mcp

只睡四小时

MCP 弃用 SSE？Node 分帧漏 81.7% 事件MCP 规范把老的 HTTP+SSE 传输标记为废弃、改推 Streamable HTTP 之后，"SSE 要凉了"的说法到处都是。我把自己那个零依赖的 Node 远程 AI 编程助手真跑了一遍：凉的不是 SSE，是手写分帧——缓冲区写错一行，随机分片下 81.7% 的事件直接蒸发。

选品数据采集,MCP比爬虫稳在哪?亚马逊到1688实测💡 阅读提示: 这篇不聊概念, 聊一条每天无人值守跑的选品数据链路 — 爬虫方案死在哪一层, Sorftime MCP 的结构化 JSON 稳在哪, 失败兜底怎么写, 外加一套能直接抄的接入避坑清单。

Cesium + MCP：在 Cursor、Claude Code 里一句话生成地图视频，唯杰 AI 地图动画上线一句话介绍：唯杰 AI 地图动画是一个以真实地图为画布的 AI 视频编辑器。说一句话，AI 生成路线、分镜、运镜、标注、旁白和字幕；不满意就接着说，或者在时间轴上逐帧精修；最后由服务端渲染出 MP4，最高 4K。CAD 图纸、GPX 轨迹、表格数据都能直接做成动画。

MCP Server 与 Function Calling一篇讲清楚“模型怎么想调工具”和“工具怎么被真正执行”的区别。你跟 AI 说：“帮我查一下订单 NB-666 的状态。”

MCP 开发实战：把你自己的后端 API 接入 Agent本文写的也是通俗实战版。去掉了繁琐的工程踩坑流水账、Node/TS 模块机制细节与单元测试源码，保留全部核心设计思想、多模态看图登录方案与开箱即用代码，大概15分钟左右轻轻松松即可读懂 MCP 并把你自己的后端 API 变成 AI 随叫随到的工具。

第404块砖头

Spring Boot 4.1 + Spring AI 2.0：我如何用 Java 微服务把 RAG、知识图谱和 MCP 协议串成一个 Agent 平台做 Java 生态的 AI 应用，最痛苦的不是模型调用，而是把 RAG、Agent 编排、工具协议、知识图谱这些能力在一个工程里干净地组装起来。Spring AI 生态目前缺少一个覆盖全链路的参考实现，所以我动手做了一个：springboot-agent。

MCP 面试高频考点：把知识库 RAG 封装成 Tool 时，提示注入防护与人机协同确认怎么答？一家做企业内部知识助手的团队，希望把现有 RAG 检索能力通过 MCP 暴露给 Host 中的模型，让模型在回答“报销标准”“合同模板在哪里”这类问题时自行决定是否检索。团队同时担心两件事：知识库文档可能夹带恶意指令；某些检索会触达受限文档。面试官围绕“如何设计这个 Tool、如何防注入、何时需要用户确认”连续追问。

MCP 实战 06：把 HTTP 接口接成工具，让 AI 帮你查数据上篇读的是本地文件。如果数据在接口里，怎么交给 AI？思路很直接：AI 调用 MCP 工具，工具请求 HTTP 接口，再把结果返回。

【AI 转型实战 1】SpringAI 入门：搭建基础大模型对话能力中文通常译为大语言模型，日常也常简称为大模型。不过严格来说，“大模型”的范围更宽一些——它还可以包括多模态大模型（如能处理图像、音频的模型），而 LLM 特指以文本（语言）为核心的大规模神经网络模型。

MCP 实战 04：把自己的工具接进 Cherry Studio前面我们已经知道，MCP 能让 AI 调用工具。这次直接动手：写一个查询工具，接进 Cherry Studio，让 AI 帮我们查项目缺陷。

念念不忘必有回响

从0到1：搭建你的第一个 MCP 服务器实战基于 Python FastMCP SDK，零基础动手搭建一个完整可用的 MCP 服务器MCP（Model Context Protocol）是连接 AI 助手与外部数据源和工具的通信协议，可以理解为 AI 的 “USB 接口”——AI 通过 MCP 连接外部的工具、数据和服务。

MCP 工具开发实战：参数校验、结构化输出与错误处理MCP 实战第 3 篇。沿用官方 Python SDK 2.3.0，把已经连通的缺陷查询能力完善为有明确输入、输出、分页和错误约定的工具。本文全部使用虚构数据，不连接真实缺陷平台。

MCP 面试高频考点：桌面客户端 stdio 连接失败，如何用 Resources、结构化输出与 OpenTelemetry 排查？某团队在做一款桌面客户端，客户端通过 stdio 启动并连接一个本地 MCP Server，用来暴露工作区文件、配置等 Resources。最近用户反馈“服务明明启动了，但客户端一直显示未连接”，日志里偶尔出现解析失败。面试官要求候选人围绕这个具体问题，设计一套可观测、可定位、可回滚的排查与修复方案，并说明 Resources、结构化输出、OpenTelemetry 三者的分工。下面的问答按“基础—追问—方案—取舍”推进。

AI 编码工具默认给 Agent 多大权限？三家差在这三处有个技术负责人在群里问：Claude Code、Google Antigravity、OpenAI Codex，团队该统一用哪个？他贴的判断依据是一篇「10 天写 2.5 万行代码、提效 36%」的文章。那个 36% 我没法帮他复核——没有场景、没有基线、没有失败案例，也无法重跑。

【Plain Language Large Model】【从麦当劳点餐到Redis接入：MCP如何让AI工具集成变简单】流食般投喂课程主题：MCP（Model Context Protocol）技术解析与实战入门核心观点：MCP 不是又一个封闭的收费接口，而是 AI 应用与外部工具之间的“万能 Type-C 口”。它把传统模式下 M×N 的定制化开发，压缩成了 M+N 的标准接入。

MCP 三原语怎么划边界终裁：Tools做事、Resources 供上下文、Prompts 定工作流的能用/限场景/不能用验收第一次写 MCP server 的人，十有八九会把所有能力都注册成 Tool。读文档是 Tool，查配置是 Tool，连「帮我按公司格式写周报」也做成一个 Tool。跑起来没问题，过两个月回头看，权限审计时谁也说不清哪个 Tool 会改数据、哪个只是读。

MCP 开发环境搭建：Mac 与 Windows 跑通 Python 服务和 stdio 客户端MCP 实战第 2 篇。固定使用官方 Python SDK mcp==2.3.0，在独立虚拟环境中完成安装、工具发现、实际调用和错误验证。服务只读取虚构缺陷数据，不需要大模型密钥，也不连接真实业务平台。

亚马逊选品排名监控改造记：从手抄表格到MCP自动监控💡 阅读提示: 这是一篇工程搭建实录, 写作对象是我自己维护的 GEO 排名自动监控脚本, 数据取数层基于 Sorftime 工作台的只读接口与 MCP 工具体系。文中命令、代码、数字均出自项目内真实文件与当天真实运行结果, 少数推演处单独标注 (示例数据); 本文不涉及任何站外链接, 参考资料以文档名指路。

SceneDock：Windows 场景化工作台——一键启动工作链，还能被 AI Agent 调用（CLI / MCP）SceneDock 是一款面向 Windows（10 / 11 x64）的场景化工作台启动器，同时也是一个可被 AI Agent 调用的本地工作环境接口。