从 “能说” 到 “会做”：MCP 协议为何成为大模型落地的关键？（附实操指南）

冻感糕人~ 冻感糕人~ 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 700+累计阅读 725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3年
关注
原创 最新推荐文章于 2026-10-14 07:38:17 发布 725 阅读 AI 写同款· GEO 优化 ›
深入浅出理解MCP：从技术原理到实战落地 Anthropic 公司推出 MCP（开放标准协议）这一招确实挺聪明。他们深知自己在与 OpenAI 的消费者市场竞争中处于劣势——OpenAI 正在大刀阔斧地整合网络搜索等功能，试图打造全能型 AI 体验。而 Anthropic 则选择了一条不同的路：突出开发者定位，通过开放 MCP 协议，号召社区一起构建 MCP 服务器。这种策略不仅让 Claude 的生态系统迅速扩展，还赋予了它超越 ChatGPT 的潜力——从单纯的聊天工具，进化成一个能动手解决实际问题的智能助手。 阅读详情

随着 AI 大模型技术的爆发式增长，从 2022 年 ChatGPT 掀起行业革命，到国内大模型阵营百花齐放，再到 DeepSeek 等开源模型打破 “高成本壁垒”，如今 AI 已从技术圈走向全民普及。但热闹背后，一个核心痛点始终制约着大模型的实用价值：多数大模型本质上只是 “聊天助手”，能说会道却 “手无缚鸡之力” —— 它们无法直接访问本地文件、调用外部系统，更难以完成需要落地执行的具体任务。而 MCP 协议的出现，正是为大模型装上 “双手”，让 AI 从 “语言交互” 迈向 “行动落地”。

一、为什么 MCP 是大模型的 “必备技能”？

大模型就像一个智商超群但缺乏行动能力的 “大脑”：它能理解你的需求、给出方案，但无法主动获取外部数据、操作本地资源。比如：

  • 你想让 AI 分析电脑里的 Excel 销售数据，却只能手动复制粘贴内容，效率极低；
  • 你希望 AI 查询公司内部系统的客户信息，却因模型无法对接私有接口而只能作罢；
  • 你需要 AI 根据实时天气规划出行路线，却发现模型的知识库停留在训练数据截止日期，无法获取最新信息。

这些场景的核心矛盾的是：大模型的 “认知能力” 与 “执行能力” 严重脱节。而 MCP（Model Context Protocol，模型上下文协议）恰好解决了这个问题 —— 它就像一套统一的 “接口标准”，让大模型能够无缝对接本地文件、私有系统、外部 API 等各类资源，真正实现 “所思即所行”。

对于开发者和从业者而言，MCP 的价值更显关键：当前大模型岗位竞争激烈，仅掌握 API 调用的 “浅层技能” 早已无法满足企业需求。招聘市场上，能熟练运用 MCP 实现模型与业务系统集成的人才，薪资普遍比普通 AI 从业者高出 30%-50%。无论是零基础想入行的新手，还是想提升竞争力的程序员，掌握 MCP 都是突破职业瓶颈的重要抓手。

2、什么是MCP

2024年11月，Anthropic公司发布了MCP（Model Context Protocol）协议，翻译过来就是：模型上下文协议，注意它是一种协议，可以理解为一种规范，比如手机的充电头TOP-C接口一样，只要充电器厂商使用了这种接口进行制作，手机就能够充电，为了方便手机充电，国内的绝大多数手机充电口已经统一为TOP-C接口，除了苹果。

MCP的出现成功让大模型提供了访问外部服务的机会，从靠嘴巴改变世界 -> 靠双手和嘴巴改变世界。

这时候如果懂一点编程的人会想到，这个和方法调用（Function Calling）有什么区别？

这两种技术都是增强AI大语言模型与外界的交互能力，但是MCP不止可以增强AI模型，还可以连接其他的应用系统。

类别MCPFunction Calling
性质协议功能
范围通用特定场景
目标统一接口，实现交互操作扩展模型能力
实现基于标准协议依赖特定模型实现
开发复杂度低：通过统一的协议开发高：需要为每个任务开发函数
复用性高：一次开发，多场景使用低：函数通常是特定任务设计
灵活性高：支持动态适配和扩展低：功能扩展需要额外开发
场景场景复杂场景，如数据访问和整合简单任务，如数据查询

3、MCP核心概念

3.1 架构模式和工作原理

架构组件描述
MCP Host通过 MCP 访问数据的 Claude Desktop、IDE 、 AI 工具或自己开发应用等程序
MCP Clients与服务器保持 1：1 连接的协议客户端
MCP Servers轻量级程序，每个程序都通过标准化的 Model Context Protocol 公开特定功能
Local Data SourcesMCP 服务器可以安全访问的计算机文件、数据库和服务
Remote ServicesMCP 服务器可以连接到的 Internet 上可用的外部系统（例如，通过 API）

MCP协议将大模型和资源之间划分为了三个部分：客户端、服务端和资源。

下面我们用一个MCP的工作流程来解释：

  1. 初始化连接：客户端向服务端发送连接请求，建立通信通道。
  2. 发送请求：客户端根据需求构建请求消息，发送给服务端。
  3. 处理请求：服务端接收到消息后，解析消息，执行相应的操作，比如：查询数据，读写文件等。
  4. 返回结果：服务端将处理结果封装成响应结果，发送给客户端。
  5. 断开连接：任务完成后，客户端主动关闭连接或等待服务端连接超时。

举一个荔枝：

我们想让大模型查看今天北京的天气怎么样？

俩角色：大模型（客户端）- 高德天气（服务端）

提前告知大模型，你可以通过高德天气查询天气信息哦，当用户给大模型发送查看北京的天气，大模型 就会去 调用 高德天气，高德天气去查询今天北京的天气信息，查询完成后，把天气信息返回给大模型，最后将信息进行提炼，优化响应给到我们相关的天气信息。

3.2 MCP Client

MCP Client 充当 LLM 和 MCP Server 之间的桥梁，MCP Client 的工作流程如下：

  1. MCP Client 首先从 MCP Server 获取可用的工具列表。将用户的查询连同工具描述通过 function calling 一起发送给 LLM。
  2. LLM 决定是否需要使用工具以及使用哪些工具。如果需要使用工具，MCP Client 会通过 MCP Server 执行相应的工具调用。工具调用的结果会被发送回 LLM。
  3. LLM 基于所有信息生成自然语言响应。最后将响应展示给用户。

3.3 MCP Server

MCP Server 是 MCP 架构中的关键组件，它可以提供 3 种主要类型的功能：

  1. 资源（Resources）：类似文件的数据，可以被客户端读取，如 API 响应或文件内容。
  2. 工具（Tools）：可以被 LLM 调用的函数（需要用户批准）。
  3. 提示（Prompts）：预先编写的模板，帮助用户完成特定任务。

这些功能使 MCP server 能够为 AI 应用提供丰富的上下文信息和操作能力，从而增强 LLM 的实用性和灵活性。

下面是全网比较全的MCP服务端资源，可以直接使用，提供给大家：

国外MCP服务器：https://mcpservers.org/

国内MCP服务器：https://mcpmarket.com/zh

阿里云百炼MCP：https://bailian.console.aliyun.com/?spm=5176.29619931.J__Z58Z6CX7MY__Ll8p1ZOR.1.3b24521cr2ypKX&tab=mcp#/mcp-market

Corsor专属MCP：https://cursor.directory/mcp

Smithery：https://smithery.ai/

MCP综合性平台：https://www.pulsemcp.com/

Awesome MCP：https://mcp.so/

专注MCP服务器：https://mcpserverhub.com/

魔搭社区MCP：https://www.modelscope.cn/mcp

4、MCP常见案例

4.1 通过联网搜索向AI提供最新信息

常见的 AI 助手采用通过联网搜索获取实时信息。当用户开启联网搜索时，助手先将用户的请求发送至搜索引擎，再将返回内容与用户输入一起提供给大模型，最终生成回答。搜索引擎在此作为实时信息源，为大语言模型提供额外的上下文。

4.2 通过API向AI提供自有系统数据

如果希望 AI 能提供行业内部信息、或者研发的自有系统内的信息，AI 联网搜索的效果就很不好，甚至无法实现。用户可以自行搭建 AI 代理，将自有系统的数据通过 API 的形式接入 AI 助手，为大语言模型补充提供丰富的上下文信息。

4.3 通过MCP服务器向AI提供上下文信息

MCP 协议解决了 AI 大模型与数据源集成碎片化的问题，提供统一标准，让开发者无需为每个数据源和 AI 助手单独开发连接器。通过 MCP，数据源和 AI 工具可建立安全双向连接，使 AI 在不同工具和数据集间流畅协作，实现更可持续的架构。

5、手动实践MCP插件

5.1 安装Cherry Studio 客户端

请首先安装 1.2.9 版本及以上的 Cherry Studio 客户端，并确保已通过配置合适的模型API，能在Cherry Studio里使用模型进行基本对话，

https://www.cherry-ai.com/download

5.2 在魔搭社区MCP搜索MCP服务

ModelScope通过 MCP广场 为广大开发者提供了海量的MCP服务。可以直接在ModelScope平台上实现托管，供包括Cherry-Studio在内的不同客户端直接集成使用。

5.3 在Cherry Studio中配置ModelScope MCP的同步

在Cherry Studio启用MCP服务需要在「设置」中添加可用的MCP服务配置。可以前往“设置-MCP服务器-同步服务器”快速同步ModelScope MCP服务。

进入后可以看到 CherryStudio默认选中 ModelScope 作为 MCP 服务提供商。Cherry Studio 与ModelScope（魔搭） 达成官方合作，只需要简单的输入您的魔搭 API 令牌，即可一键同步魔搭账号下所有已经配置托管的 MCP 服务配置。

其中 API 令牌可以通过访问“魔搭首页-访问令牌”页面获取。

在获取ModelScope API令牌后，粘贴到步骤3的空格中，并点击「同步」按钮。

可以看到所有已经配置连接的魔搭Hosted MCP服务，都已经同步在Cherry Studio可用MCP服务器列表中。

然后可以愉快地在 Cherry Studio 中体验 AI 助手调用MCP服务完成任务～

5.4 在Cherry Studio中结合模型与MCP的使用

同步MCP服务后，可以在Cherry Studio客户端AI助手消息输入框看到新增的“MCP服务器”图标。

点击即可查看，通过之前同步操作已导入到Cherry Studio中，可直接使用的MCP服务列表。可从这个列表中，多选本次对话期望启用的MCP。

5.5 效果示例

以Fetch网页内容提取 MCP为例，可以看到当我们要求 AI 助手获取相关网页信息时，AI助手调用了“Fetch网页内容获取”MCP服务的工具来完成任务。

同样的，如果其他MCP已经被启用，也可以被AI助手自由调用。例如以下例子，就展示了使用高德地图MCP 来完成完成路线规划。

6、最后总结

纵观人类千年发展历史：从石器时代、铁器时代、蒸汽时代、电气时代、互联网时代，到现在的AI时代，每一个时代都是人类的一个转折点，每个时代的兴起不同职业的从业者都有滞后性，只有不断学习，才能跟上时代发展。

人工智能会取代大多数低级枯燥的工作，当然也会诞生一些新的工种，就像汽车发明之后，马车夫失业，汽车司机上岗，如果只是一味的守着马车，那么不久的将来可能会被时代淘汰。

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，故此将并将重要的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】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

在这里插入图片描述

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

在这里插入图片描述

在这里插入图片描述

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

img

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

在这里插入图片描述

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

img

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

img

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

img

适用人群

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】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

标签
#人工智能 #大模型 #java #就业 #MCP
#ai大模型 #大模型学习
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协议全景解析：从工业总线到AI智能体的连接革命 人们眼中的天才之所以卓越非凡，并非天资超人一等而是付出了持续不断的努力。1万小时的锤炼是任何人从平凡变成超凡的必要条件。———— 马尔科姆·格拉德威尔🌟🌟嗨，我是Xxtaoaooo！ 阅读详情

相关推荐

【大模型MCP】MCP 深度解析：AI 时代的「USB-C」接口——原理、对比、实战代码与行业落地

MCP 由 Anthropic 于 2024 年底提出，借助 JSON-RPC 2.0 消息格式和 WebSocket 长连接，为大模型与外部工具/数据源之间提供统一、实时、双向的调用规范。2025 年 3 月正式版发布后，OpenAI Responses API、Google Gemini SDK、Replit、Sourcegraph Cody 等均宣布兼容，形成涵盖 IDE、区块链、云服务及企业知识库的生态链。相较 REST/GraphQL，MCP 具备调用集中、实时推送、批量/通知支持与 JSON S

weixin_41645791的博客 1407

Dify、扣子Coze、RAG、MCP：多模态大模型与AI Agent

一、购课送配套清华大学出版社教材【纸质正版《GPT多模态大模型与AI Agent智能体》】购买此课程的用户赠送陈敬雷老师清华大学出版社正版纸质书籍《GPT多模态大模型与AI Agent智能体》！购买后加陈敬雷老师微信chenjinglei66领取。二、课程优势本课程有陈敬雷老师的清华大学出版社配套新书教材《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）。新书配合此实战课程结合学习，一静一动，互补高效学习！本课程由互联网一线知名大牛陈敬雷老师全程亲自授课，技术前沿热门，是真正的互联网工业级实战项目。三、课程简介AI Agent智能体、DeepSeek、Dify、扣子Coze、RAG、MCP、 GPT-5、Sora 等前沿技术、多模态大模型持续引爆 AI 领域，你是否渴望看透技术本质、掌控发展脉络？这门聚焦大模型技术原理的课程，将为你搭建从基础到前沿的完整知识框架，助你在 AI 浪潮中站稳脚跟。课程核心亮点：从根源到前沿，锻造硬核 AI 技能课程模块详解：体系化学习，收获明确第一章：AI Agent智能体、MCP代码开发、Dify/Coze平台等操作实践1.Dify/Coze平台基础环境搭建-Docker和WSL安装操作实践本课程聚焦Dify/Coze平台基础环境搭建，深入讲解 Docker 与 WSL 安装实操。从 Windows 系统下以管理员身份运行命令行安装 WSL，开启 Hyper-V 功能，到官网下载安装 Docker Desktop，并巧妙配置镜像源提升下载速度，每一步都有详细演示与指导。同时，课程会给出下载 Dify 并启动的具体步骤，帮助你快速搭建起 Dify 运行所需的基础环境，为后续深入探索 Dify 平台强大功能筑牢根基，无论是编程新手还是 AI 爱好者，都能轻松上手 。2.最新Dify源码平台安装实操和核心架构全流程拆解 围绕最新 Dify 源码平台展开，为你呈上全面的安装实操与核心架构拆解。从前期环境准备，像不同系统下 Docker、Docker Compose 及 Git 的安装配置，到 Dify 代码，启动中间件服务，再到细致地配置并运行后端 API 服务与前端 Web 服务，每一个安装环节都有详细步骤演示与深度讲解，助你顺利搭建 Dify 平台。在核心架构拆解部分，课程深入剖析 Dify 的六大功能层。从负责任务调度与逻辑处理的核心业务层，到提供交互界面的交互与展示层；从承担数据存储与缓存功能的数据存储与缓存层，到赋予平台 AI 能力的 AI 能力层；还有保障网络安全与请求转发的网络与安全层，以及用于隔离测试的隔离与测试层，帮你透彻理解各层容器的作用及协同工作机制。无论你是想基于 Dify 开发 AI 应用的开发者，还是对其架构原理感兴趣的技术爱好者，本课程都能让你收获满满，为后续深入应用 Dify 平台奠定坚实基础 。3.Dify集成DeepSeek和阿里通义千问等大模型底座插件安装想拓展 Dify 平台的大模型能力吗？本课程聚焦 Dify 集成 DeepSeek、阿里通义千问等大模型底座插件的安装实操。从前期准备，如获取对应模型 API Key、检查 Dify 市场插件可用性，到安装环节，细致演示在 Dify 市场中精准定位并下载 DeepSeek、通义千问插件（规避版本报错问题），再到关键的配置阶段，指导你在 Dify 系统内正确填入 API Key，开启所需模型开关。同时，深入剖析不同插件与 Dify 现有架构的融合逻辑，助你理解安装后如何让新模型在 Dify 平台上稳定运行、高效协作，轻松为 Dify 增添多元大模型支持，拓展应用开发边界 。4.Dify平台 - 配置Agent策略及MCP插件在Dify平台强大的生态体系中，合理配置Agent策略与安装MCP插件，能极大拓展其功能边界，为AI应用开发带来更多可能。本课程将深入聚焦这两大关键板块，助力开发者全面掌握相关实操技能。5.MCP Server开发实践 - 服务器发送事件（SSE）代码开发实践服务器发送事件（SSE）是MCP（Model Context Protocol）协议实现实时数据交互的核心技术，也是打通Dify平台与外部数据源的关键桥梁。本课程聚焦MCP Server中SSE的开发实践，从基础原理到代码落地，带开发者掌握实时数据推送的核心技能。6.MCP Server开发实践 - 可流式传输的HTTP（StreamableHttp）代码开发实践 课程简介可流式传输的HTTP（StreamableHttp）是MCP协议中实现高效数据交互的核心技术，为Dify平台与外部服务的动态通信提供了灵活支撑。本课程聚焦StreamableHttp在MCP Server中的开发实践，帮助开发者掌握流式数据传输的实现逻辑与落地技能。7.MCP Client代码开发实践和Cherry Studio、Dify平台集成MCP 课程简介MCP（Model Context Protocol）客户端是连接AI应用平台与MCP服务器的关键接口，本课程聚焦MCP Client的开发实践及其在Cherry Studio、Dify两大平台的集成落地，帮助开发者打通“客户端-服务器-应用平台”的全链路数据交互。第二章：AI智能体开发实操落地全流程8.Dify平台整体功能操作实践  全面解锁Dify平台功能！从平台基础操作界面认知，到项目创建、智能体配置、工作流编排，再到功能联调与部署，完整演示Dify平台各模块实操流程。帮你快速上手这款工具，利用平台能力高效搭建AI应用，降低开发门槛。   9.Dify平台知识库管理模块操作实践  专注Dify平台知识库管理！详解知识库创建、文档上传、知识分类、检索优化等操作。教你如何构建高质量知识库，让AI智能体精准调用知识，解决业务问答、内容推荐等场景需求，掌握知识驱动AI应用的核心技能。  10.智能客服知识问答助手AI智能体开发操作实践  围绕智能客服场景，专攻知识问答助手AI智能体开发。从需求梳理、知识体系构建，到智能体对话逻辑设计、多轮问答优化，结合实际客服案例实操。教你打造能精准答疑、高效服务的智能客服助手，提升业务接待效率与用户体验。   第三章：大模型预测AI智能体企业应用落地工作流开发11.大模型预测AI智能体应用落地工作流开发操作实践  聚焦大模型预测场景，拆解AI智能体应用落地工作流开发全流程。从需求分析到功能实现，手把手教你借助大模型能力，搭建高效预测工作流，掌握智能体在实际业务中落地的关键操作，让模型预测从理论走向可执行的应用方案。   12.从0到1实操：AI智能体工作流开发操作实践  专为0基础或想系统搭建AI智能体工作流的学习者设计。从基础概念破冰，逐步讲解工作流设计逻辑、开发步骤、调试优化，全程实操演示，带你走完“从无到有”开发AI智能体工作流的完整路径，快速具备独立开发简单工作流的能力。  13.预测类AI算法模型训练和预测API代码开发实践  深入预测类AI算法核心，涵盖模型训练全流程（数据预处理、算法选型、训练调优 ），并重点讲解预测API代码开发。通过真实案例实操，教你用代码实现算法模型落地，让训练好的模型能通过API对外提供预测服务，打通算法到应用的关键环节。  第四章：多模态大模型AI智能体开发实践 14.多模态大模型AI智能体工作流开发实践  拥抱多模态趋势，聚焦多模态大模型驱动的AI智能体工作流开发。涵盖图像、文本、语音等多模态数据处理，讲解工作流中多模态任务串联、交互逻辑设计，通过案例实操，让你掌握开发能处理复杂多模态场景的智能体工作流技能 。 第五章：DeepSeek大模型企业应用落地实践15. Ollama 框架详解：本地部署 DeepSeek 大模型实战指南核心内容：深度剖析 Ollama 框架，从安装到配置，一步步教你在本地部署 DeepSeek 大模型，涵盖模型下载、运行及管理等实操环节。学习受益：掌握 Ollama 框架运用，能独立在本地部署 DeepSeek 大模型，降低模型使用成本，保障数据隐私，提升自然语言处理效率。16. Ollama 安装与 DeepSeek 大模型部署全流程操作实践核心内容：全面覆盖 Ollama 在不同系统的安装方法，以及 DeepSeek 大模型从选型到部署的完整流程，包含硬件适配、版本选择及部署后测试。学习受益：通过实践掌握 Ollama 与 DeepSeek 大模型部署技能，可依自身需求灵活搭建模型环境，为 AI 相关工作、学习筑牢基础。17. Open WebUI 全方位解析：自托管 AI 平台功能与应用核心内容：详细解读 Open WebUI 自托管 AI 平台，介绍其安装方式、多模型兼容特性、权限管理及丰富的功能模块，如 RAG 集成等。学习受益：学会运用 Open WebUI 搭建个性化 AI 平台，利用其丰富功能提升大模型交互体验，满足企业级或个人多样化 AI 应用需求 。18. 基于Unsloth的DeepSeek训练微调核心工具核心内容：基于 Unsloth 对 DeepSeek 模型，优化训练效率与内存占用，适配多场景部署，支持灵活导出与定制。    学员收益：掌握高效微调 DeepSeek 的方法，降低硬件门槛，提升模型落地能力，助力科研与企业应用。19. DeepSeek-R1训练微调代码实践核心内容：DeepSeek-R1高效训练微调，结合医学 COT思维链 数据集，实操 LoRA、量化压缩，实现专业领域推理大模型问答全流程。学员收益：快速掌握数据处理到部署全流程，攻克大模型微调痛点，获得医学垂类模型训练实战能力。然后举一反三，相同代码可以应用到其他行业。20. 吃透 DeepSeek-R1：模型文件全解析与实战指南    核心内容：解析架构与训练机制，详解 163 个分片文件及配置、分词器，含多领域实战案例。    学员收益：掌握模型原理与优化，提升实战能力，拓宽职业路，培养逻辑与创新思维。21. 本地部署运行DeepSeek-R1满血版大模型    核心内容：涵盖硬件配置（多高端 GPU 等）、环境部署、模型下载与调优，及推理测试全流程。    学员收益：掌握本地部署技能，实现隐私数据处理，降低依赖，提升大模型实战与优化能力。第六章：大模型核心技术原理22. 大模型技术的起源、思想及代码实践核心内容：介绍大模型技术的发展历程、核心思想，搭配相关代码实操演练    学员收益：理清大模型技术的来龙去脉，通过代码实践将抽象思想转化为具体认知23. 基于 Transformer 的预训练语言模型核心内容：详解 Transformer 架构的构成、工作原理及在预训练语言模型中的应用学员收益：掌握 Transformer 架构的核心知识，理解预训练语言模型的构建基础24. Prompt 提示词学习工程理论与实践    核心内容：阐述 Prompt 提示词工程的理论知识，结合实际案例进行实践操作学员收益：学会设计高质量 Prompt，有效提升大模型的响应效果和任务完成度第七章：大模型训练微调、基于RLHF人类反馈强化学习对齐、PPO强化学习算法 理论与实践25. 大模型训练微调理论与实践核心内容：讲解指令微调的基本原理、实施步骤和相关技巧，进行实践训练    学员收益：掌握指令微调方法，使大模型能更好地适配特定场景和任务26. RLHF人类反馈强化学习    核心内容：介绍人类反馈强化学习的概念，解析马尔科夫决策过程的原理及应用学员收益：学员将掌握人类反馈强化学习核心概念，理解马尔科夫决策过程原理与应用，提升对智能系统通过人类反馈优化决策的认知，为相关技术实践奠定基础。27. PPO 强化学习算法    核心内容：深入讲解 PPO 算法的原理、数学推导和实现过程学员收益：熟练掌握 PPO 算法，为开展强化学习相关工作奠定坚实基础28、 大模型人类反馈强化学习对齐    核心内容：探讨大模型与人类反馈强化学习对齐的原则、方法和挑战    学员收益：学会使大模型的行为符合人类价值观和需求，提升模型的可靠性29. 人类反馈强化学习 RLHF+PPO 代码实践核心内容：结合具体案例，进行 RLHF 与 PPO 结合的代码编写和实操练习学员收益：通过实战掌握 RLHF+PPO 的应用，提升用代码优化大模型的能力第八章： 大模型思维链COT推理及上下文指令理解30. 大模型思维链COT核心内容：讲解思维链的概念、作用机制和在大模型中的应用方式学员收益：掌握利用思维链提升大模型推理能力的方法31. 大模型上下文学习能力核心内容：分析大模型上下文学习能力的原理、影响因素和提升技巧    学员收益：理解大模型上下文学习的本质，学会充分利用该能力提升模型表现32. 大模型指令理解核心内容：探讨大模型指令理解的机制、常见问题及优化方法学员收益：提升大模型对复杂指令的理解准确度，增强模型的实用性第九章： 通用人工智能AGI33. GPT 智能涌现原理与 AGI 通用人工智能通讲核心内容：解析 GPT 智能涌现的原理，全面讲解 AGI 通用人工智能的相关知识学员收益：理解 GPT 智能涌现的本质，对 AGI 有系统且深入的认识34. 智能涌现原理核心内容：阐释智能涌现的定义、特征、产生条件和表现形式学员收益：明确智能涌现的概念，理解大模型能力突然提升的关键所在35. 通用人工智能AGI核心内容：介绍通用人工智能的概念、发展现状、关键技术和未来趋势学员收益：全面了解通用人工智能，把握其发展方向，为相关研究和应用做准备第十章： 基于大模型的对话式推荐系统36. 基于大模型的对话式推荐系统技术架构设计核心内容：详解基于大模型的对话式推荐系统技术架构（大数据平台层、大模型底座层、大模型管理层、推荐引擎层、对话管理层、用户交互层），介绍各层包含的技术组件及作用，结合微软 RecAI 项目说明具体实现。详见附件资料。学员收益：掌握对话式推荐系统的整体架构设计，理解各组件的协同机制，具备搭建和优化系统架构的基础能力。37. 推荐 AI Agent 智能体核心内容：介绍 InteRecAgent 框架，包括大模型意图识别调度、记忆、任务规划、工具学习等核心技术，详解 5 个必要组件及部署方法。学员收益：理解推荐 AI 智能体的工作机制，掌握构建和部署交互式推荐智能体的方法，提升对话式推荐系统的实践能力。38. 面向推荐的语言表达模型核心内容：讲解 RecLM-Emb（基于嵌入，专注项目检索，含 10 个匹配任务）和 RecLM-Gen（生成性策略，直接生成自然语言推荐）的设计、功能及应用。详见  基于大模型的对话式推荐系统.pdf 学员收益：掌握两种面向推荐的语言表达模型的原理与应用，提升推荐系统的语义理解和推荐生成能力，可用于优化推荐效果。39.知识插件核心内容：阐述知识插件的核心思想（动态整合领域知识到提示中），介绍其实现步骤（领域知识提取、选择与适应、自然语言表达）及应用示例。详见  基于大模型的对话式推荐系统.pdf 学员收益：学会利用知识插件增强大模型的领域适配性，提升推荐的准确性和可解释性，无需微调大模型即可扩展其能力。40. 基于大模型的推荐解释核心内容：介绍 RecExplainer 框架（含目标推荐模型和大模型代理），详解三种对齐方法（行为、意图、混合对齐）及评估方式（对齐效果、解释生成能力）。详见  基于大模型的对话式推荐系统.pdf 学员收益：掌握用大模型解释推荐决策的方法，提升推荐系统的透明度，增强用户信任，为优化推荐策略提供依据。41. 对话式推荐系统的新型评测方法核心内容：讲解 RecAI 评测器（从生成性推荐等五方面评测，用 NDCG 等指标）和 iEvaLM 方法（大模型模拟用户交互评测）的策略与应用。详见  基于大模型的对话式推荐系统.pdf 学员收益：掌握全面评测对话式推荐系统的方法，能够科学评估系统性能，为系统优化和迭代提供方向。第十一章： 多模态搜索42. 多模态搜索技术架构设计核心内容：详解四层架构（数据层、模态表征层、匹配层、应用层），介绍各层包含的信息、技术方法及作用。详见  多模态搜索.pdf  附件文档学员收益：掌握多模态搜索的技术架构，理解各层技术的协同作用，具备设计和搭建多模态搜索系统的基础能力。43. 多模态搜索关键技术核心内容：阐述多模态表征（图像、内容帧的表征学习）、融合与相似度计算、匹配技术、语义理解与跨模态学习等关键技术的原理和应用。详见  多模态搜索.pdf  附件文档学员收益：掌握多模态搜索的核心技术，提升处理多模态数据的能力，可用于优化多模态检索的效果和效率。44. 多模态实时搜索与个性化推荐核心内容：讲解多模态实时搜索（实时数据处理、索引与检索）和个性化推荐（用户建模、融合与相似度计算、候选项选择与反馈）的技术流程。详见  多模态搜索.pdf  附件文档学员收益：掌握多模态技术在实时搜索和个性化推荐中的应用，提升系统的响应速度和用户体验，能够构建更智能的检索推荐系统。第十二章： 多模态数字人技术原理和项目实践45. 多模态数字人概述核心内容：介绍多模态数字人的定义（整合文本、图像等多数据形态的高度仿真虚拟人）、与传统单一模态数字人的区别（更丰富的表现力和交互能力）、依赖的技术体系（深度学习、自然语言处理等）、多模态大模型的作用及应用场景（智能客服、虚拟主持人等）。详见  多模态数字人技术原理和项目实践.pdf  附件文档学员收益：理解多模态数字人的核心概念与技术价值，掌握其与传统数字人的差异及技术基础，明确其应用方向，为深入学习技术原理奠定认知基础。46. 多模态数字人技术原理核心内容：讲解多模态数字人技术体系，包括基础三维技术（三维建模与重建、三维图形学与渲染）、数字人核心组件（面部与身体建模、动作与表情驱动）、多模态交互与智能（数字人形象设计、多模态融合、深度学习应用）、平台与工具集成（引擎框架、多端部署优化）及应用案例与趋势。详见  多模态数字人技术原理和项目实践.pdf  附件文档学员收益：系统掌握多模态数字人技术的核心模块及各模块间的关联，理解技术实现的底层逻辑，具备分析数字人技术架构的能力，为技术落地应用提供理论支撑。47. 三维建模与三维重建核心内容：阐述三维建模的原理流程（数据采集、模型构建、细节优化等）及关键技术（三维扫描、动作捕捉等）；三维重建的原理流程（数据采集、特征提取、点云生成等）、主要方法（传统方法、深度学习方法）及关键技术（立体视觉、激光扫描等）；以及两者的区别与联系。详见  多模态数字人技术原理和项目实践.pdf  附件文档学员收益：掌握三维建模与三维重建的技术细节及实施流程，能区分两者的应用场景，具备运用相关技术创建数字人三维模型的基础能力，提升数字人视觉建模的实操认知。48. 数字人形象设计核心内容：讲解数字人形象设计的技术原理（数据采集、特征提取、模型训练、语音合成等）及关键技术（深度学习、TTS技术等）；数字人形象设计的技术原理（数据采集、特征分析、模型创建、表情与动作模拟等）及技术要点（深度学习优化、物理渲染等）。详见  多模态数字人技术原理和项目实践.pdf  附件文档学员收益：理解数字人形象设计的完整技术流程，掌握关键技术的应用逻辑，能够运用相关技术生成与真人相似的数字人声音和外观，提升数字人个性化仿真的实现能力。49. 唇形同步算法核心内容：介绍数字人唇形同步的常见算法（基于规则的方法、基于机器学习的方法、混合方法）及主流技术（Wav2Lip、MuseTalk、TwinSync等）的原理、特点及应用场景。详见  多模态数字人技术原理和项目实践.pdf  附件文档学员收益：掌握唇形同步的核心算法与技术选型逻辑，能根据需求选择合适的技术方案，提升数字人语音交互的自然度与逼真度，增强数字人用户体验设计能力。50. NeRF、ER-NeRF与RAD-NeRF模型核心内容：阐述NeRF模型的原理（神经辐射场的体积表示与渲染）；ER-NeRF的改进（区域感知注意力、姿态编码等提升动态头部重建效率）；RAD-NeRF的特点（音频-空间分解、低维特征网格提升实时性）及三者的应用场景。详见  多模态数字人技术原理和项目实践.pdf  附件文档学员收益：理解三种模型的技术创新点及适用场景，掌握基于神经辐射场的数字人生成技术，具备选择高效模型提升数字人渲染质量与实时性的能力。51. 数字人项目实践核心内容：介绍主流开源数字人项目（快手LivePortrait、百度Hallo、腾讯Muse系列、SadTalker等）的技术原理、安装部署流程、功能特点及创新之处，涵盖动画生成、唇形同步、多模态交互等应用场景。详见  多模态数字人技术原理和项目实践.pdf  附件文档学员收益：掌握开源数字人项目的实操方法，能够部署和调试相关工具构建数字人应用，提升将理论技术转化为实际项目的能力，积累数字人开发的实践经验。 为什么选择这门课程？四大核心优势权威性与实用性兼具：作者陈敬雷深耕 AI 领域多年，课程内容基于《GPT 多模态大模型与 AI Agent 智能体》一书，结合京东图书配套视频，理论与实践深度结合。理论与实战紧密融合：每个知识点都配套代码实践，从原理理解到动手操作无缝衔接，避免 “纸上谈兵”，学完就能上手应用。内容全面且聚焦核心：覆盖大模型技术全链条关键内容，不冗余、不零散，直击技术核心，让学习更高效。紧跟技术发展步伐：聚焦Dify、扣子Coze、RAG、MCP、AI Agent智能体 GPT、AGI 等前沿热点，解析最新技术现象与原理，确保所学内容不过时，贴合行业发展需求。适合人群：人工智能开发者、学习者，想系统掌握大模型技术原理与实践技能；企业技术人员，需规划大模型应用与开发方向，推动业务落地；高校师生、科研人员，从事大模型相关研究，寻求理论与实践结合的学习资源；对 AI 技术充满热情，希望紧跟前沿，提升自身竞争力的职场人士。四、老师介绍陈敬雷  充电了么创始人，CEO兼CTO陈敬雷，北京充电了么科技有限公司创始人，CEO兼CTO，十几年互联网从业经验，曾就职于用友网络、中软集团、凡客诚品、唯品会、猎聘、人民日报(灵思云途)、北京万朝科技，曾任架构师、首席技术官、首席科学家等职务，对业务领域B端、C端、电商、职场社交招聘、内容文娱、营销行业都有着丰富的经验，在技术领域，尤其在大数据和人工智能方向有丰富的算法工程落地实战经验，其中在猎聘任职期间主导的推荐算法系统项目获得公司优秀项目奖，推荐效果得到5倍的提升。此外，陈敬雷著有清华大学出版社四本人工智能书籍，分别是《分布式机器学习实战》《自然语言处理原理与实战》《GPT多模态大模型与AI Agent智能体》《DeepSeek大模型与具身智能实践》，颇受好评。同时陈敬雷还是知名大数据人工智能讲师，研发了上百门课程，总计有30万学员。五、《GPT多模态大模型与AI Agent智能体》书籍配套视频课程介绍：陈敬雷老师的京东自营书名标题： GPT多模态大模型与AI Agent智能体（跟我一起学人工智能）《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）是一本2025年清华大学出版社出版的图书，作者是陈敬雷，本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。全书共8章，从大模型技术原理切入，逐步深入大模型训练及微调，还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体，从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面，本书提供了丰富的案例分析，如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人，以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用，也为读者提供了宝贵的实践经验。本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读，也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统，既有理论知识的深入讲解，也有大量的实践案例和代码示例，能够帮助学生在掌握理论知识的同时，培养实际操作能力和解决问题的能力。通过阅读本书，读者将能够更好地理解大模型技术的前沿发展，并将其应用于实际工作中，推动人工智能技术的进步和创新。六、配套书籍目录：第1章 大模型技术原理1．1 大模型技术的起源、思想1．2 基于Transformer的预训练语言模型1．2．1 编码预训练语言模型1．2．2 解码预训练语言模型1．2．3 基于编解码架构的预训练语言模型1．3 提示学习与指令微调1．3．1 提示学习1．3．2 指令微调1．4 人类反馈强化学习1．4．1 强化学习1．4．2 PPO算法1．4．3 大模型人类反馈强化学习对齐1．5 GPT智能涌现原理与AGI通用人工智能1．5．1 什么是智能涌现1．5．2 思维链1．5．3 上下文学习能力1．5．4 指令理解1．5．5 通用人工智能第2章 大模型训练及微调2．1 大模型训练概述2．2 分布式训练的并行策略2．2．1 数据并行2．2．2 模型并行2．2．3 混合并行2．2．4 并行计算框架2．3 预训练模型的压缩2．3．1 模型压缩方案概述2．3．2 结构化模型压缩策略2．3．3 非结构化模型压缩策略2．3．4 8位/4位量化压缩实战2．4 大模型微调方法2．4．1 Prefix Tuning微调2．4．2 P-Tuning V1微调2．4．3 P-Tuning V2微调2．4．4 LoRA微调2．4．5 QLoRA微调2．5 基于旋转位置编码RoPE的长文本理解2．5．1 RoPE技术原理2．5．2 RoPE关键特性第3章 主流大模型3．1 国内大模型3．1．1 智谱清言ChatGLM3．1．2 百川智能3．1．3 百度文心一言3．1．4 阿里巴巴通义千问3．1．5 腾讯混元3．1．6 华为盘古3．1．7 360智脑3．1．8 科大讯飞星火3．1．9 智源悟道大模型3．1．10 月之暗面Kimi3．1．11 复旦大学MOSS3．1．12 零一万物3．1．13 字节跳动豆包大模型3．2 国外大模型3．2．1 OpenAI GPT-4o3．2．2 Meta LLaMA3．2．3 Anthropic Claude3．2．4 谷歌Gemini和开源Gemma3．2．5 Mistral Large3．2．6 xAI Grok3．3 垂直类大模型3．3．1 HuatuoGPT3．3．2 BianQue3．3．3 BenTsao3．3．4 XrayGLM3．3．5 DoctorGLM3．3．6 ChatMed3．3．7 度小满轩辕3．3．8 BloombergGPT3．3．9 LawGPT3．3．10 LexiLaw3．3．11 Lawyer LLaMA3．3．12 ChatLaw3．3．13 ChatGLM-Math第4章 LangChain技术原理与实践4．1 LangChain技术原理4．2 LangChain六大核心模块4．2．1 模型I/O4．2．2 数据增强模块4．2．3 链模块4．2．4 记忆模块4．2．5 Agent模块4．2．6 回调处理器第5章 RAG检索增强生成5．1 RAG技术原理5．1．1 RAG的概念与应用5．1．2 RAG技术架构5．1．3 分块和向量化5．1．4 搜索索引5．1．5 重新排序和过滤5．1．6 查询转换与路由5．1．7 RAG中的Agent智能体5．1．8 响应合成器5．1．9 大模型微调和RAG优劣势对比5．2 文本向量模型5．2．1 Embedding模型、Reranker模型及ColBERT模型5．2．2 阿里巴巴GTE向量模型5．2．3 中文acge_text_embedding模型5．2．4 智源中英文语义向量模型BGE5．2．5 Moka开源文本嵌入模型M3E5．2．6 OpenAI的text-embedding模型5．3 向量数据库5．3．1 Faiss5．3．2 Milvus5．3．3 Pinecone5．3．4 Chroma5．4 RAG应用实践5．4．1 基于大模型构建企业私有数据的知识问答5．4．2 应对大模型落地挑战的优化策略第6章 多模态大模型6．1 多模态基础模型6．1．1 多模态对齐、融合和表示6．1．2 CLIP6．1．3 BLIP6．1．4 BLIP-26．1．5 InstructBLIP和X-InstructBLIP6．1．6 SAM6．1．7 OpenFlamingo6．1．8 VideoChat6．1．9 PaLM-E6．2 OpenAI多模态大模型DALL·E 3、GPT-4V、GPT-4o、Sora6．2．1 文生图多模态大模型DALL·E 36．2．2 GPT-4V6．2．3 端到端训练多模态大模型GPT-4o技术原理6．2．4 文生视频多模态大模型Sora6．3 通义千问多模态大模型6．3．1 开源Qwen-VL和Qwen-VL-Chat6．3．2 Qwen-VL-Plus和Qwen-VL-Max6．4 开源端到端训练多模态大模型LLaVA6．4．1 LLaVA6．4．2 LLaVA-1．56．4．3 LLaVA-1．66．4．4 MoE-LLaVA6．4．5 LLaVA-Plus6．4．6 Video-LLaVA和LLaVA-NeXT-Video6．5 零一万物多模态大模型Yi-VL系列6．5．1 Yi-VL系列模型架构6．5．2 Yi-VL系列模型训练微调及推理6．6 清华系多模态大模型6．6．1 VisualGLM-6B6．6．2 CogVLM26．6．3 CogAgent6．6．4 CogView、CogVideo和CogVideoX6．6．5 CogCoM6．6．6 GLM-4V-9B第7章 AI Agent智能体7．1 AI Agent智能体介绍和原理7．1．1 AI Agent的定义与角色7．1．2 AI Agent技术原理7．2 主流大模型Agent框架7．2．1 AutoGPT7．2．2 MetaGPT7．2．3 ChatDev7．2．4 AutoGen7．2．5 FastGPT7．2．6 XAgent7．2．7 GPT-Engineer7．2．8 BabyAGI7．2．9 SuperAGI第8章 大模型在企业应用中落地8．1 基于大模型的对话式推荐系统8．1．1 基于大模型的对话式推荐系统技术架构设计8．1．2 推荐AI Agent智能体8．1．3 面向推荐的语言表达模型8．1．4 知识插件8．1．5 基于大模型的推荐解释8．1．6 对话式推荐系统的新型评测方法8．2 多模态搜索8．2．1 多模态搜索技术架构设计8．2．2 多模态搜索关键技术8．2．3 多模态实时搜索与个性化推荐8．3 基于自然语言交互的NL2SQL数据即席查询8．3．1 NL2SQL数据即席查询技术原理8．3．2 NL2SQL应用实践8．4 基于大模型的智能客服对话机器人8．4．1 大模型智能客服对话机器人技术原理8．4．2 AI大模型赋能提升智能客服解决率新策略8．4．3 基于大模型的智能客服对话机器人系统搭建8．5 多模态数字人8．5．1 多模态数字人技术原理8．5．2 三维建模与三维重建8．5．3 数字人形象设计8．5．4 唇形同步算法8．5．5 NeRF、ER-NeRF与RAD-NeRF模型8．5．6 数字人项目实践8．6 多模态具身智能8．6．1 多模态具身智能概念及技术路线8．6．2 多模态感知与场景理解8．6．3 视觉导航8．6．4 世界模型8．6．5 具身智能模拟器8．6．6 多模态多感官交互具身智能大模型8．6．7 端到端强化学习人形机器人8．6．8 多模态通才具身智能体   

如何应对AI乱编法条案例？——Dify平台配置北大法宝MCP服务教程

构建可靠法律AI助手的零代码解决方案 针对法律AI中存在的"幻觉"问题（虚构法条和案例），本文提出基于Dify平台和北大法宝MCP服务的解决方案。

小盒子的博客 538

大模型应用开发-基础理论

大模型应用开发： 1.CoT 2.零样本推理能力 3.ToT 4.Toolformer 5.Plan and Solve 6.ReAct 7.AgnetVerse 8.AutoGen

oldsummer 1025

STM32F103ZET6驱动57闭环步进电机（连线+代码）

一、设备： 1. STM32F103开发板 （普中F103的板子） 2. 57闭环电机带驱动 3. 24V/3A的直流电源，用于给电机驱动供电 简单说明：使用Keil5编程，主要使用了PWM波，外部中断和时间中断，按键控制电机使能和脱机并且控制PWM的周期，调节周期即调节电机的转速。 二、STM32开发板与电机驱动的连线： 1.PUL-、ENA-、DIR-与STM32的连接方法： 可以参考CSND的这个链接中的说明，使用共阴极接法：STM32F407-用TB6600驱动器驱动57步进电机（代码

baidu_39071234的博客 7430

南邮-软件设计实验（C++版）

南邮软件设计 A档 一、分数统计 课题内容：   设计一个分数统计程序。包括学生信息的输入输出以及排序。通过该课题全面熟悉数组、字符串、文件的使用，掌握程序设计的基本方法及友好界面的设计。 课题要求： （1）输入某班级学生的姓名、分数； （2）对（1）的分数进行降幂排列并输出； （3）具有输入输出界面。 示例代码： #include<bits/stdc++.h> using...

Dainelcw 1万+

基于提示词工程和MCP构建垂直Agent应用

本文介绍了构建大模型智能体(Agent)的关键技术方案，重点阐述了System Prompt的构建方法。首先强调System Prompt是构建Agent最重要的一环，需要综合运用提示词工程技术，包括提供当前时间、角色设定、核心原则等要素。文章详细拆解了构造System Prompt的7个关键步骤：1)当前时间信息；2)角色设定；3)核心原则；4)执行步骤；5)工具清单；6)回答格式；7)注意事项。其中执行步骤和工具清单需要动态生成，根据用户问题识别细分场景后动态调整。最后介绍了构造完整消息数组的方法和解析

Daphnis的博客 1153

对接萤石平台调用播放

萤石api 管理 · 萤石开放平台API文档 httpclient pom <dependency> <groupId>org.apache.httpcomponents</groupId> <artifactId>httpclient</artifactId> <version>4.5.2</version> </dependency> package com.ruoyi...

u011799016的博客 1773

你想在本地部署大模型吗？本地部署大模型的三种工具

人工智能的发展如火如荼，也让越来越多的人了解到人工智能；而对大部分人来说使用的都是第三方提供的客户端，不论是网页版，还是PC端或移动端。那么，我们怎么在本地部署一款大模型呢？下面就来介绍三种工具。

xx_nm98的博客 4788

liquibase扩展支持达梦数据库

近期项目中需要支持国产数据库，需要liquibase底层支持达梦数据库，记录下操作的详细步骤以便分享。 1.liquibase支持的数据库很多如MySQL, PostgreSQL, Oracle, Sql Server, DB2。但是达梦数据库并不支持，所以需要新建DMDatabase类来适配达梦数据库。达梦语法和Oracle很像所以只需要复制liquibase-core下的Oracle Database做些修改就可了。以下为需要修改的地方 public class DMDatabase extends A

qq_43677719的博客 5472

Android功耗系列专题分析之四：待机概率性功耗高的失效分析

本文分析了Android设备待机功耗异常高的问题。通过日志发现系统休眠失败，原因是PowerManagerService.Display唤醒锁未被释放。进一步排查发现，指纹解锁功能在灭屏时未正确释放屏幕锁定，导致DisplayReady状态异常。解决方案是将指纹功能的背光控制与DisplayReady状态控制分离，使用两个变量独立管理。经验表明，快速定位问题比解决问题更重要，修改原生流程时需谨慎评估风险。

451

MCP这个协议，如何让大模型从‘能说’迈向‘能做’？

三桥君认为，MCP不仅是大模型与外部工具交互的桥梁，更是实现大模型从“能说”到“能做”的关键技术

三桥君 | 人工智能领域专家 1107

华为OD机试真题 新系统2026-04-01 C++ 实现【计算数列位置N的值】

如果其前面的M个元素中，存在值相同的元素，则该位置上的数值等于前面M个数中最大的数值与最小的数值之如果其前面的M个元素中，不存在值相同的元素，则该位置上的数值等于前面M个数中最大的数值与最小的数值之差;1、输入M、N两个数，则按照以下规则形成一个数列;两个整数，用逗号分割，分别表示M和N。一个整数，表示数列第N个位置上的数值。2、数列的前M个元素的值为1到M;请计算该数列第N个位置上的数值。N取值范围:1<= N<=50。M取值范围:3<=M<=10。

MISAYAONE的博客 1153

大模型常说的MCP协议指的是什么？揭秘让大模型从“纸上谈兵“到“真正落地“的关键技术！！

MCP（Model Context Protocol）是一种让大模型从"语言模型"升级为"行动模型"的关键协议。它通过标准化接口连接大模型与外部工具，使大模型能够调用API、访问数据库和操作文件等真实世界任务。MCP扩展了AI能力边界，无需重新训练模型即可增强其功能性，正推动大模型从理论对话走向实际应用，是AI落地的重要技术桥梁。

libaiup的博客 1055

《派出你的AI同事：WorkBuddy案例实战》062：投研资讯摘要与预警

投研资讯摘要与预警：新闻、公告、行情交给 AI 同事提炼与预警，投研从“刷资讯”变成“读摘要”。

LuckyHanMo的博客 182

uniapp [全端兼容] - 实现大文件上传分片/切片+本地选择文件上传超大文件，大文件切片上传+断点续传+上传进度条+失败自动重传，支持单个/批量上传图片、视频、文档各种文件（App、小程序、H5

uniapp 分片 断点续传 大文件上传。uniapp大文件切片上传，uniapp实现大文件上传 分片上传 进度条，分片上传附件，实现大文件上传，实现分片大文件上传，Uniapp实现大文件上传 分片上传 进度条，uniapp文件分片上传，uniapp如何上传很大的文件，在选择文件后，按指定大小将文件切割成独立的文件片，并逐片上传，uniapp 微信小程序上传大文件如何切片，uniapp APP实现大文件分片上传、断点续传、秒传，解决大文件上传问题，大文件上传如何做断点续传，uniapp上传视频，Uniapp

🏆 前端领域优质创作者 1万+

AI Agent与MCP：大模型从“能说“到“会做“的关键突破，值得收藏

AI Agent作为智能决策大脑，具备自主感知、思考和行动能力；MCP作为能力连接器，提供统一调用协议连接各类工具。二者协同工作，AI Agent负责"决策与编排"，MCP负责"连接与执行"，形成目标驱动的多轮闭环工作流。这种结合让AI从"问答工具"升级为"自主工作伙伴"，通过标准化、安全可控的方式调用外部资源，实现从"能说"到"会做"的关键突破，是AI落地应用的重要技术路径。

ytt0523_com的博客 928

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

一文搞懂MCP与Function Calling：大模型落地关键技术

核心要点回顾定位差异：Function Calling是“决策层”（决定调用什么），MCP是“标准层”（怎么调用），二者协作而非替代；核心价值：MCP解决“标准化、低成本、高安全”问题，Function Calling解决“模型主动调用”问题；适用场景：简单场景可单用Function Calling，复杂企业场景需MCP+Function Calling协同。实践建议对开发者：优先学习MCP协议，掌握“工具注册-客户端调用”的核心流程，这将成为企业级AI开发的核心技能；

Android_XG的博客 1128

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。

MCP：大模型落地的关键路径 —— 程序员的新机会

现在的大模型落地不理想，真正的落地，应该是落地到各个企业、各个生产环节，想一想：比如在浏览器中命令大模型处理公司 ERP 系统的内容 —— 帮我总结公司会议关键信息、帮我分析一下系统数据趋势、帮我就这个内容发个邮件等等，或者查阅电脑本地文档去操作知识库、调用工具生成文档等等，这中间会涉及到一些安全问题、对接问题等等，这极有可能是程序员的新机会。截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。3、打通公司 ERP 系统，早就该更新了！

jennycisp的博客 790

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

【MCP服务】蓝耘元生代 | 蓝耘MCP平台来袭！DeepSeek MCP服务器玩转大模型集成

蓝耘智算云平台推出“MCP 广场”，集成众多 MCP 服务。注册登录后可进入广场选服务。以 DeepSeek MCP 服务器为例，介绍其安装、功能，含多轮对话、自动切换模型等，还提及测试方法及服务工具详情。

Morse_Chen的博客 3870

当 “MCP” 成为热词：两个同名协议的硬核科普与代码解析

无论是让 AI 记住对话的模型上下文协议，还是让设备顺畅联动的媒体控制协议，MCP 的本质都是 “规则体系”。它们用代码和逻辑定义了数字世界的沟通方式，让技术从 “各自为战” 变成 “协同工作”。希望通过这些通俗的解释和代码示例，你能真正理解这两个 “MCP” 的价值 —— 它们虽然看不见摸不着，却在每天让我们的数字生活变得更智能、更顺畅。

Pocker_Spades_A的博客 6258

【值得收藏】MCP：AI落地的关键基建，大模型与外部系统连接的标准化协议

MCP（Model Context Protocol）是AI领域的"通用接口"，类似于USB，让不同大模型无缝接入实时数据和外部数据源。文章详细比较了MCP与API、Agent、Function Calling和A2A的区别，强调MCP在上下文管理、企业系统集成方面的优势。掌握MCP可提升AI应用实用性、简化开发、增强安全性，是AI应用落地的关键基础设施，助力开发者构建更智能、实用的AI系统。

2301_76168381的博客 1037

【大模型实战篇】基于Claude MCP协议的智能体落地示例

大模型、智能体、agent、ai agent、mcp、工具使用、tools、manus、open manus、mcp示例、mcp解决的问题

源泉的小广场 1万+

MCP协议详解：让AI成为企业级应用的“万能钥匙“

文章介绍了MCP（模型上下文协议）如何解决AI与企业系统集成的复杂性。作为AI世界的"USB-C标准"，MCP使AI成为"拥有万能钥匙的秘书"，优化了传统依赖需求前置和代码的实现方式，实现"所求即所得"。已获OpenAI、支付宝等支持，能连接企业内部系统如ERP、CRM等，让员工通过自然语言查询数据，降低分析门槛，同时助力开发者完成代码、部署等操作，是企业实现AI弯道超车的新机会。

WANGJUNAIJIAO的博客 1467

MCP协议实战：让AI从‘能说’到‘能做’的工程落地指南

Model Context Protocol（MCP）是一种面向大模型与真实系统交互的轻量级上下文连接协议，其核心在于解耦模型推理与业务执行，通过标准化工具调用、声明式权限控制和结构化上下文注入，解决AI在生产环境中‘认知失联’‘权限模糊’‘语义鸿沟’等关键瓶颈。它不替代API，而是构建一层可插拔、可审计、可沙箱化的协议层，使LLM能按需感知状态、安全索取数据、精准触发动作。典型应用场景包括智能客服自动查单、AI编程助手实时读取配置、工业AI联动工单系统等。本文基于5个真实项目经验，聚焦MCP Server

weixin_33805743的博客 421

【MCP服务】蓝耘元生代 | MCP平台：部署时间服务器MCP，开启大模型交互新体验

本文先介绍为大模型与外部资源集成提供标准化接口的MCP协议，接着介绍蓝耘MCP平台，还阐述其注册登录步骤及时间MCP服务器使用教程，助力开发者开发高效智能AI应用。

Morse_Chen的博客 2211
上一篇： 【收藏必读】大模型在医疗领域的应用与挑战：从原理到实践
下一篇： 35+ AI工程师破局指南：靠大模型技术重启职业新赛道
点赞 16
评论 0
书签 书签 28
冻感糕人~
冻感糕人~
博客等级 码龄3年 8926粉丝 2384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