有没有python版本的,deepseek配置使用MCP
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
计算机设计大赛国奖作品;维谷云途-基于大模型可视化驱动的智能择业决策助手+python源码+演示视频
<项目介绍> 运行条件: 首先在本地下载ollama,模型是deepseek-r1:1.5b和llama3.2:latest。 第二步再本地下载anything llm 使用deepseek作为思考端,llm作为回答端根据项目中的execl文件训练模型。参考官方的api调用文档进行模型调用。 第三步下载liv2d的web包(项目中已有了),可以自行改变数字人-但需要改包 运行教程: 首先再终端打开china-3d-map1目录,再这个目录下cmd。输入npm run dev 然后再进入下层的server目录,再这个目录下cmd。输入node index.js 然后使用vs code(pycharm也行)运行china-3d-map1下的app.py;再运行server文件夹下的route_planning_server.py;再运行flask——可视化\flask——可视化目录下的app1.py;然后在运行mcp_baidu文件夹下的baidu_map.py;再运行ai面试(语音)\视频和语音文件夹下的app.py。 完成上述的操作就可以使用完整的项目功能。语言识别和语言播报api到期后需 - 不懂运行,下载完可以私聊问,可远程教学 该资源内项目源码是个人的参赛作品,代码都测试ok,都是运行成功后才上传资源,放心下载使用! 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用! 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习,也适合小白学习进阶,当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行,也可在此代码基础上进行修改,以实现其他功能,也可用于毕设、课设、作业等。 下载后请首先打开README.md文件(如有),仅供学习参考, 切勿用于商业用途。
基于DeepSeek-V3开发天气查询智能体[代码]
本文详细介绍了如何在Ubuntu24.04系统下,基于miniconda环境,利用DeepSeek-V3大模型和MCP技术开发一个天气查询智能体。内容包括从创建虚拟环境、安装相关包、申请DeepSeek和OpenWeather的API Key,到配置环境文件、编写Server端和Client端代码,最后进行测试的全过程。Server端代码负责从OpenWeather API获取天气数据并格式化输出,Client端代码则通过MCP调用DeepSeek在线模型,实现天气查询功能。测试结果表明,该系统能够成功查询并返回指定城市的天气信息。
面向 DeepSeek V4 的终端原生编程智能体:100 万 token 上下文、思考模式流式推理、前缀缓存感知 自包含 Rust 二进制发布-开箱即带 MCP 客户端、沙箱和持久化任务队列
DeepSeek-TUI 是完全运行在终端中的编程智能体,专为 DeepSeek V4 系列模型(deepseek-v4-pro / deepseek-v4-flash)原生设计。工具将 DeepSeek 的 1M token 超长上下文窗口与思考模式直接接入开发者工作区,支持文件读写、Shell 命令执行、Git 管理、网页搜索、子智能体调度等全栈操作,全部通过键盘驱动的 TUI 界面完成。
AI一键文献综述 · AI一键搜文献 · AI笔记管理 · 原生GPT直连 · MCP协议 · 支持Zotero 7_8_9 |.zip
调用大模型,自动精读论文库里的论文,总结为Zotero笔记。支持主流大模型平台!您只需像往常一样把文献丢进 Zotero, 管家会自动帮您精读论文,将文章揉碎了总结为笔记,让您“十分钟完全了解”这篇论文!
AI Agent多工具脚手架-GitHub开源资源精选合集
从GitHub精选5个高质量AI Agent开源仓库,覆盖从零构建、多工具调用、MCP协议集成到生产部署的全链路。含FlyAIBox/Agent_In_Action(6个完整项目)、LightAgent(轻量框架)、OpenAI Agents SDK等。每个仓库附Stars数、核心功能、适用场景和直达链接。
LangChain集成DeepSeek实现MCP调用[源码]
本文详细介绍了如何通过LangChain框架实现Model Context Protocol(MCP)调用,并集成DeepSeek大模型完成整个流程。MCP是一种标准化协议,类似于通用接口,使AI模型能够轻松连接外部数据源和工具,解决数据孤岛问题。文章首先解释了MCP的定义、架构及其重要性,随后提供了实现MCP调用的具体步骤,包括Python环境的准备、依赖包的安装、MCP Server和Client的开发,以及最终的运行测试。通过一个简单的算术计算器示例,展示了如何利用MCP协议进行AI模型与外部工具的交互,并提供了完整的Python代码示例。
LangChain多MCP调用实现[项目代码]
本文详细介绍了如何利用LangChain和DeepSeek实现多个MCP(Model Context Protocol)服务的调用。首先,文章回顾了之前关于自定义MCP Server的开发,并在此基础上进一步深化,展示了如何创建两个不同的MCP Server:一个用于算术计算,另一个用于天气预报。接着,文章详细说明了如何通过LangGraph的预定义代理模板和DeepSeek大模型来实现MCP Client的调用流程,并提供了完整的Python代码示例。此外,文章还解释了MCP的基本概念和架构,包括MCP Host、MCP Client和MCP Server的作用,以及如何通过标准化接口实现AI应用与外部数据源的统一交互。最后,文章提供了运行测试的步骤和在线体验平台的链接,帮助读者更好地理解和实践这一技术。
【智能客服系统】基于Dify+DeepSeek+MCP的企业级智能客服流水线设计与实现:零代码构建多意图精准路由系统
内容概要:本文介绍了如何使用Dify、DeepSeek和MCP协议构建企业级智能客服系统,支持订单查询、物流跟踪、退款申请等多意图精准路由,响应速度仅需0.5秒。系统架构包括Dify路由引擎进行意图识别与分类,DeepSeek处理响应生成,以及通过MCP协议与订单、物流、支付等系统对接。环境准备涉及API密钥配置和Python环境搭建,具体实现包括MCP服务器配置、Flask应用开发,以及Dify工作流配置。最后,文章还探讨了多轮对话支持、智能路由优化、服务质量监控和知识库集成等进阶功能,并提供了性能优化方案如缓存策略、异步处理和负载均衡。 适合人群:对智能客服系统有兴趣的技术人员,特别是具备一定Python编程基础和API集成经验的研发人员。 使用场景及目标:①快速构建企业级智能客服系统,实现自动化、智能化的客户服务;②提高客户服务效率,缩短平均响应时间,提升问题解决率;③降低人力成本,优化客户服务资源配置。 阅读建议:本文不仅介绍了系统的搭建步骤和技术细节,还涵盖了性能优化和进阶功能的实现,建议读者在实践中逐步理解和掌握各个组件的工作原理,并结合实际业务需求进行调整和优化。
starzzzzzzzzzzzzzz_mcp-tools-research_188684_1768306015371.zip
starzzzzzzzzzzzzzz_mcp-tools-research_188684_1768306015371.zip
Model Context Protocol (MCP) 编程快速入门指南
资源下载链接为: https://pan.xunlei.com/s/VOYmptbT09DCAEz6_tvikldlA1?pwd=fpxb 模型上下文协议(MCP)是开源协议,能让大语言模型(LLM)便捷连接各类数据源与工具,像AI应用的USB-C接口。其核心功能有Resources(资源)、Prompts(提示词)、Tools(工具)等,本文聚焦“工具”,传输层以常用的stdio为例,用Python 3.11和uv管理项目。 用虚拟环境启动脚本,用工具管理环境变量,编写类,实现初始化MCP服务器session、调用服务器方法处理与DeepSeek交互、循环提问及退出关闭session等功能,还可参考官方案例连接多服务器。 将MCP服务用SSE协议改写,测试后通过阿里云函数计算部署,选择运行环境、上传代码、配置依赖层,部署成功后获取URL,可在多平台使用,报错可查日志修复。
本地大模型及知识库实现[代码]
本文详细介绍了如何在Windows环境下通过OpenCode、LM Studio、Obsidian等工具实现本地大模型及知识库的完整方案。方案涵盖了架构设计、核心组件功能、数据流交互机理、详细安装配置步骤、MCP协议集成、知识库RAG实现等多个方面。重点突出了OpenCode模型无关的特性,以及Windows环境下的具体配置路径和性能优化建议。该方案构建了一个纯本地运行的个人AI知识库系统,由四个核心组件协同运作,包括外部依赖、数据层、推理层、集成与编排层和用户交互层。同时提供了多种RAG实现方案对比和选择建议,以及Windows特定适配和故障排查速查表。
AI生成游戏程序架构[源码]
本文详细介绍了利用AI技术一键生成游戏程序的架构设计。该方案采用分层架构,包括前端层(VSCode IDE和Cline插件)、AI智能层(DeepSeek大模型和Cline Agent引擎)、工具服务层(MCP Servers和本地工具集)以及执行环境层(Python/Node.js运行时和游戏引擎依赖)。文章详细描述了从初始化阶段到请求处理、代码生成与执行、迭代优化阶段的完整工作流程,并提供了技术细节如Cline Agent内部机制、MCP Server工作流程、成本优化策略等。最后,通过生成贪吃蛇游戏的完整示例展示了该架构的实际应用效果,并总结了其低成本、高效率、易扩展和学习友好的核心优势。
mcp2everything_PID-agent_29648_1770210524161.zip
mcp2everything_PID-agent_29648_1770210524161.zip
人工智能基于MCP协议的Open WebUI多模型集成平台:统一AI代理交互接口设计与应用
内容概要:本文介绍了在GitHub上爆火的开源项目Open WebUI MCP,其核心是模型上下文协议(MCP),旨在标准化大语言模型(LLM)与外部数据源、工具之间的交互,被称为AI领域的“USB-C”接口。Open WebUI作为轻量级多模型AI统一管理界面,支持DeepSeek、Qwen、GPT-4等多种本地或云端模型,并通过插件机制扩展功能,如数据库调用、浏览器自动化等。二者结合实现了AI工具的“即插即用”,大幅降低集成难度,提升开发效率。文章详细讲解了项目的部署步骤,涵盖环境准备、代码克隆、依赖安装、配置调整及服务启动,并展示了其在企业智能客服和个人智能助手等场景的应用价值,最后提供了常见问题的解决方案。; 适合人群:具备一定编程基础,熟悉Python和前端开发,工作1-3年的AI开发者或技术爱好者;也适合希望快速构建多模型AI应用的企业技术人员。; 使用场景及目标:①实现多种大模型的统一接入与管理;②快速集成数据库、API、文件系统等外部资源;③构建企业级智能客服、个人智能助手等AI代理应用;④探索MCP协议在AI工程化中的实践路径; 阅读建议:此资源以实战为导向,建议读者在本地环境中跟随部署教程动手操作,结合应用场景深入理解MCP协议的设计思想,并积极参与社区插件开发与优化,以充分发挥Open WebUI MCP的潜力。
Just Prompt:为 OpenAI、Anthropic 等顶级 LLM 提供商提供统一接口的 MCP 服务器
资源下载链接为: https://pan.xunlei.com/s/VOYoyuT29PgZsRofkjwKIUygA1?pwd=k6ut Just Prompt-LLM提供商的轻量级MCP服务器,是一款模型控制协议(MCP)服务器,能为OpenAI、Anthropic、Google Gemini、Groq、DeepSeek、Ollama等各类大型语言模型(LLM)提供商提供统一接口。 工具服务器包含以下MCP工具: 该工具还具备以下功能:为多个LLM提供商提供统一API支持,可并行运行字符串或文件的文本提示对应的多个模型,用列表首个模型自动更正模型名称,能将响应保存到文件,方便列出可用提供商和模型,可安装环境变量,支持创建含API键的文件(可复制文件后编辑添加API键,或在shell中导出)。 使用时,示例中需将目录替换为just-prompt目录路径。默认模型可自行设置,若直接用存储库中的Claude Code,可在.mcp.json文件查看默认模型,该参数用于未明确提供给API端点时,列表首个模型还可用于更正模型名称,支持逗号分隔的模型列表。启动服务器后,会自动检查环境中可用的API键,告知可用提供商;缺少密钥的提供商列为不可用,但服务器仍启动,可与可用提供商配合使用。 针对特定模型的设置: 相关资源:Anthropic模型列表文档、Google Gemini Python SDK、OpenAI模型列表文档、DeepSeek模型列表文档、Ollama Python SDK、OpenAI Python SDK。还可学习人工智能编码基础原理,关注相关频道获取AI编码技巧。
基于MCP协议实现自然语言交互的智能汽车控制系统_支持启动停止加速刹车转向五大核心动作的汽车控制平台_通过WebSocket实时通信技术集成DeepSeekAI模型进行自然语言处理.zip
基于MCP协议实现自然语言交互的智能汽车控制系统_支持启动停止加速刹车转向五大核心动作的汽车控制平台_通过WebSocket实时通信技术集成DeepSeekAI模型进行自然语言处理.zip
Cherry替代Manus实现AI数据分析[项目代码]
本文介绍了如何使用Cherry Studio替代Manus,通过调用多个MCP(如Excel-mcp-server、Sequential thinking、QuickChart-MCP-Server和File system)在本地处理Excel数据并生成可视化报告。文章详细说明了MCP的安装和配置过程,以及如何利用Cherry Studio的对话功能和大模型(如Gemini 2.5 pro、claude3.5、grok3、deepseek v3)进行数据分析。此外,还介绍了Cherry Studio的Python运行能力及其局限性。尽管该方法适用于小数据量场景,但通过实践可以加深对AI工具的理解和掌控。
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渗透测试组合[代码]
本文详细介绍了如何搭建HexStrike、DeepSeek和Cherry Studio的组合,以实现自动化渗透测试。HexStrike是一个开源的AI驱动渗透测试框架,集成了150多种安全工具,并通过MCP协议暴露给大模型,使得LLM可以像调用插件一样指挥这些工具。DeepSeek提供了强大的API支持,而Cherry Studio则是一个可视化任务编排平台,内置了主流工具的快速接入接口。文章从环境准备开始,逐步指导读者完成HexStrike的部署、DeepSeek API的获取、Python环境的安装以及Cherry Studio的搭建,最后展示了如何将三者联动起来,形成一个强大的AI渗透助手。
适配 LLM/GenAI 模型与 MCP UE5 服务器的虚幻引擎插件,支持克劳德桌面应用、Windsurf、Cursor 及 OpenAI 的 GPT 系列
资源下载链接为: https://pan.xunlei.com/s/VOYywgTfV-5gzynsj8na0bbsA1?pwd=xayz 虚幻引擎生成AI支持插件采用MIT许可证,可助力开发者聚焦游戏开发,无需顾虑LLM/GenAI集成层,还计划围绕插件构建社区并提供长期支持(LTS)。 目前该插件已集成模型控制协议(MCP)到虚幻引擎5.5,支持OpenAI的GPT-4o、Deepseek R1、Claude Sonnet 4等模型,适用于虚幻引擎5.1及以上版本,后续还将添加实时API、Gemini等。它专注于对游戏开发、评估和交互体验有用的API,也能用于设置新的评估和比较游戏战场中模型的方法。 需注意,该插件仍在快速开发,不可用于生产环境,使用时也需做好版本控制。若需生产就绪、功能更多且稳定性有保障的插件,可查看Gen AI Pro插件;若用于包括Claude生成场景对象、控制变换和材质等常见用例,此插件可免费长期使用,当前正修复MCP(尤其节点生成)问题并增加功能。 API支持方面,OpenAI的Chat API、多种模型、结构化输出等已支持,DALL-E API等专业版功能待启用;Anthropic Claude的Chat API及多种模型已支持,多模式/视觉API等专业版功能待启用;XAI(Grok 3)的聊天完成API及多种模型已支持,推理API等专业版功能待启用;Google Gemini的部分专业版API待启用;Meta AI、百度相关API暂不支持;Deepseek的Chat API等已支持,部分功能暂不支持;StabilityAI的TripoSR等3D生成模型API有相关支持。 插件还具备版本控制、轻量级(无外部依赖)、部分测试(专业版测试更全面)等特性,在虚幻MCP、蓝图生成、场景控制、生成式AI、Python脚本运行、项目文件操作等方面有相应功
最新推荐


