Python构建MCP 本地模型,实现小工具Agent
创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
Python内容推荐
Hermes Agent-龙虾界的爱马仕(Python 源码附安装部署教程)
Hermes Agent-龙虾界的爱马仕核心能力: 1. 持续学习 + 闭环进化 自动记录执行经验 生成可复用 Skills 持续优化流程 用得越久越懂你 2. 技能系统(Skill Memory) 把经验沉淀为技能库 可复用、可迁移、可分享 类似 AI 的长期记忆 3. 工具能力 搜索 / 文件 / 终端 代码执行 图像 / 语音 多步骤任务编排 4. 多平台 + 自动运行 Telegram / Discord / Slack / WhatsApp cron 定时任务 自动报告 / 监控 / 推送 关机也能持续运行 5. MCP 扩展 接入任意 MCP server 工具能力可无限扩展 多步骤任务可压缩执行 和传统 AI 区别 传统 AI:无状态,每次重置 Hermes Agent:有记忆 + 会积累 + 会进化 Hermes Agent 它不是工具,是一个会越用越强的 AI 系统。
python开发CAN工具
python开发CAN工具,连接CAN盒子,实现发送和接收
大模型Agent核心:MCP从入门到实践.pdf
大模型Agent核心:MCP从入门到实践.pdf
大模型学习:MCP、Agent与智能体[源码]
本文深入解析了大模型时代三个关键概念:智能体(Intelligent Agent)作为AI基础理论框架,强调感知、决策与行动的循环;Agent作为基于大语言模型(LLM)的自治执行体,能够解析任务、调用工具并返回结果;MCP(Model Context Protocol)则是标准化协议,解决Agent安全调用外部资源的痛点。三者形成分层架构:理论框架→实现实例→交互协议,帮助开发者建立清晰的架构认识。文章还探讨了三者的应用前景,如企业API封装、研发协作与安全管控,并提供了学习大模型AI的路径与资源。
MCP构建天气查询Agent[可运行源码]
本文详细介绍了如何借助模型上下文协议(MCP)构建一个具有天气查询功能的Agent。首先,作者讲解了环境配置步骤,包括使用uv工具创建项目、安装依赖等。接着,详细说明了如何构建天气服务器,包括导入必要的包、设置MCP服务器、添加帮助函数和执行处理模块。然后,作者分享了在Claude桌面版中配置天气查询服务器的过程,并指出了可能遇到的问题及解决方案。最后,文章介绍了如何改进天气服务器代码,使用和风天气API实现天气查询功能。整个过程展示了通过Python SDK构建个性化服务的完整流程,为读者提供了实用的技术参考。
MCP全解析:借助第三方MCP Server开发Agent.pdf
MCP全解析:借助第三方MCP Server开发Agent.pdf
大模型Agent开发实战课[项目源码]
2025年12月班大模型Agent智能体开发实战课程,涵盖100+小时的大模型体系课程,内容涉及Agent开发、RAG、LangChain 1.0、DeepSeek、MoE、微调、蒸馏等技术。课程分为四个阶段:阶段一讲解全球顶尖大模型的部署与调用方法;阶段二专注于微调与蒸馏垂域专属大模型实战,包括数据集获取、PEFT微调和高级微调技术;阶段三介绍大模型RAG搭建高性能问答系统,包括Embedding模型与词向量数据库应用;阶段四深入MCP技术全体系实战,包括MCP入门、Python SDK集成及LangChain与LangGraph的应用。适合AI技术爱好者、开发者及希望进入大厂的学习者。
【AI Agent开发】AI Agent 开发新范式 MCP 从入门到多场景全链路实战
内容概要:本文系统性地介绍了MCP(Memory-Centric Planning,记忆中心化规划)范式的核心概念、技术架构和开发流程。MCP范式旨在解决传统AI Agent(规则驱动型和数据驱动型)在灵活性、规划能力和场景适应性方面的不足。它通过将长期记忆和短期记忆结合,实现实时推理和策略调整,并采用模块化架构(感知、记忆、规划、执行)。文章详细讲解了基于Python的MCP开发入门,包括搭建记忆模块、构建规划模块和整合执行闭环。最后,通过智能客服、自动驾驶和金融分析三个行业的实战案例,展示了MCP范式在多场景下的应用效果和优势,如用户满意度提升、行驶安全性和收益率提高等。; 适合人群:对AI Agent开发感兴趣的初学者以及有一定编程基础的研发人员。; 使用场景及目标:①理解MCP范式的原理和优势;②掌握基于Python构建MCP Agent的具体步骤;③学习MCP范式在不同行业场景中的应用实践。; 其他说明:本文不仅提供了理论知识,还结合实际案例进行讲解,建议读者跟随文中提供的代码示例进行实践操作,以便更好地理解和掌握MCP范式的开发方法。
基于MCP协议的Agent demo
基于 FastAPI 与 FastMCP 构建的智能 KPI Dashboard 服务端。 支持本地数据分析与智能体交互,适用于企业运营、业务监控、智能分析等场景。
Agent+MCP+Skill构建数仓查询[项目代码]
本文介绍了如何利用Agent、MCP(Model Context Protocol)和Skill技术组合,构建数仓全链路口径查询的自动化解决方案。传统数据团队在回答指标计算口径问题时,需要人工翻查SQL代码、调度依赖和文档,效率低下。通过Agent接收自然语言查询,MCP Server将数仓基础设施能力标准化为Tool,Skill编排多步查询流程,实现了从人工服务到Agent自助服务的转变。文章详细拆解了架构设计、MCP Tool实现、Skill编排及上线路径,展示了如何自动化处理指标口径查询、血缘追溯和差异对比等复杂场景,最终提升数据团队效率。
人工智能基于LangGraph与MCP协议的智能体开发技术指南:国产大模型驱动的AI Agent构建与RAG系统实现
内容概要:本文《智能体(AI+Agent)开发指南》系统介绍了AI智能体的基本概念、核心能力与开发实践。内容涵盖AI Agent与传统AI的区别、LLM驱动的智能体工作循环、三大关键能力(记忆调整、工具使用、任务规划),并通过LangGraph、MCP协议、ReAct模式等技术框架演示了从零构建智能体的完整流程。进阶部分深入讲解了任务分解、多计划选择、检索增强生成(RAG)、CodeAct代码执行模式及Plan-and-Solve架构,并结合扣子(Coze)平台和LangChain工具链提供了低代码与代码级的开发案例,最后通过DeerFlow框架展示了多智能体协同研究系统的本地部署与应用。 适合人群:具备一定Python编程基础,对大模型应用开发感兴趣的初学者和1-3年经验的工程师,尤其适合希望在国内环境下快速实践AI Agent开发的技术人员。 使用场景及目标:①学习如何基于国产大模型和火山引擎构建无需翻墙的智能体系统;②掌握LangGraph、RAG、MCP等主流框架的集成与应用;③实现具备工具调用、任务规划、网络检索和代码执行能力的多功能AI助手;④通过扣子平台或本地部署方式完成从开发到发布的全流程实践。 阅读建议:建议结合代码示例动手实践,优先运行Hello World级别的Agent,再逐步深入RAG、MCP和多Agent协作等复杂场景。注意API密钥配置与环境依赖安装,推荐使用可视化平台(如扣子)与本地代码开发相结合的方式提升学习效率。
大模型实战系列-08 开发一个基于 MCP 协议的多 Agent 协作系统
一个基于 MCP 协议的多 Agent 协作系统。这个系统将能够接收用户问题,并协调多个 Agent 协作完成任务,例如研究、撰写、审核和润色。我们还将实现失败重试、gRPC 通信和任务队列持久化。
AI Agent技术栈落地手册[项目源码]
本文系统介绍了AI Agent从轻量级原型到企业级部署的完整技术栈,涵盖基础概念、本地推理工具、完整架构设计及两种典型落地方案。文章首先解析AI Agent的感知-认知-记忆-行动核心模块,对比Ollama、vLLM等推理工具适用场景;随后详细拆解六层架构体系(感知层/认知层/记忆层/行动层/编排层/基础设施层)的组件协作逻辑;最后提供轻量级(Ollama+LangChain)和生产级(vLLM+LangGraph)两套方案的代码实现,特别强调MCP协议在工具标准化对接中的关键作用。通过知识库集成、自定义工具开发等实战案例,帮助开发者根据业务场景选择合适的技术路径,实现从实验原型到商业部署的平滑过渡。
Agent学习笔记(二)-工具调用篇之MCP
大模型服务代理、 Cline系统提示词、交互日志等
专为 AI Agent 打造的瑞数防爬流量净化 MCP 工具 _ An MCP Tool for AI Agents to .zip
A股量化交易数据库; 专注A股,专注量化,向阳而生; 开放、纯净、持续、为Ai(爱)发电。为个人量化交易而生,保卫3000点,珍惜底部机会......【股票数据,股票行情数据,股票量化数据,股票交易数据,k线行情数据,股票概念数据,股票数据接口,行情数据接口,量化交…
Windows-MCP与Gemini CLI集成指南[代码]
本文详细介绍了如何将Windows-MCP与Gemini CLI集成,以实现AI Agent对Windows系统的直接操作。Windows-MCP是一个轻量级、开源的AI Agent与Windows系统集成工具,支持文件浏览、应用控制、UI交互等功能。文章首先概述了Windows-MCP的核心功能和技术原理,包括其无缝Windows集成、支持任意LLM、丰富的UI自动化工具集等特点。接着,提供了详细的步骤指南,包括创建MCP环境、下载Windows-MCP、安装依赖、部署Gemini CLI、设置Gemini内容以及登录Gemini等。通过这些步骤,用户可以轻松完成Windows-MCP与Gemini CLI的集成,从而利用AI Agent进行Windows系统的自动化操作。
基于仓颉编程语言构建的 LLM Agent DSL
Cangjie Magic 是一个面向 LLM Agent 应用开发的仓颉原生框架。它把 Agent 定义、提示词、工具调用、模型接入、RAG、多 Agent 协作和 MCP 集成封装为仓颉 DSL 与运行时 API,帮助开发者用更少样板代码构建可执行、可组合、可扩展的智能应用。
LangGraph Agent 与 MCP Server 集成,实现AI智能聊天机器人项目.zip
本项目为Generative Agents项目的重构+深度汉化版本,旨在为中文用户提供一个利于维护的基础版本,以便后续实验或功能拓展。
MCP实战:国家统计局数据查询Server开发[源码]
本文详细介绍了如何构建一个自定义MCP服务器,用于封装国家统计局API的复杂性,使其能够被AI Agent直接调用。文章从AI查询数据的困境入手,分析了当前AI应用的三种主流使用方式,重点阐述了AI Agent的概念及其工具调用机制。随后对比了两种让模型使用API的方案:提示词硬塞和MCP Server,并指出后者是正确方式。文章深入剖析了国家统计局API的四个主要难点(参数编码、指标树遍历、时间戳校验、响应解析),并提供了完整的Python实现方案,包括环境准备、代码结构和工具定义。最后详细说明了如何将MCP Server发布到npm、PyPI和Smithery平台,使其能够被各种AI平台(如Claude Desktop、Cursor、OpenClaw等)直接调用。
构建智能Web AI Agent指南[源码]
本文详细介绍了如何使用Python的FastAPI、LangGraph和MCP三件套构建一个真正的智能Web AI Agent,使其不仅能理解用户意图,还能调用工具、执行多步骤任务。文章从传统LLM的局限性出发,引出AI Agent的核心能力:状态记忆、工具调用、自主决策和多步骤执行。项目采用分层架构:FastAPI处理HTTP请求,LangGraph定义Agent工作流和决策逻辑,MCP提供外部工具能力,LLM负责核心推理。文中展示了完整的代码实现,包括FastAPI应用初始化、配置管理、Agent状态定义、工作流图构建(采用ReAct模式)、工具系统(计算器、时间查询等)、多LLM供应商支持以及API端点设计。通过实战演示,展示了Agent如何完成数学计算和复合时间查询任务。此外,文章还提供了生产级增强建议,如持久化存储、速率限制、监控追踪,以及常见问题调试技巧,如防止死循环、记录思考过程、提高工具调用准确性。最后,文章强调了该架构的模块化设计价值,并提供了AI大模型学习路线和资料,帮助读者快速入门AI应用开发。
最新推荐


