想多了解一点这个快速发展的世界，学习一下 AI 相关的知识。

工具篇

本地部署试过 Ollama + DeepSeek R1 32 b，19 年的英特尔芯片已经带不动了。

目前主要用的是 Cherry Studio + 字节方舟的 DeepSeek R1，主要是因为当时领了几十块钱的券~
但是腾讯元宝真的很方便，而且免费。
Web 端的话各种官网混用：腾讯元宝 、ChatGpt、Claude、通义千问。
编辑器的话，用的是Trae，之前用 Trae + Hugo 搭了一个摄影小站：

  • www.timelesslens.site

AI 名词

RAG

RAG 的全称是：Retrieval-Augmented Generation，翻译成中文是：检索增强生成。

简而言之就是让大语言模型（比如 ChatGPT）在“生成答案”之前，先去找资料（检索）来增强它的知识，再用这些资料来生成更准确的回答。

为什么需要RAG？

因为对于很多大语言模型来说，他的知识是基于历史数据训练出来的，比如GPT-4是截止到2023年的数据，而在这之后发生的所有的新的事件，新的数据，他都是不知道的，那么他的回答就会有这部分的局限性。

还有就是，很多大模型是基于公开的资料训练出来的，而很多私域的信息他是没有学习过的，而很多知识是私有的知识，这就需要通过资料的方式增强他原来不熟悉的知识。

所以，有了RAG之后，就可以基于自己的知识构建自己的知识库，这样就能做到知识的更新和迭代，也能弥补大模型不知道一些特性领域的专业知识的不足。这样就能让大模型的回答更加的准确， 减少幻觉的发生。

如何构建一个RAG？

1、前置准备

首先我们需要做数据准备，把你要用的资料收集好，比如：公司内部文档（PDF、Word、Markdown）、FAQ列表、产品手册等，然后清洗这些数据，比如去掉无关信息、切分成合理的小段。

然后把每一小段文本用Embedding模型转成向量，把这些向量存到向量数据库里，比如FAISS、Milvus等。

2、检索查询

当用户提问时，先用相同的Embedding模型把问题也转成向量。然后在向量数据库里用向量相似度搜索，找出最相关的几段资料（比如Top 5）。这些找到的内容就是上下文增强材料。

3、生成回答

紧接着，就可以把用户的问题 + 检索到的资料一起，作为Prompt发给大语言模型（LLM）。 这样可以保证模型只在资料范围内生成答案，降低幻觉。

MCP

MCP 的全称是 Model Context Protocol，下面是官网上的解释：

MCP is an open protocol that standardizes how applications provide context to LLMs. Think of MCP like a USB-C port for AI applications. Just as USB-C provides a standardized way to connect your devices to various peripherals and accessories, MCP provides a standardized way to connect AI models to different data sources and tools.

MCP全称是模型上下文协议（Model Context Protocol），由Anthropic在2024年11月推出。它本质上是大模型与外部世界连接的标准化接口，就像给大模型装了个万能插座。

MCP中有三个核心组件

  • MCP Hosts：如Claude Desktop或IDE（比如Cursor），作为AI应用的入口，发起数据请求。
  • MCP Servers：轻量级服务，负责对接具体数据源或工具（如GitHub API、本地文件系统），提供标准化接口。（一般是别人开发好的，你要用的工具）
  • MCP Clients：协议客户端，维护与服务器的连接并转发请求。

有了MCP之后，当用户提出一个问题时，就是大致下面的流程：

  • 客户端（Claude Desktop / Cursor）将你的问题发送给大模型（如Claude）。
  • Claude 分析可用的工具，并决定使用哪一个（或多个）。
  • 客户端通过 MCP Server 执行所选的工具。
  • 工具的执行结果被送回给 Claude。
  • Claude 结合执行结果构造最终的 prompt 并生成自然语言的回应。
  • 回应最终展示给用户

我让 DeepSeek 以生动形象的语言给我解释了一下 MCP，以下是它的回答：

用大白话解释，大模型中的 MCP 就像一个“万能插座”，让原本被困在知识牢笼里的 AI 大模型，突然长出了能连接现实世界的手脚。以下是生动解析：

🔌 1. 大模型原本是个“孤岛天才”

想象大模型是个满腹经纶的学者，但被关在没有窗户的房间里：

  • 知识是旧的：只能复述训练时学过的内容（比如不知道今天天气）；
  • 无法动手操作：知道“怎么发邮件”，但没法真的帮你发；
  • 数据隔离：你电脑里的文件、公司数据库，它都摸不着[citation:1][citation:7]。

💡 就像让厨师背熟菜谱却不给厨房——空有理论，做不出菜！

🛠️ 2. MCP 是给大模型配的“万能工具箱”

MCP（Model Context Protocol）是一套标准化接口协议，核心功能类似 “插座+适配器”：

  • 统一接口：所有外部工具（数据库、天气 API、微信、Excel）只要装上“MCP 插头”（即 MCP 服务器），就能被大模型即插即用[citation:4][citation:6]；
  • 双向通信：大模型能查数据（如“读销售报表”），也能执行操作（如“订会议室”）[citation:2]；
  • 本地安全防护：数据不用上传云端，直接在本地处理，像给插座加了保险开关[citation:1][citation:5]。

✅ 举个栗子：
你说：“把上周销售数据整理成图表，邮件发给老板。”
大模型通过 MCP 自动调用：
1️⃣ 数据库插件 → 拉取数据；
2️⃣ Python 插件 → 生成图表；
3️⃣ 邮箱插件 → 发送邮件。

⚙️ 3. 工作流程像“AI 指挥官”

  1. 你下指令：“导航去公司附近最火的川菜馆。”
  2. 大模型分析：需要调用地图工具 + 实时路况。
  3. MCP 客户端：找到“百度地图 MCP 服务器”（已装好插头）。
  4. 地图服务器：返回路线、排队时长、评分（数据不离开你手机）。
  5. 大模型整合：“推荐‘蜀香阁’，车程 15 分钟，当前不用排队哦！”。

🌟 关键突破：

  • 不用重复开发：每个工具只需一次适配 MCP，所有大模型都能用；
  • 动态扩展能力：装个“股票插件”，AI 立刻懂炒股；装个“Git 插件”，秒变编程助手[citation:4][citation:5]。

🚀 4. 实际效果：AI 从“嘴强王者”变身“全能助理”

  • 查私人数据：直接问“帮我找昨天写的年终总结 PPT”；
  • 操作跨平台工具：“订明早 9 点的机票，同步到日历并提醒小李”；
  • 实时响应：“现在美股苹果股价多少？” → 调用金融数据插件秒回[citation:2][citation:6]。

💡 一句话总结：
MCP 就是大模型的“手脚延伸器”——让 AI 走出虚拟牢笼，用标准化插座连接万物，从此能动手就别吵吵！

当前百度地图、高德、企业微信等均已支持 MCP，未来你的每一个操作指令，背后可能都是 MCP 在默默调度。

Agent

todo

SpringAI

todo