为底层存储层(如SQLite)的执行策略,而非数据库配置项。该机制通过影响SQL生成逻辑、FTS5全文检索行为及BM25相关性排序,显著提升LLM输入质量与推理效率。典型应用场景包括工业设备日志分析、时序异常检测、实体关系推理等轻量级本地AI代理系统。本文深入解析context-mode四类取值(raw-record/

weixin_31155097的博客 299

新能源工厂落地AI:低代码智能体如何重构排产与质量溯源

在智能制造与工业数字化转型的浪潮中,多数工厂对AI的认知仍停留在自动化设备与传统的MES、ERP系统层面,却忽视了生产现场高频出现的判断决策需求。低代码与智能体技术的融合,正为制造企业提供一条快速响应、可灵活编排的AI应用新路径。通过将大模型作为推理中枢,配合外部工具调用与知识库检索,智能体能将老师傅的经验转化为可配置的规则与数据驱动的建议,覆盖多目标排产调度、质量异常归因、设备预测维护等典型场景。从平台选型到多Agent协同,从数据接入到灰度上线,低代码智能体真正解决了传统软件开发周期长、业务需求变化快的

weixin_34203832的博客 318

[智能体-528]:AI化的三类形态:生产工具和流程的AI化、劳动者的AI化、交付产品的AI化。三个领域的技术栈。

底层算力集群 + 代码大模型 + 全仓库 RAG + MCP 工具总线 + 多角色研发智能体(需求 / 编码 / 测试) + 多租户 SaaS 管控 + 私有化部署包,整套作为标准化产品交付给企业客户。A2A 多智能体协同协议:多岗位数字人分工协作(需求 Agent + 编码 Agent + 测试 Agent)算力集群、多模型网关、向量 RAG 知识库、MCP 工具协议、统一权限审计中台,支撑产品内置 AI 能力。数字人渲染 / 具身运动控制、A2A 多智能体协同。替代真人岗位,AI 自主完成完整任务。

文火冰糖(王文兵)的博客 361

智能体构建与自动化任务处理:工具链驱动下的效率革命

​:智能体不是遥不可及的科幻概念,而是由无数工具、场景、技术迭代共同推动的产业变革。当低代码工具让业务人员敢想、开源平台让技术团队能做、垂直工具让行业需求被满足,我们正在见证的,是一场“人人皆可构建智能体、事事皆可自动化”的效率革命。未来,唯有抓住工具链的协同价值,才能在这场变革中抢占先机。

gogoMark的博客 781
上一篇: 是什么书竟让吴恩达等诸多大佬赞不绝口?而且还被称为语言模型最值得读的书?
下一篇: Dify+MCP 组合拳:彻底根治 Excel 上传知识库回答数据不准的难题!
AI_小站
博客等级 码龄3年 6255粉丝 1154原创
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
 
 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