机器文摘 第 124 期
MCP 是什么?
最近 MCP 协议实在是太火了,它到底是什么?与智能体、LLM 到底是什么关系?
MCP(模型上下文协议):5 分钟简单解释,MCP,即模型上下文协议 ,本文将为您简化 MCP 的含义,向您展示如何使用它来提高工作效率,并解释其幕后工作原理。
简而言之,MCP 是一种可以让 LLM 大语言模型更轻松地与外部工具集成的方式。
默认情况下,当您与 Claude、ChatGPT 或 Cursor IDE 对话时,如果您要求它“从 Sentry 中提取最新错误并修复它们”,它将不知道您在说什么。同样,它也不知道如何做以下任何事情:
- 阅读 PM 提供的 PRD 并编写符合要求的测试
- 在 Slack 中阅读 #alerts 频道中的消息并进行调试
- 为你发现需要重构的一些代码创建 JIRA 票证
MCP 可让您完成所有这些工作。这是工程师可以遵循的标准协议,以向公众展示这些工具。
有两个关键组成部分:
- MCP 服务器: Sentry、Slack、JIRA、Gmail 等提供商围绕遵循 MCP 协议的 API 设置适配器 。任何工程师也可以开源自己的服务器!
- MCP 客户端: 您使用的各种客户端和应用程序(如 Cursor)知道如何使用“MCP 协议”进行通信。
MCP 编程极速入门中文教程
MCP-Chinese-Started-Guide,这有一份关于 MCP 的中文教程,作者一步步讲解了如何从开发 MCP 服务器,到调试 MCP 服务器,再到结合 DeepSeek + Cline 构建图文生成实例。
模型上下文协议(MCP)是一个创新的开源协议,它重新定义了大语言模型(LLM)与外部世界的互动方式。MCP 提供了一种标准化方法,使任意大语音模型能够轻松连接各种数据源和工具,实现信息的无缝访问和处理。MCP 就像是 AI 应用程序的 USB-C 接口,为 AI 模型提供了一种标准化的方式来连接不同的数据源和工具。
知识库增强语言模型
KBLaM,是微软最新推出的一种利用外部知识进行增强的新方法。与检索增强生成(RAG)不同,KBLaM 消除了外部检索模块;与上下文学习不同,它的计算开销与 KB 大小成线性关系,而不是二次关系。
KBLaM 相当于给AI配了个"活字典",解决了LLM高效整合外部知识的问题。
KBLaM可以随时更新,不用重新训练。它把外部知识转换成连续的键值向量对,直接嵌入到模型的注意力层中,从而实现隐式检索,当知识库更新时,只需要更新对应的键值对即可,无需重新训练整个模型。
这种方法比RAG更直接,不需要外部检索;比上下文学习更高效,可以处理更多知识;比微调更灵活,可以随时更新知识。
在线绘图板,但是可以做动画
Inscribed,可生成动画的在线绘图板。
功能特点:
- 🎨 由 Excalidraw 驱动的交互式绘图画布
- ⌨️ 支持键盘快捷键
- 📏 可自定义文档尺寸
- 🖼️ 图片导入和处理
- 🔤 集成 Google 字体
- 🎭 演示模式支持
- 📤 支持导出 GIF 动画
- 💾 数据导出/导入功能
- 🔗 支持通过 Gist 托管的 iframe 嵌入
开源音乐生成模型
Di♪♪Rhythm(中文名:谛韵),是第一个能够创作完整歌曲的开源基于扩散的音乐生成模型。
速度确实快,用base模型20s就能生成出来1m35s的音乐,需要16g显存。
以后写歌更方便了。
开源 B 站历史记录管理工具
BilibiliHistoryFetcher,这是一个B站历史记录管理工具,解决了B站历史记录只能保存最近几个月、无法复杂筛选、没有数据分析等痛点。它使用Python开发,采用SQLite数据库存储,支持视频下载、数据分析、AI摘要等功能
获取b站历史记录,保存到本地数据库,可下载对应视频及时存档,生成详细的年度总结,自动化任务部署到服务器实现自动同步,以及自动发送日志邮件。
AI 直接生成二进制可执行文件
ByteCraft,我们已经见多了AI生成文字、图像、视频,这个项目不太一样,是让AI直接生成可执行的二进制文件。
ByteCraft,是通过在 4 个 GPU 上对 7B 参数的LLM(Qwen2.5)进行微调,以 32K 的生成上下文长度训练了 4 个月,以生成基于文本描述的视频游戏和动画的二进制文件。
想象一下这样一个世界:你可以编写一个描述你想要的视频游戏或动画的提示,然后生成一个功能齐全的可执行文件。我们通过训练一个模型来生成视频游戏和动画的字节,首次尝试实现这个疯狂的目标!
阿里巴巴集团统一实验室制作的数字人模型
LHM,一个能从单张图像几秒钟重建出可动画化的3D数字人模型,支持实时渲染、姿态控制。
一张照片几秒钟创建出一个3D数字人,这个数字人可以做各种动作,效果看起来逼真,衣服、头发、面部等细节保持的很好。
订阅
这里会不定期分享我看到的有趣的内容(不一定是最新的,但是有意思),因为大部分都与机器有关,所以先叫它“机器文摘”吧。
Github仓库地址:https://github.com/sbabybird/MachineDigest
喜欢的朋友可以订阅关注:
- 通过微信公众号“从容地狂奔”订阅。