730字1 分钟

应用MCP(Model Context Protocol)以来，一直对其中的”Context：上下文”抱有疑问。🧐MCP作为大模型调用外部工具的标准化协议，和大模型本身的上下文能有什么关系？ “上下文”是什么 我们知道，大模型高度依赖历史对话、环境信息、用户偏好……那么这些因素其实都是“上下文”。 传统的大模型与外部工具/数据源的集成存在显著痛点: 每个模型与每个工具/数据源需要单独做适配 工具返回的数据无法被模型自然整合 安全问题 MCP的“使命”而MCP的使命正是让不同来源、格式的上下文能被标准化地提取、传输和注入大模型的推理过程中，避免了其上下文断裂或重复开发
263字1 分钟

工作时发自己写的python项目但没注意依赖库这个问题😶后来发现requirements.txt是个好玩意。于是记录在这里备忘一下方便copy： 以下命令已成功运行于Win11 VSCode Powershell 生成requirements.txt pip install pipreqs pipreqs ./ --encoding=utf8 --force 使用requirements.txtpip install -r requirements.txt
689字1 分钟

最近在用Obsidian搭建自己的知识库。工作学习以来长时间接受各方面大量信息，光靠生物脑容量已经不够用了😫 那么拓展Obsidian的更多功能，如编辑增强、交互优化、绘图工具和文献管理等等，大多都可以通过配置相应的插件来实现。 国内用PKMer Market安装就很舒适（非广！），两步走即可👇 访问PKMer_PKMer 插件主题市场 在其官网下载zip包后参考教程进行手动安装 参考👉此链接 我安装的第三方插件如下：(在设置->选项->第三方插件查看) Calendar(Beta) Dataview Diagrams Editing Toolbar Emoji
1.1k字1 分钟

这里假设你用A设备写Obsidian笔记，并想要在B设备上拉取笔记内容。参考链接 在A设备上1️⃣初始化本地Git仓库安装Git 官网下载 默认配置安装 打开命令行git bash here 在Obsidian仓库中初始化Git1. 进入你的本地Obsidian库文件夹 这里建议资源管理器跳转到对应目录，在地址栏直接输入cmd+回车打开终端即可。 cd /path/to/your/ObsidianVault 2. 初始化Git仓库 git init 2️⃣连接远程Github仓库在你的Github上创建新仓库1. 登录你的Github账号 2.
1.6k字1 分钟

在调用模型服务时需要配置对应平台的API Key，但直接将API Key硬编码在代码中是个非常危险且不推荐的行为！！！ 因此关于Python项目中API Key的几种导入方法，简单归个类👇（Windows11） 系统环境变量 (System Environment Variables) 终端命令 # cmd（需要管理员权限） setx XXX_API_KEY "your_api_key_here" /M # powershell（需要管理员权限） [Environment]::SetEnvironmentVariable("XXX_API_KE
1.2k字1 分钟

应用背景 你是否向大模型提问过：“现在几点了？”“我这里的天气怎么样？”的问题？那么它能够正确回答吗？ 目前来看——一般会回答错误。 当下，LLM的能力早已不局限于“文本生成”，而是能够通过外部工具的调用变得“手眼通天”：脱离原有的封闭环境，获得了与外部环境交互的能力。 相当于给大模型加上了手脚🧐 与外部环境交互通过MCP进行工具调用的规范化，通过A2A实现Agent与Agent之间交互的规范化。 Function Calling->MCP工具调用基于function calling实现并被广泛用于商业API交互，目前国产的主流LLM大多已支持。而Ahthropic推出的MCP（Mo
836字1 分钟

定义LangChain是一个用于开发由语言模型驱动的应用程序的框架。也就是可以将LLM、向量数据库、交互层prompt、外部知识和外部工具等整合到一起 六大组件LangChain的六大组件分别是： Model I/O Data Connection Chains Memory Agent Callback 1. Model I/O 模型输入输出 2. Data Connection 数据连接/增强 提供文档加载、转换、存储和查询数据的构建块。 3. Chains 链 多个LLM模型包装器或其他组件进行链式连接。 4. Memory 记忆 支持读取和写入
368字1 分钟

工作以来接触到了很多新知识，博客也拖了俩月没更了…😂今天开始慢慢补充案例！ 工作案例备忘 记录的文章会以【实战x-x】的方式作为开头。 1️⃣AIGC开发案例 直接应用 + API编排 文生文 文生图 文生视频 图生图 图生3D 2️⃣AI辅助编程 VSCode + 插件为主，编译器用的少 Cursor Trae Copilot Cline Lingma 3️⃣AI客户端 LLM服务商配置、MCP服务部署 Chatbox Cherry Studio DeepChat 个人案例备忘 记录的文章会以【笔记x-x】的方式作为开头。 待整理~😴
5k字5 分钟

🔆2025-04-16 优化Stable Difussion生成效果(接入DeepSeek-R1处理提示词)哇这里只加了一个功能流程中就出现很多bug😅待我慢慢梳理一下 问题引入上面说到对提示词进行优化，那么可以直接再引入一个文本生成模型来进行这个操作，那么整体的流程就变为： A[原始提示词] --> B(DeepSeek-R1优化)--> C[优化后提示词] 然后才是： C --> D(Stable Diffusion生成) D --> E[最终图像] 获取DeepSeek-R1 API和先前拿到Stable Diffusion是同一个方法：访问沐曦资源包-&