AI人工智能的学习之路

本文介绍了一种基于Model Context Protocol（MCP）构建的Agentic RAG系统，通过让LLM自主决定检索时机、内容和来源，实现私有知识和实时联网的双引擎协同。相比传统RAG固定查询单一知识库的模式，该系统能动态选择内部文档或实时网页，通过MCP协议实现工具的安全调用和数据访问。架构包含MCP服务器（智能体）、客户端及双向通信机制，支持向量数据库搜索和网页搜索两种工具。文章详细阐述了系统搭建步骤，包括环境配置、MCP服务器部署和RAG管道构建，最终实现能处理复杂查询的智能应用。

文章重点演示了如何使用 Ollama（运行本地 LLM）、LangChain-MCP 适配器和 Python 构建一个本地化、注重隐私的 MCP 客户端。该客户端通过 LangChain 智能体与 MCP 服务器（使用 FastMCP 实现）交互，调用在服务器端定义的工具（如添加、读取 SQLite 数据库记录）。文中详细展示了服务器和客户端的代码实现、工作流程和交互日志，突显了这种方法的模块化、可扩展性和用户友好性。展示了如何利用 MCP 和开源工具构建一个能在本地安全运行、通过自然语言操作外部系统的ai

本文探讨了结合金融专用大语言模型(Fin-R1)与金融工具链的金融推理解决方案。通过测试多个主流大模型对5年期10万加元贷款的计算结果，发现不同模型的准确性存在差异，其中Fin-R1和Phi4模型表现较好。文章介绍了在本地部署该方案的技术栈，包括Ollama、OpenWebUI、LightRAG等组件，并展示了Fin-R1在财务报告分析中的应用实例。该方案通过整合专业金融模型、计算工具和知识库，旨在提高金融推理任务的准确性和可靠性。

Open WebUI 现已正式支持 MCP Tool 服务器，通过兼容 OpenAPI 的代理实现（MCPO）实现连接。MCPO 作为中间代理，将 MCP 服务器命令转换为 RESTful API，简化了工具与大语言模型的集成。文章详细介绍了配置流程：安装 MCPO 服务器、设置多个 MCP 服务实例，以及在 Open-WebUI 中添加工具端点。此外，还演示了如何创建新的 MCP 服务器（如关税新闻反应查询工具），包括代码生成、测试和集成步骤。该方案为开发者提供了便捷的 AI 工具连接方案，支持 stdi

代理型RAG通过引入AI代理优化传统检索增强生成技术，实现动态多步骤检索与跨工具协作。其核心组件包括路由代理、查询规划代理、ReAct代理及计划执行代理，分别承担智能调度、任务分解、自适应执行和自主决策功能。模型上下文协议（MCP）作为关键基础设施，标准化AI与外部数据源的交互，通过MCP服务器实现长期记忆存储和工具集成。典型架构中，代理通过MCP客户端协调多知识源检索，结合LLM生成更精准的响应。这种结合显著提升了系统的灵活性、适应性和准确性，推动RAG向主动式智能问题解决范式演进。

模型上下文协议（MCP）和检索增强生成（RAG）是两项互补的人工智能技术，分别适用于不同场景。MCP作为标准化通信协议，适合处理结构化、静态的上下文信息，如公司规则和用户偏好；而RAG则擅长处理大规模动态数据，如知识库和实时信息。二者结合可实现更全面的人工智能解决方案：MCP提供实时数据接口，RAG确保知识准确性。技术实现上可采用LangChain协调组件，结合向量数据库和API集成。这种协同方案既能减少AI幻觉，又能提高响应效率，但也面临延迟和集成复杂度

RAG-MCP框架通过结合检索增强生成（RAG）原则和MCP框架，解决了LLMs在外部工具选择中的提示膨胀和决策复杂性问题。该框架的核心是语义检索模块，它将工具元数据表示为向量空间中的点，并高效匹配用户查询与最相关的工具，从而减少提示大小和复杂性，提高决策准确性。MCP压力测试表明，随着工具数量的增加，传统方法面临提示膨胀和决策开销问题，而RAG-MCP通过动态检索最相关的工具，显著提高了选择准确性和系统可扩展性。实验结果显示，RAG-MCP在选择准确性、提示令牌使用和任务成功率方面优于基线方法。然而，该方

A2A + MCP 不仅仅是一个理论架构，它是一个今天就可以实现的实用解决方案，用于解决真实业务问题。模块化：易于扩展和维护。可靠：清晰的错误边界和稳健的通信。灵活：组件可以独立替换或升级。可复用：工具和智能体可以在多个项目中共享。别再浪费时间构建自定义集成，A2A + MCP 已经提供了一个经过验证的解决方案。

介绍了Agent2Agent（A2A）协议及其与Model Context Protocol（MCP）的协同工作方式。A2A协议允许AI代理之间进行连接与协作，而MCP则为代理提供工具访问权限。文章通过生动的图示和清晰的解释，阐述了A2A如何通过交换上下文、任务更新、指令和数据实现代理间的协作，而无需直接共享内部记忆或工具

探讨了函数调用与MCP（模型上下文协议）在AI开发中的应用。函数调用是传统方式，允许LLM根据用户输入识别所需工具，但需手动集成工具与逻辑。MCP则标准化了工具的定义、托管与暴露，使LLM能轻松发现并使用工具，无需硬编码。通过MCP，工具像超市商品，开发者只需“选购”，无需从零构建。例如，代理可通过MCP搜索网络，自动选择并调用工具。MCP与函数调用相辅相成，前者决定“做什么”，后者确保“怎么做”。文章还介绍了如何在Cursor IDE中集成Firecrawl的MCP服务器，无需编写Python代码即可使用

本文介绍了模型上下文协议（MCP）及其优势。MCP 采用客户端 - 服务器架构，通过动态能力交换，使 AI 应用能够灵活地与不同数据源和工具连接，解决了传统 API 在参数变更时需要用户频繁更新代码的问题。MCP 的灵活性在于客户端能够实时获取服务器的能力描述并动态调整行为，无需硬编码或重新部署代码。此外，文章还提供了从本地机器学习到生产机器学习的实用路线图，帮助读者快速掌握模型部署和优化的关键步骤。

MCP全称（Model Context Protocol），这货就像是给AI系统（比如大语言模型）装了个万能USB-C接口，让它们能和外部工具、数据源和服务唠嗑。简单说，就是个中间商，专门帮AI代理和数据库、API、文件系统这些资源牵线搭桥，还自带标准化话术手册。有了它，AI终于不用死啃训练数据的老本了——它能实时查资料、搞操作，活像个会用工具的聪明猴子。MCP服务器因此成了现代计算的顶梁柱，。

哎呀，各位算法界的小伙伴们！今天咱们要聊聊一个超酷的话题——MCP 协议！你可能已经听说了，Anthropic 推出了这个新玩意儿，目的是让 AI 代理和你的应用程序之间的对话变得更顺畅、更清晰。不过别担心，为你的 Python 应用程序搭建一个这样的服务器并不复杂，甚至可以说简单到让你怀疑人生！想象一下，AI 就像你的私人助理，而 MCP 就是它和你家大门之间的钥匙。让 AI 去操心那些繁琐的逻辑吧，咱就负责躺平享受成果。不管你是想连数据库还是接 API，MCP 都能帮你搞定。

MCP服务器的核心是资源(Resource)的概念。资源代表了可以被AI模型访问的外部数据源或工具。你可以通过实现自定义资源来扩展MCP服务器的功能。# 处理自定义动作inputelse:这个示例实现了一个自定义资源，它支持一个名为"my_action"的动作。当AI模型调用这个动作时，服务器会返回处理结果[14。

MCP让AI工具管理从「俄罗斯轮盘赌」变成了「儿童安全积木」——虽然偶尔还是会砸到脚（某不愿透露姓名的Claude表示：“用了MCP后，终于不用假装自己懂2024年的天气预报了！”）

本文详细介绍了如何将 Ollama 中的小型语言模型与本地 MCP 服务器进行集成。通过创建一个简单的 MCP 服务器并暴露工具，再利用客户端连接服务器获取工具定义并转换为 Pydantic 模型，最终将这些模型传递给 Ollama。Ollama 根据定义生成结构化响应，客户端通过后台线程和队列调用服务器工具。文章通过代码示例和详细步骤，展示了整个集成过程，并成功实现了从用户请求到工具调用再到获取结果的完整流程。

现代AI助手虽强，但缺乏实时数据接入能力，常使回答沦为"纸上谈兵"。传统集成方案需要为每个数据源编写定制API，堪称开发者的"噩梦循环"。MCP协议的价值在于统一对接标准：一套协议吃遍所有数据源安全上下文访问：权限管控的标准化数据通道弹性扩展架构：无需修改核心代码即可接入新源采用MCP后，开发者能打造：✓更智能：实时数据驱动的AI系统✓更灵活：快速适应新需求的架构✓更安全：企业级管控的数据交互🔹行动指南立即部署MCP服务器实战围观开源项目MCP GitHub仓库。

我们展示了一个由 MCP 驱动的 Agentic RAG，它会搜索向量数据库，当然如果有需要他会自行进行网络搜索。