登录社区云,与社区用户共同成长
邀请您加入社区
深入 MyCodeAgent 的 MCP 集成:可选依赖、配置发现、stdio/HTTP 传输、Adapter 把远端工具伪装成本地 Tool、结果收成通用协议。理解外部能力如何进入同一条工具管道,以及「注册进目录」和「允许执行」为什么不是一回事
Model Context Protocol(MCP)已成为连接LLM智能体与外部工具的标准接口。MCP服务器向智能体暴露Shell执行、网络访问、文件系统操作等特权操作。然而,工具处理函数中的实现缺陷使自然语言输入可能直接流向安全敏感型接收函数(sink),攻击者可借此实现远程代码执行或完全控制系统。现有方法存在两大局限:要么只做静态分析产生未经动态验证的告警,要么依赖固定模板库,缺乏代码级指导
本文详细介绍了大模型Agent的四大核心考点,包括基础认知(Agent与LLM/Workflow的区别、四模块架构)、工作模式(ReAct、Plan-and-Execute、Reflection、Multi-Agent)、工具与协议(Function Call、MCP、A2A、Skills)以及工程落地(记忆系统设计、安全与可靠性、成本优化、生产踩坑实录)。掌握这些内容,面试时能更有信心地从“是什
本文阐述了AI工程范式的转移,从关注模型本身转向系统设计。介绍了九个关键AI工程概念,分为三层:Agent行动与思考(循环工程、图工程、规范驱动开发)、信息接收与记忆(上下文工程、记忆工程、MCP协议)、可靠与安全(评估驱动开发、Agent意识、Agent身份与安全)。文章强调系统设计能力将成为稀缺优势,并给出三个行动建议:转向系统设计思维、将评估视为基础设施、将安全作为设计原则。
MCP由Anthropic于2024年底推出,旨在标准化LLM访问外部工具和数据的接口。随着第三方MCP服务器数量激增(已有超过13,000个实例),MCP在开放生态系统中暴露出严重的安全漏洞。攻击者可部署定制MCP服务器,通过操纵工具名称和描述来影响LLM的选择偏好,使其在多个竞争服务器中优先调用攻击者控制的服务器,进而获取付费服务收入或广告收益。这是首个针对MCP协议的偏好操纵攻击研究。
去年年底我带队做了一个内部审批Agent,用Spring AI + Ollama本地部署,在公司内网跑通了全流程:用户输入请假申请,Agent调用LLM解析意图,再调后端接口查考勤数据,最后返回审批建议。Demo演示时老板点头,我们团队也松了口气。结果联调到预发布环境,直接崩了。不是模型调用失败,不是代码逻辑错误,而是权限校验卡住、日志追踪断掉、可观测性为零。这些问题在本地Demo里根本看不见,一
摘要:本文总结了泰山派与MSPM0G3507下位机串口通信的15个典型问题及解决方案。核心问题包括:1)periphery.Serial库不支持超时参数,需改用pyserial;2)协议设计反复,最终定案6字节帧结构;3)收发可靠性问题,采用缓冲状态机解决半包问题;4)发送策略优化,包括60fps限频、丢帧不发送而非发零值;5)错误处理逻辑优化,如重复帧检查前置、目标更新先于误差计算等。关键教训:
到了这个阶段,再去学LangGraph、MCP或者其他Agent框架,你会发现速度快很多。因为你已经知道模型调用是什么,Tool是什么,RAG是什么,也知道一个Agent到底需要解决什么问题。这时候框架对你来说就不是“神秘技术”,而是一个帮助你管理流程、状态、工具和模型调用的工程工具。框架应该是放大器,而不是拐杖。如果离开框架什么都不会,那你只是会用框架。如果不用框架也能把核心逻辑讲清楚,再用框架
只要谈 AI,就绕不开几个词:Agent、RAG、MCP、Skills、Prompt。它们看起来像一串技术黑话:有人说 Agent 是 AI 员工,有人说 RAG 是知识库,有人说 MCP 是 AI 的 USB-C,有人说 Prompt 已经过时,还有人说 Skills 才是下一阶段的关键能力。其实,这几个概念不是一堆并列名词,而是一套 AI 工作系统里的不同部件。你可以把它们想象成一个“AI 工
本文为Java工程师提供AI转型路线图,强调Java并非转型AI的障碍,而是企业AI应用开发的起点。通过Spring AI框架,用Java实现模型调用、文档检索、权限控制及业务接口集成,构建智能知识助手。文章分四阶段详细规划90天学习目标,从基础模型认知到RAG知识库,再到Agent与生产应用,最终实现可落地的AI项目。建议先专注Java,再根据需要学习Python,逐步扩展技能边界。晚上十一点,
AI编程助手(opencode、codex、Claude code等)只是一个司机,需要大模型作为发动机支撑动力,不同的大模型拥有不同的性能(有的特定任务强、有的便宜、有的推理能力强大但贵......),因此在生产环境中需要根据自己实际需要切换模型,CCSwitch就把这个过程简化了,可以在界面配置后实现“一键切换”。很多人刚接触AI会迷茫,做了很多东西也都还稀里糊涂的,因为AI替人干完非常多的事
比 mattpocock/skills 更重的一套 Agent 方法论,核心是 SDD(子代理驱动开发):把大活拆给控制器、实现者、审查者三个角色,控制器派活、实现者干活、审查者收口,还带五轮熔断器防止 Agent 死循环。它不是海投器,是过滤器:用 A-F 六个维度给职位打分,低于 4.0 分的直接劝你别投,然后自动生成 ATS 优化的简历 PDF、写求职信、追踪申请进度。一个有意思的设计是它把
当前MCP架构的智能体系统假设各服务之间相互隔离,因此只要每个单独任务获得授权,整体系统就是安全的。然而,当一个智能体同时被授予浏览器自动化、财务分析、位置追踪和代码部署等多个服务的访问权限时,这些“诚实、有用、无害”(3H)的智能体能否通过合法操作的组合,产生超越任何单一服务安全边界的攻击行为?这是论文要回答的核心问题。
本文介绍了Agent开发的三个层次架构及其核心设计理念。LangChain技术栈将Agent开发分为:LangGraph(运行时层)、LangChain(框架层)和Deep Agents(工具层)。其中,Deep Agents通过虚拟文件系统实现Context Engineering,解决了传统Prompt Stuffing导致的信息过载问题。文章对比了三大Agent Harness(Deep A
MCP(模型上下文协议)是一种用于连接Agent与外部工具、数据和本地能力的协议,类似于Agent世界的USB-C。它解决了传统方式下每接一个工具就需要写一套代码的问题,通过统一的协议让Agent能够发现、调用和读取外部能力。MCP包含Host、Client和Server三个部分,分别对应用户界面、连接器和能力提供方。使用MCP可以减少重复集成,统一管理权限、审计等,使系统更加灵活和标准化。掌握M
到了前面这些东西真正搞懂以后,再学LangGraph、MCP或者其他Agent框架,速度会快很多。因为这时候你已经知道框架到底在帮你解决什么问题。以前你看到一个Agent框架可能觉得里面各种节点、状态、Tool特别复杂。但当你自己手写过一遍以后,再去看框架,就会发现很多东西其实是在帮你管理模型调用、工具调用、状态和流程。框架应该是放大器,而不是拐杖。刚开始学AI的时候,我特别容易焦虑。今天这个模型
本文以作者从传统Java后端转向AI应用开发的经历为基础,详细阐述了AI应用开发的核心流程与技术栈,如RAG、Agent、MCP等。作者指出,AI应用开发远不止调API那么简单,而是一个涉及多层次的系统工程。文章深入剖析了文档解析、切分策略、检索方案等关键环节的挑战与解决方案,并强调了Java程序员在工程化能力和系统集成方面的优势。写了8年Java,CRUD写到手指发麻,微服务拆到天昏地暗,分库分
Model Context Protocol (MCP) 是一个开放协议,这个就不介绍了师傅们都在用。
Agent技术全景解析:从概念到汽车售后场景应用 本文通过汽车售后服务体系类比,系统拆解Agent技术的核心架构与运作原理。Agent由六大层级构成:LLM(大脑)、Memory(记忆)、Skill(执行能力)、MCP(连接协议)、RAG(知识检索)和Prompt Engineering(指令系统),形成了一个完整的智能决策体系。文章以"奥迪Q5刹车异响"的售后场景为例,详细演示了各组件协同工作的
这时候再去学LangChain、LangGraph,甚至MCP,你会发现速度会快很多。因为你已经知道底层到底发生了什么。以前你看到代码可能是:Agent调用Tool,然后返回结果。现在你知道背后其实是模型请求、Tool Schema、Function Calling、工具执行、结果回传、上下文更新,然后继续下一轮模型调用。这时候框架只是帮你把这些东西封装起来。而不是你必须背下来的一堆API。这一点
Agent将成为企业软件的标准交互形态。未来的ERP、CRM、OA都会有一个Agent层,用户用自然语言驱动系统。MCP或类似协议会成为AI集成的底层标准。工具的标准化封装是规模化落地的关键。模型路由和多模型协作是降本增效的必经之路。不会所有任务都用最大最贵的模型。垂直领域模型和小模型会崛起。通用大模型打基础,行业小模型做精度,边缘模型做实时。工程能力决定落地深度。算法惊艳demo,工程决定能否上
本文探讨了从基础聊天模型到Agent系统的演进,重点在于系统架构革新而非单一模型升级。Agent通过循环执行状态读取、工具选择、动作执行和决策优化,实现复杂任务处理。文章详细拆解了Agent的六大核心组件(模型、工具、状态、循环、安全、观测),对比了Workflow与Agent的控制权差异,并分析了四种工作模式(ReAct、Plan-and-Execute、Reflection、Multi-Age
Aether插件系统通过严格的状态机管理、依赖拓扑排序和安全卸载机制,确保插件生命周期可控。核心设计包括:7状态状态机强制有序转换,防止非法跳转;依赖解析采用拓扑排序和循环检测,确保初始化顺序合理;安全卸载通过"先停服再删除"、异步关闭和对象池联动清理三道防线,杜绝野指针问题。该系统借鉴Qt Creator等工业级实践,通过架构而非文档约束来保证稳定性,即使插件开发不规范也不会导致主程序崩溃。
本文介绍了ClaudeCode这类Coding Agent中调度机制的重要性与实现原理。通过分析调度带来的三个转变:从反应式到主动式、从单线程到事件驱动、从即时一次性到跨时间自治,阐述了调度是Agent实现自主工作的关键。文章对比了教学版和真实CC的调度机制差异,区分了内置Cron与ScheduledTasks的概念,并解释了Cowork工程师采用"执行单元无状态化+状态外置文件&quo
百元级CAN2.0入门调试工具。带信号隔离,价格亲民,作为工程师个人学习、老设备调试的备用工具,性价比很高。MCP2515无CAN‑FD支持、8位单片机软件转发存在丢帧风险、只有信号隔离无电源隔离。千万不要把它当做新能源三电台架主力测试设备。硬件有硬件的定位边界,而售后,是产品体验非常重要的一部分。这次沟通能感受到千目这家国产厂商的诚意,产品定位清晰,售后耐心专业,值得肯定。
在 create_agent() 的底层运行机制中,有几个重要的组件,分别是:声明如下:1.1 什么是中间件Middleware(中间件),简单说就是Agent 执行过程中的钩子函数,是 LangChain 1.x 的“王牌”工程化能力。借助中间件,开发者可以高度定制和控制Agent运行的每一个环节,是处理 Agent 生命周期的标准方式。情况1:没有中间件的Agent架构:情况2:添加中间件之后
本文用三层架构(基础层、能力层、执行层)系统梳理AI核心技术概念,帮助读者快速构建认知框架: 基础层:LLM(文字续写)、Token(AI字元)、Prompt(指令设计)、Context(临时记忆)构成AI理解语言的基础; 能力层:通过RAG(私有知识库)、Function Calling(工具调用)、MCP(统一接口)扩展AI执行能力; 执行层:Agent(自主任务规划)、Skill(可复用技能
本文由拥有8年Java经验的码农分享,从传统Java后端转向AI应用开发的实战经历。文章澄清了AI应用开发并非简单的API调用,而是涉及系统工程,如RAG、Agent、MCP等技术的复杂构建。通过解析实际项目中的挑战和解决方案,为Java程序员提供转行AI方向的实用指南,强调工程化能力和Java在ToB项目中的优势,鼓励读者动手实践,把握AI时代机遇。写了8年Java,CRUD写到手指发麻,微服务
应用名称:Operit AI软件版本:1.12.0+9软件大小:375M适配平台:安卓移动端核心特性:开源免费、内置Ubuntu独立环境、本地/云端双模型兼容、智能记忆、自定义人设、语音交互拓展能力:集成40+实用工具、支持MCP插件扩展、深度系统控制、本地文件管理、自定义自动化任务实测要点:软件本体完整开源无套路,云端模型使用需自行配置对应API与Key,本地模型可离线免Key运行375M的安装