前言 上一章節我們瞭解了一下Semantic Kernnel中Plugins插件的概念以及學習了的 Semantic Kernel 模板插件的創建,本章節我們來學習 Native Plugins 原生函數插件使用。 通過函數定義插件 在之前的章節中我們介紹過在在 Semantic Kernel 中應用 Function Calling,在文中講解了Functioncalling的概念,以及在SK中
昵稱 董瑞鵬
前言 經過前幾章的學習我們已經熟悉了Semantic Kernel 插件的概念，以及基於Prompts構造的Semantic Plugins和基於本地方法構建的Native Plugins。本章我們來講解一下在Semantic Kernel 中內置的一些插件，讓我們避免重複造輪子。 內置插件 Semantic Kernel 有非常多的預定義插件，作為解決通用業務的相關能力。Plugins 地址
昵稱 董瑞鵬
Semantic Kernel簡介 玩過大語言模型（LLM）的都知道OpenAI，然後微軟Azure也提供了OpenAI的服務：Azure OpenAI，只需要申請到API Key，就可以使用這些AI服務。使用方式可以是通過在線Web頁面直接與AI聊天，也可以調用AI的API服務，將AI的能力集成到自己的應用程序中。不過這些服務都是在線提供的，都會需要根據token計費，所以不僅需要依賴互聯網，而
昵稱 dax.net
Kernel Memory (KM) 是一種多模態 AI 服務，專注於通過自定義的連續數據混合管道高效索引數據集。它支持檢索增強生成（RAG）、合成記憶、提示工程以及自定義語義記憶處理。KM 支持自然語言查詢，從已索引的數據中獲取答案，並提供完整的引用和原始來源鏈接。 通過 KM 我們可以讓 LLM 認識更多新的知識。比如認識新的文本內容，WORD文檔，PDF, PPT，甚至是直接爬取一個網頁然後
昵稱 Agile.Zhou
先祝大家 2025 新年好。 在 2024 年落地的 LLM 應用來看，基本上都是結合 RAG 技術來使用的。因為絕大多數人跟公司是沒有 fine-turning 的能力的。不管是在難度還是成本的角度看 RAG 技術都友好的多。 在 RAG（Retrieval-Augmented Generation）中，向量的意義在於將文本數據轉換為高維向量表示，以便進行高效的相似性搜索和信息檢索。具體來
昵稱 Agile.Zhou
引言：AI時代下的聊天機器人開發範式演進 在生成式AI技術爆發的當下，基於大語言模型（LLM）的聊天機器人開發已形成標準化技術鏈路。本文將結合DeepSeek API與微軟Semantic Kernel框架，以C#語言實戰演示從基礎API調用到高級框架集成的完整開發流程。 環境準備與基礎配置 .NET 9 SDK Visual Studio 2022或VSCode DeepSeek API
昵稱 黃明基
在上一篇中，我們介紹瞭如何通過SK訪問ollama中部署的大模型，今天我們嘗試直接調用deepseek官網api，來實現AI對話功能。 DeepSeek官方API 如果要使用deepseek 官方API，首先我們要註冊API訪問的賬號，然後創建apikey。 DeepSeek Platform地址：https://platform.deepseek.com/ DeepSeek API文檔地
昵稱 拓荒者IT
隨着Agentic AI 的最新進展，Microsoft 正在改進其相關開發工具，整合 Semantic Kernel 和 AutoGen 的功能，提供新的開源 Microsoft Agent Framework，以簡化 AI Agent和Multi-Agent工作流程的構建、編排和部署，支持 Python 和 .NET。Microsoft 在 10 月 1 日的一篇博文[1]中表示: “開發人員
昵稱 張善友
打開鏈接點亮社區Star，照亮技術的前進之路。每一個點贊，都是社區技術大佬前進的動力 Github 地址： https://github.com/secretflow/secretflow 本期，我們走近隱語社區新晉社區之星——何晨陽，從一次普通的產品調研到深入理解架構、提出方案、提交代碼的過程中，逐漸完成了從“使用者”到“共同建設者”的角色轉變。 自我介紹 您的全名：何晨陽 當前
昵稱 隱語SecretFlow
跟着 .NET 官方博客的博文 Introducing Microsoft Agent Framework (Preview): Making AI Agents Simple for Every Developer 中的示例代碼基於 Microsoft Agent Framework 創建非常簡單的寫博文 Agent 與多 Agent 工作流初步體驗一下。 先準備好訪問 GitHub 模型市場
昵稱 dudu
11. Spring AI + ELT @ 目錄 11. Spring AI + ELT ELT Document Loaders 讀取Text 讀取markdown pdf B站： DocumentSpli
昵稱 Rainbow-Sea
mcp通訊協議 stdio sse streamable http JSON_RPC MCP 的傳輸層負責將 MCP 協議消息轉換為 JSON-RPC 格式進行傳輸，並將接收到的 JSON-RPC 消息轉換回 MCP 協議消息 請求 { jsonrpc: "2.0", id: number | string, method: string, params?: obj
昵稱 張佔嶺
🌟 歡迎參加 Gradio MCP 智能體主題黑客鬆！ 準備好了嗎？一場以智能體（Agent）和模型上下文協議（Model Context Protocol，簡稱 MCP）為核心的全球在線黑客鬆即將來襲！ 本次活動由 Hugging Face 舉辦，我們將共同探索基於 Anthropic MCP 和 AI Agentic 系統的最新可能性。 📅 活動時間： 2025 年 6 月
昵稱 HuggingFace
在上一章節中，我們講解了MCP服務，並以Spring AI作為客户端和服務端進行示例説明。然而，當前市面上已經存在眾多成熟的MCP客户端和服務端實現。那麼，Spring AI在這些現有方案中的適配程度究竟如何？接下來，我們將深入探討這一問題。 Spring AI客户端-第三方MCP MCP市場 我們先看下目前流行的MCP服務都有哪些，當然我們不必去手動實現已有的服務端，現在有很多MCP市場，比如
昵稱 努力的小雨
轉眼之間，MCP 技術已在人工智能領域炙手可熱，持續走紅超過半年，堪稱當下最受關注的“新晉頂流”技術。從最初的地圖類應用，到後來層出不窮的新聞類、工具類 MCP 智能體，各類場景的探索不斷拓寬，相關產品可謂比比皆是。不過，令人欣喜的是，近期終於成功推出了與支付相關的 MCP 工具，標誌着無論是個人開發者還是企業機構，都能夠更加高效地實現商業化落地與盈利模式的構建。最近也注意到又有一家新的智能體平台
昵稱 努力的小雨
回想起最初接觸雲開發的那段時間，我出於練手的目的，開發了一款基於 HTML 的簡易槍戰遊戲。當我滿懷期待地將其展示給玩家時，沒想到卻被一句點評當場“點醒”了：這不就是打地鼠的升級版嘛？雖然當時聽了有些哭笑不得，但不得不承認，這位玩家的評價確實一針見血，讓我意識到遊戲設計在玩法創新上的不足。 在那之後，我又親自重新體驗了一遍遊戲，結果不得不承認，那位玩家的評價確實中肯：玩法的確和“打地鼠”如出一轍。
昵稱 努力的小雨
Claude Code MCP 快速高效使用指南 概述 Model Context Protocol (MCP) 是一個開放協議，使大型語言模型能夠訪問外部工具和數據源。在 Claude Code 中，MCP 提供了標準化的方式來擴展 Claude 的功能，連接外部工具和服務。 基本配置命令 添加 MCP 服務器 基本語法： claude mcp add name command [args...
昵稱 Nickey103
如果你之前經常使用 vscode 的話，這篇文章會幫助你開始使用 AI 編輯器 kiro、cursor、trae 等，因為後者的配置和插件等都和 vscode 是共通的。甚至 kiro、cursor 等都是基於開源 vscode 的變種開發而來。 如果你是第一次使用類似 vscode 的編輯器，這篇文章也會幫到你，更快了解如何去安裝插件和修改配置。 以下教程都是以 kiro 為例，其他編輯器類似
昵稱 唯知為之
作為結構化推理的堅定支持者，我一度對MCP感到困惑：Agent和工具調用的概念早已普及，為何還需要MCP這樣的額外設計呢？本文就來深入探討MCP，看看它究竟解決了什麼問題。 我們將分幾章解析MCP：本章理清基礎概念和邏輯，後面我們直接以一個Agent為例演示全MCP接入的實現方案。 工具調用方式的演進 大模型調用工具的概念從ChatGPT亮相後就被提出，其表達形式經歷了三個階段演變： 1.
昵稱 風雨中的小七
簡介 MCP（全稱為Model Context Protocol，模型上下文協議）是一種面向大模型交互過程的通用上下文協議標準。其核心目標在於為模型構建一個結構化、可控、可擴展的語義執行環境，使語言模型能夠在統一的上下文管理體系下進行任務調度、工具調用、資源協作與狀態保持，從而突破傳統Prompt Engineering在多輪交互、指令組合與行為穩定性方面的瓶頸。 在傳統的大模型應用中，模型本身只
昵稱 花酒鋤作田
前言 很多文檔和博客都只介紹如何開發MCP Server，然後集成到VS Code或者Cursor等程序，很少涉及如何開發MCP Host和MCP Client。如果你想要在自己的服務中集成完整的MCP功能，光看這些是遠遠不夠的。所以本文及後續的MCP系列文章都會帶你深入瞭解如何開發MCP Client，讓你真正掌握這項技術。 準備開發環境 MCP官方SDK主要支持Python和TypeScrip
昵稱 花酒鋤作田
前言 之前的示例用的都是MCP的官方SDK（版本 1.14.0），簡單使用還是沒問題的，但對於Sampling、Elicitation這些相對高級的功能，官方沒有提供Demo，而且因為比較新，網上也沒搜到能用的案例。以我自己的水平折騰了一天也沒搗鼓出來。在翻mcp源碼時意外發現了其內置的FastMCP，順藤摸瓜找到了FastMCP的官網，在官方文檔中找到了相關用法。這裏我們就用FastMCP來實現
昵稱 花酒鋤作田
前言 在第一篇MCP文章中我們簡單介紹了Sampling： 採樣是工具與LLM交互以生成文本的機制。通過採樣，工具可以請求LLM生成文本內容，例如生成詩歌、文章或其他文本內容。採樣允許工具利用LLM的能力來創建內容，而不僅限於執行預定義的操作。 為什麼我們要在MCP Server通過Sampling方式調用Client的LLM，而不是MCP Server直接調用LLM呢？這背後其實有一套巧妙
昵稱 花酒鋤作田
前言 如果你之前接觸過LangGraph的"Human in the loop"概念，那麼理解MCP的Elicitation機制就會容易很多。這兩個功能非常相似，都是讓AI在需要時停下來，禮貌地向人類尋求幫助或確認。 想象一下，當你正在和朋友聊天，突然他問你："嘿，我該穿哪件襯衫去參加明天的聚會？"這時候你就會停下來思考，然後給出建議。Elicitation就是讓AI具備這種"求助"的能力。它允許
昵稱 花酒鋤作田