Spring AI Alibaba MCP 市场正式上线!

Spring AI Alibaba 正式上线 MCP 市场:Spring AI Alibaba-阿里云Spring AI Alibaba官网官网

开发者可以在这里搜索市面上可用的 MCP Server 服务,了解每个服务的实现与接入方法。

MCP 市场是做什么的?

Spring AI Alibaba MCP 当前主要提供 MCP Server 的查看与浏览能力,帮您省去了到处搜集 MCP 实现的负担,后续可通过接入 Higress 等 AI 网关体验在线接入。。

由于 MCP 正处于快速发展阶段,我们将尽量保持 MCP 市场展示最新的数据。欢迎社区贡献者一起参与贡献,我们共同维护 MCP 市场更新,欢迎在这里 修改源码 并提交 PR。

什么是 MCP?

模型上下文协议(MCP)是一种开放协议,旨在实现 LLM 应用程序与外部数据源和工具之间的无缝集成。它作为一种标准化的方式,将 LLM 与其所需的上下文联系起来。

MCP 解决什么问题?

MCP 解决了人工智能系统和数据源之间零散集成的问题。它解决了人工智能模型与数据隔离并被困在信息孤岛后面的挑战,用一个通用协议取代了多个自定义实现。

MCP 的有哪些应用案例?

MCP 可用于各种场景,包括:构建 Claude、Clinet 等智能体 IDE、增强聊天界面、创建自定义 AI 工作流、将 AI 应用与外部数据源连接等。

如何使用 Java 开发应用并发布为 MCP Server?

Spring AI Alibaba 支持将 Java 应用发布为标准的 MCP Server,开发者之需要按照约定的步骤配置应用即可发布自己的 MCP 服务。可查看官方发布的 博客

如何在 Java 智能体中调用 MCP 服务?

使用 Spring AI Alibaba 开发的智能体应用可以接入 MCP 市场上所有 MCP Server 实现,具体使用方式可查看官方发布的 博客

如何将已有的 Java 应用转换成 MCP 服务?

站在大模型视角,应用发布的服务要通过 MCP 接入智能体,必须满足以下要求:

  • 服务包含明确的语义描述、方法入参格式与语义描述、方法返回值格式描述
  • 服务支持并能识别 MCP 协议请求

基于以上两点,存量的大部分 Java 应用应该都是不支持的。因此,我们需要做一些额外的工作来完成 MCP 接入:

  1. 使用 Spring AI Alibaba 对应用进行改造,直接将应用发布为 MCP Server。这需要对应用进行代码改造,如升级 JDK17、增加注解、重新发布应用等。
  2. 使用 Nacos + Higress 网关代理,通过配置化的形式在 Nacos 中增加服务描述等元数据,同时使用 Higress 实现协议代理转换。该方案的优势是可以实现零代码修改 MCP 升级,具体可参考 Nacos 社区发布的博客

稍后,我们将会在 Spring AI Alibaba 社区发布通过集成 Higress、Nacos 提供的 MCP 集成方案,敬请期待!

基于 NSFW Model 色情图片识别鉴黄 后面更新视频检测 项目背景: 随着互联网的快速发展,网络上的信息量呈现出爆炸式的增长。然而,互联网上的内容良莠不齐,其中不乏一些不良信息,如色情、暴力等。这些信息对青少年的健康成长和社会风气产生了不良影响。为了净化网络环境,保护青少年免受不良信息的侵害,我国政府加大了对网络内容的监管力度。在此背景下,本项目应运而生,旨在实现对网络图片和视频的自动识别与过滤,助力构建清朗的网络空间。 项目简介: 本项目基于 NSFW(Not Safe For Work)Model,利用深度学习技术对色情图片进行识别与鉴黄。NSFW Model 是一种基于卷积神经网络(CNN)的图像识别模型,通过学习大量的色情图片和非色情图片,能够准确地判断一张图片是否含有色情内容。本项目在 NSFW Model 的基础上,进一步优化了模型结构,提高了识别的准确率和效率。 项目功能: 色情图片识别:用户上传图片后,系统会自动调用 NSFW Model 对图片进行识别,判断图片是否含有色情内容。如果含有色情内容,系统会给出相应的提示,并阻止图片的传播。 视频检测:针对网络视频,本项目采用帧提取技术,将视频分解为一帧帧图片,然后使用 NSFW Model 对这些图片进行识别。如果检测到含有色情内容的图片,系统会给出相应的提示,并阻止视频的传播。 实时监控:本项目可应用于网络直播、短视频平台等场景,实时监控画面内容,一旦检测到含有色情内容的画面,立即进行屏蔽处理,确保网络环境的纯洁。
### 如何在本地部署 NSFW 模型或服务 要在本地环境中成功部署 NSFW(不适宜工作场合内容)检测模型或服务,以下是详细的说明: #### 准备环境 为了确保能够顺利运行模型和服务,需要安装必要的依赖项。这些工具和库包括但不限于以下几类: - **Python 环境**: 推荐使用 Python 3.7 或更高版本。 - **Transformers 库**: 提供加载预训练模型的功能[^1]。 - **PyTorch/TensorFlow**: 支持深度学习框架的计算需求。 - **Pillow (PIL)**: 处理图像文件并将其转换为适合输入模型的形式。 具体命令如下所示: ```bash pip install transformers torch Pillow ``` #### 加载模型与测试 通过 Hugging Face 的 `transformers` 工具包可以直接访问已有的 NSFW 图片分类模型。例如,可以采用名为 `"Falconsai/nsfw_image_detection"` 的公开模型来完成此任务[^1]。 下面是一个简单的代码片段展示如何加载该模型并对单张图片执行预测操作: ```python from PIL import Image from transformers import pipeline def classify_nsfw(image_path): # 打开指定路径下的图片文件 img = Image.open(image_path) # 初始化 image-classification 流水线对象,并指明使用的特定模型名称 classifier = pipeline("image-classification", model="Falconsai/nsfw_image_detection") # 对传入的图片调用流水线方法得到其类别标签及其置信度分数列表形式的结果 result = classifier(img) return result if __name__ == "__main__": test_img_path = "<your_test_image>" output_results = classify_nsfw(test_img_path) print(output_results) ``` 注意替换 `<your_test_image>` 成实际存在的图片绝对或者相对地址字符串值之前再尝试运行以上脚本。 #### 构建 RESTful API 服务 如果希望进一步扩展功能至 Web 应用程序层面,则可考虑利用 Flask/Django 这样的轻量级 web 开发框架构建起支持 HTTP 请求交互的服务端接口。这里给出基于 FastAPI 实现的一个简单例子作为示范用途: ```python import uvicorn from fastapi import FastAPI, File, UploadFile from PIL import Image from io import BytesIO from typing import List from pydantic import BaseModel app = FastAPI() class Prediction(BaseModel): label: str score: float @app.post("/predict/", response_model=List[Prediction]) async def predict(file: UploadFile = File(...)): try: contents = await file.read() pil_image = Image.open(BytesIO(contents)) clf_pipeline = pipeline('image-classification', model='Falconsai/nsfw_image_detection') predictions = clf_pipeline(pil_image) formatted_preds = [{"label": pred['label'], "score": round(pred['score'], 4)} for pred in predictions] return formatted_preds except Exception as e: raise ValueError(f"Error processing uploaded file {e}") if __name__ == '__main__': uvicorn.run(app, host='0.0.0.0', port=8000) ``` 启动服务器之后即可向 `/predict/` 路径发送 POST 请求附带上传待分析的目标图片获取返回结果了。 ---
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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