Hugging Face刚刚开源了一个MCP全面指南~

于 2025-05-16 14:49:30 发布
阅读量694 收藏 28
点赞数 9
文章标签： 知识图谱 人工智能 java 前端 数据库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_59164304/article/details/148006882
版权

Hugging Face 刚刚推出了 MCP 课程，其中包含需要了解的关于模型上下文协议及其使用方法的一切！
完全免费且开源的课程！从理解 MCP 是什么到连接 LLM，再到部署自己的 MCP 服务器！

img

该课程由以下部分组成：

  • *基础单元：*从理论上学习 MCP概念。
  • 实践：将学习如何使用成熟的 MCP SDK构建应用程序。这些实践部分将提供预先配置的环境。
  • 用例分配：将在其中应用所学的概念来解决您选择的实际问题。
  • 合作：正在与 Hugging Face 的合作伙伴合作，提供最新的 MCP 实施和工具。

无 MCP（M×N 问题）

如果没有像 MCP 这样的协议，开发人员将需要创建 M×N 个自定义集成——每个集成对应一个 AI 应用程序和外部功能的可能配对。

无 MCP

每个 AI 应用程序都需要单独与各个工具/数据源集成。这是一个非常复杂且昂贵的过程，会给开发人员带来诸多不便，维护成本也很高。

使用 MCP（M+N ）

MCP 通过提供标准接口将其转化为 M+N 问题：每个 AI 应用只需实现一次 MCP 客户端，每个工具/数据源只需实现一次服务端。这大大降低了集成复杂性和维护负担。

使用 MCP

每个AI应用实现一次MCP的客户端，每个工具/数据源实现一次服务器端。

主机、客户端和服务器

模型上下文协议 (MCP) 建立在客户端-服务器架构上，可实现 AI 模型与外部系统之间的结构化通信。

MCP 架构

MCP 架构由三个主要组件组成，每个组件都有明确的角色和职责：主机、客户端和服务器。

这些功能如何协同工作以实现复杂的交互。下表概述了这些功能、控制者、控制方向以及其他一些细节。

img

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

Qwen3全面解析：阿里巴巴新一代开源大模型入门指南
Ven%的博客
05-12 432
Qwen3的发布标志着开源大模型进入了一个新阶段。其创新的混合推理架构、卓越的性能表现和亲民的部署成本，使尖端AI技术变得前所未有的可及。无论是个人开发者、初创企业还是大型机构，都能从Qwen3的生态中找到适合自己的解决方案。对于AI新手而言，Qwen3提供了绝佳的学习和实践平台。从在线体验到本地部署，从简单对话到复杂应用开发，Qwen3的全尺寸矩阵和丰富工具链将陪伴您在AI领域的每一步成长。现在就开始您的Qwen3之旅，探索人工智能的无限可能吧！
AIGC 领域 MCP 模型上下文协议：与人工智能的协同发展
最新发布
AI天才研究院
04-29 722
在人工智能生成内容（AIGC）领域，随着技术的不断发展，模型的能力和复杂度也在不断提升。然而，如何更好地管理模型与用户之间的交互上下文，以实现更加智能、高效和连贯的对话与内容生成，成为了一个关键问题。MCP 模型上下文协议正是为了解决这一问题而提出的。本文章的目的在于深入剖析 AIGC 领域 MCP 模型上下文协议的原理、架构和应用，探讨其与人工智能协同发展的潜力和挑战。范围涵盖了 MCP 模型上下文协议的核心概念、算法原理、数学模型、项目实战、实际应用场景以及相关的工具和资源推荐等方面。背景介绍。
DeepSeek + Python 提效测试用例生成落地
weixin_44872675的博客
02-05 3829
通过 DeepSeek 结合自动化测试工具（如 Selenium 或 pytest），将生成的测试用例转化为自动化测试脚本。结合 DeepSeek 的语义分析功能，检查测试用例是否覆盖所有需求，并补充遗漏的测试场景。构建统一的测试用例库，支持整个团队通过 DeepSeek 查询和复用测试用例，减少重复劳动。的能力扩展到测试用例生成场景，并探讨具体的落地实践和可扩展的应用场景。将测试用例与历史缺陷关联，生成针对性用例，确保修复的缺陷不会再次出现。通过关键词提取和语义分析，解析需求文档中的重要信息。
TensorFlow相关组件的安装
AAI666666的博客
01-11 2679
TensorFlow相关组件的安装
62页PPT，初步看懂人工智能！
数据中心运维管理
08-08 1318
来源：鲜枣课堂
23张PPT搞懂DeepSeek核心技术！
QcloudCommunity的博客
02-12 1760
DeepSeek 作为AI 大模型其中的佼佼者，各种突破与创新不断涌现，正引领着人工智能发展的新方向；本文以 PPT 式风格直观呈现技术精髓，深入揭秘 DeepSeek 核心技术。关注腾讯云开发者，一手技术干货提前解锁????今晚7:30还有腾讯云工程师还将现场演示教你 DeepSeek 丝滑部署的 N 种方式，记得预约直播！????DeepSeek 核心技术大揭秘，以 “PPT 式风格” 更好地展现核心技术...
mcp开源代码
04-03
由 Atai Barkai 创建的《Open MCP Client》是一个显著降低 MCP 协议应用门槛的开源项目[^3]。该项目通过提供极简集成的方式，使得开发者能够快速上手并实现功能扩展。其官方代码仓库位于以下地址： ```plaintext ...
大模型上下文协议MCP详解（1）—技术架构与核心机制
谷哥的小弟
04-11 1271
MCP（Model Context Protocol，模型上下文协议）是由Anthropic公司于2024年11月推出的开放标准协议。它旨在解决AI大模型与外部工具、数据源及API之间的标准化交互问题，为AI智能体提供类似“万能插头”的统一接口，简化复杂集成流程，推动AI生态的互操作性和可扩展性。具体而言，其目标是打破AI系统与数据之间的孤岛状态，让模型能够更高效、更安全地获取上下文信息，从而生成更准确、更相关的回答。
人工智能 MCP 与 A2A 协议技术分析
04-14 1166
（基于 Google A2A 官方文档及行业实践）A2A（Agent-to-Agent Protocol）：定位：由 Google 主导的开源协议，专注于解决 AI 代理之间的通信与协作 问题。目标：为不同框架、供应商开发的代理提供标准化交互方式，支持任务分发、状态同步与多模态通信。核心场景：多代理协同完成复杂任务（如跨系统数据整合、流程自动化）。MCP（Model Context Protocol）：定位：由 Anthropic 提出的开放协议，旨在实现 AI 代理与外部工具及资源的连接。目标：通过结构化
阿里研究院：2024大模型训练数据白皮书.pdf
06-30
《阿里研究院：2024大模型训练数据白皮书》是一份全面分析大模型训练数据领域现状、挑战和未来发展的报告。报告深入探讨了训练数据的来源、质量、标注、安全以及隐私保护等方面，为大模型训练提供了丰富的数据洞察和策略建议。该白皮书不仅总结了当前大模型训练数据的应用现状，还预测了未来数据需求的趋势，并对数据安全和隐私保护提出了重要的思考。
余俊晖-多模态GraphRAG初探文档智能知识图谱大模型结合范式.pdf
04-05
DataFunSummit2025知识图谱峰会嘉宾演讲PPT合集
23张PPT详解DeepSeek核心技术：架构创新与行业应用进展
02-21
内容概要：这篇PPT文档详细介绍并解释了中国本土大语言模型DeepSeek的关键技术和应用前景。首先，概述了DeepSeek的独特特点，如内容token化、无自我意识及上下文长度限定等。接着深入探讨了DeepSeek的核心技术架构及其创新点，例如多模态深度Transformer和支持文本、代码、数学符号的统一理解，MoE（Mixture of Experts）架构以及多层级注意力机制MLR。文档中提到DeepSeek通过架构改进和技术优化实现了低成本训练及高性能推理，在金融、医疗等多个行业中得到了成功的应用。文档同时也分析了DeepSeek的优势——相较于其他国际领先的AI模型，具有更低廉的训练费用和较高的运行效能。文档的最后一部分内容介绍了高效使用DeepSeek的方法及应用场景案例，并指出它不仅能在复杂的工业环境中运用自如。 适合人群：有兴趣深入了解人工智能领域的研究人员和工程师；需要应用深度学习技术的企业和个人。 使用场景及目标：①想要快速了解最前沿的人工智能技术趋势和发展现状；②寻找能够应用于特定领域的先进大模型方案；③希望掌握利用大模型解决问题的有效途径和实践经验。
AI菜鸟向前飞 — LLM简介
2401_82469710的博客
05-11 1574
AI菜鸟向前飞 — LLM简介
2023大模型安全解决方案白皮书
12-06 1058
在当今迅速发展的数字化时代，人工智能技术正引领着科技创新的浪潮而其中的大模型技术则被视为人工智能的一大突破。大模型是指参数量巨大能力强大的人工神经网络模型，以其卓越的表现在自然语言处理、计算机视觉、语音识别等领域赢得了持续的关注和青睐。这些模型的出现，不仅在学术界引起了研究者们的广泛兴趣，也在商业应用领域带来了一系列创新和变革大模型技术的崛起，首要得益于深度学习的发展以及硬件计算能力的提升。深度学...
Dify 通过 API 调用 RAGFlow 外部知识库
NLP工程化
11-16 7881
本文使用 Dify v0.10.0+ 和 RAGFlow v0.12.0+ 版本（源码运行）。Dify 中的 RAG 一直被诟病，现在 Dify 提供了外部知识库 API，这样就可以连接到 Dify 之外的知识库并从中检索知识。第一个问题是 API 规范，包括接口格式、输入和输出参数等。第二个问题是哪些外部知识库支持该 API 呢？理论上讲只要支持 API 规范都是可行的。
Ubuntu开源本地化部署Dify+Ollama搭建智能体和工作流
zhangkai1992的专栏
01-01 1073
或者添加国内源,替换下面的URL为国内的镜像地址：：由于国内访问可能较慢，可以使用国内镜像提供的Docker GPG密钥。Docker国内镜像源全部失效的问题。本地寻找一份文件，然后上传。
hugging face开源llama
03-16
### Hugging Face 开源 Llama 模型的介绍、使用与下载 #### Llama 模型概述 Llama 是由 Meta 开发的一系列开源大型语言模型，旨在推动自然语言处理技术的发展。这些模型因其高性能和广泛的适用性而受到研究者和开发者的青睐。通过 Hugging Face 平台，开发者能够轻松访问并利用 Llama 系列模型进行各种任务，例如文本生成、翻译、问答等[^1]。 #### 下载方法 为了从 Hugging Face 平台上获取 Llama 模型至本地环境，有多种方式可供选择： - **使用 `huggingface-cli` 工具** 这是一种简单且高效的命令行工具，用于管理 Hugging Face 上的各种资源。以 Llama 3 模型为例，可以通过以下命令完成下载操作： ```bash huggingface-cli download llama/llama-3 ``` 此外，还可以运行 `huggingface-cli download --help` 来查看更多关于该功能的具体参数选项[^2]。 - **直接加载预训练模型** 如果希望在 Python 脚本中直接加载模型而不单独执行下载步骤，则可借助 Transformers 库实现这一目标。下面是一个简单的代码片段展示如何初始化 Llama 模型及其对应的分词器(tokenizer)： ```python from transformers import AutoTokenizer, AutoModelForCausalLM tokenizer = AutoTokenizer.from_pretrained("llama/llama-3") model = AutoModelForCausalLM.from_pretrained("llama/llama-3") ``` #### 微调指南 对于特定应用场景下的需求满足，可能需要对基础版本的 Llama 模型进一步调整优化。Hugging Face 提供了丰富的文档和支持材料帮助用户顺利完成此过程[^3]。具体而言，可以参考官方教程学习如何设置训练脚本以及配置超参数等内容。 #### 高效策略建议 针对可能出现的速度瓶颈或者网络不稳定等问题，在实际操作过程中推荐采用一些高级技巧提升整体效率。比如合理规划存储路径减少重复读写开销；充分利用缓存机制加快后续迭代速度等等[^4]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值