企业官网建设流程全解析

销售网站建设常遇到的问题,为什么进不了中国建设银行网站,wordpress搭建淘客,网站推广模式简介 本文介绍了9个基于MCP协议的AI应用实践项目#xff0c;包括本地MCP客户端、Agentic RAG系统、财务分析师、语音Agent等。这些项目展示了如何利用MCP连接各种工具和数据源#xff0c;构建本地化、功能强大的AI应用#xff0c;涵盖从数据处理到深度搜索的多个场景#…简介本文介绍了9个基于MCP协议的AI应用实践项目包括本地MCP客户端、Agentic RAG系统、财务分析师、语音Agent等。这些项目展示了如何利用MCP连接各种工具和数据源构建本地化、功能强大的AI应用涵盖从数据处理到深度搜索的多个场景适合个人开发者和小企业参考实践。最近一直在关注MCP、A2A的进展各种实践眼花撩乱MCP Server实践质量参差不齐今天给大家分享一下个人练手与中小企业内部可以参考的几个小项目欢迎关注阿东玩AI1.打造100% 本地 MCP客户端2.由 MCP 驱动的 Agentic RAG3.构建基于 MCP 的财务分析师4.由 MCP 驱动的语音Agent5.构建 MCP 服务器以连接 200 多个数据源6.为 Claude Desktop 和 Cursor 构建共享内存7.MCP 驱动的 RAG 处理复杂文档8.MCP驱动的合成数据生成器9.使用 MCP 的本地DeepSearcher一、打造100% 本地 MCP客户端MCP 客户端是 AI 应用程序如 Cursor中的一个组件它通过模型上下文协议 (MCP) 建立与外部工具和数据源的标准化连接。今天让我们向您展示它是如何 100% 本地构建的。技术栈LlamaIndex 构建由 MCP 驱动的代理。Ollama 为 Deepseek-R1 提供本地服务。LightningAI 用于开发和托管。这是我们的工作流程用户提交查询。代理连接到 MCP 服务器以发现工具。根据查询代理调用正确的工具并获取上下文代理返回上下文感知的响应。代码可在以下 Studio 中找到构建100% 本地 MCP 客户端。您可以通过复制以下环境运行它无需任何安装。代码演练本地 MCP 客户端实现让我们来实现它吧构建SQLiteMCP****服务器为了演示我们使用两个工具构建了一个简单的 SQLite 服务器添加数据获取数据这样做是为了使事情简单但我们正在构建的客户端可以连接到任何 MCP 服务器。设置llm我们将通过 Ollama 使用本地服务的 Deepseek-R1 作为我们 MCP 驱动代理的 LLM。定义系统提示符我们定义了代理在回答用户查询之前使用工具的指导说明。请随意调整以满足您的要求。定义代理我们定义了一个函数它使用适当的参数构建一个典型的 LlamaIndex 代理。传递给代理的工具是 MCP 工具LlamaIndex 将其包装为本机工具以便我们轻松使用FunctionAgent。定义交互我们将用户消息传递给我们的 FunctionAgent并使用共享的 Context 进行内存、流工具调用并返回其回复。我们在这里管理所有的聊天记录和工具调用。初始化MCP客户端和代理启动 MCP 客户端加载其工具并将它们包装为 LlamaIndex 中函数调用代理的本机工具。然后将这些工具传递给代理并添加上下文管理器。运行代理最后我们开始与代理交互并从 SQLite MCP 服务器访问工具。如上图当我们说“添加拉斐尔·纳达尔…”之类的话时代理会理解意图生成相应的 SQLINSERT命令并将数据存储在数据库中。当我们说“获取数据”时它会运行 SELECT 查询并检索数据。然后它以可读的格式将结果呈现给用户。就这样我们已构建了 100% 本地 MCP 客户端针对所有自学遇到困难的同学们我帮大家系统梳理大模型学习脉络将这份LLM大模型资料分享出来包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴可以扫描下方二维码领取↓↓↓二、由 MCP 驱动的 Agentic RAG在下面的视频中我们有一个 MCP 驱动的 Agentic RAG它可以搜索矢量数据库并在需要时回退到网络搜索。https://www.dailydoseofds.com/content/media/2025/04/Bright-data-Agentic-RAG-MCP.mp4为了构建它我们将使用Bright Data可大规模抓取网页数据。Qdrant 作为载体 DB。Cursor 作为 MCP 客户端。1) 启动 MCP 服务器首先我们定义一个具有主机 URL 和端口的 MCP 服务器。2) Vector DB MCP 工具通过 MCP 服务器公开的工具有两个要求它必须用“工具”装饰器来装饰。它必须有一个清晰的文档字符串。下面我们有一个 MCP 工具来查询向量数据库。它存储了与机器学习相关的常见问题。3Web 搜索 MCP 工具如果查询与机器学习无关我们需要一个回退机制。因此我们借助 Bright Data 的 SERP API 进行网络搜索从多个来源大规模抓取数据以获取相关上下文。4) 将 MCP 服务器与 Cursor 集成在我们的设置中Cursor 是一个 MCP 主机/客户端它使用 MCP 服务器公开的工具。要集成 MCP 服务器请转到设置 → MCP → 添加新的全局 MCP 服务器。在 JSON 文件中添加如下所示的内容完成您的本地 MCP 服务器已上线并连接到 Cursor 它有两个 MCP 工具Bright Data 网络搜索工具可大规模抓取数据。Vector DB搜索工具查询相关文档。接下来我们与 MCP 服务器进行交互。当我们询问与 ML 相关的查询时它会调用向量数据库工具。但是当我们提出一般查询时它会调用 Bright Data 网络搜索工具从各种来源大规模收集网络数据。当代理使用工具时他们会遇到 IP 阻止、机器人流量、验证码解算器等问题。这会阻碍代理的执行。为了解决这个问题我们在这个演示中使用了 Bright Data。在此处获取 API_KEY →它可以让您大规模抓取代理数据而不会受到阻碍。使用高级浏览器工具模拟用户行为。使用实时和历史网络数据构建 Agentic 应用程序。在此 GitHub 仓库中查找代码 **MCP 实现仓库**。三、构建基于 MCP 的财务分析师技术栈CrewAI 用于多代理编排。Ollama 将在当地为 DeepSeek-R1 LLM 提供服务。Cursor 作为 MCP 主机。系统概述用户提交查询。MCP 代理启动财务分析师团队。工作人员进行研究并创建可执行脚本。代理运行脚本来生成分析图。代码演练设置 LLM我们将使用 Deepseek-R1 作为 LLM并使用 Ollama 进行本地服务。现在让我们来组建团队。查询解析器代理该代理接受自然语言查询并使用 Pydantic 提取结构化输出。这保证了输入的干净和结构化以便进一步处理代码编写代理该代理编写 Python 代码使用 Pandas、Matplotlib 和 Yahoo Finance 库来可视化股票数据。代码执行器代理该代理审查并执行生成的股票数据可视化 Python 代码。它使用 CrewAI 的代码解释器工具在安全的沙盒环境中执行代码。查看结果一旦我们定义了代理商及其任务我们就会成立并启动财务分析团队以获得下面显示的结果创建 MCP 服务器现在我们将财务分析师封装在 MCP 工具中并添加另外两个工具来增强用户体验。save_code- 将生成的代码保存到本地目录run_code_and_show_plot- 执行代码并生成图表将 MCP 服务器与 Cursor 集成转到文件 → 首选项 → 光标设置 → MCP → 添加新的全局 MCP 服务器。在 JSON 文件中添加如下所示的内容完成了我们的财务分析师 MCP 服务器已上线并连接到 Cursor您可以与它讨论股票数据让它创建图表等。四、 由 MCP 驱动的语音Agent今天我们发布了另一个 MCP 演示这是一个 MCP 驱动的语音代理可以查询数据库并在需要时回退到网络搜索。以下是技术栈**AssemblyAI用于**语音转文本。**Firecrawl用于**网页搜索。Supabase 为数据库。Livekit 用于编排。Qwen3 为法学硕士。我们走吧这是我们的工作流程用户的语音查询通过AssemblyAI转录为文本。代理发现数据库和网络工具。LLM 调用正确的工具获取数据并生成响应。该应用程序通过文本转语音的方式提供响应。代码实现初始化 Firecrawl 和 Supabase我们实例化**Firecrawl以**启用网络搜索并启动我们的 MCP 服务器以向我们的代理公开 Supabase 工具。定义网络搜索工具我们使用 Firecrawl 搜索端点获取实时网页搜索结果。这为我们的代理提供了最新的在线信息。获取 Supabase MCP 工具我们通过 MCP 服务器列出我们的 Supabase 工具并将它们每个包装为我们的代理的 LiveKit 工具。构建代理我们为代理设置了如何处理用户查询的指令。我们还允许它访问之前定义的 Firecrawl 网络搜索和 Supabase 工具。配置语音到响应流程我们使用 AssemblyAI Speech-to-Text 转录用户语音。Qwen 3 LLM 由 Ollama 本地提供调用正确的工具。通过 TTS 生成语音输出。启动代理我们连接到 LiveKit以问候开始我们的会话然后不断倾听和回应直到用户停止。完成了我们基于 MCP 的语音代理已经准备就绪。如果查询与数据库相关它会通过 MCP 工具查询 Supabase。否则它会通过 Firecrawl 执行网络搜索。针对所有自学遇到困难的同学们我帮大家系统梳理大模型学习脉络将这份LLM大模型资料分享出来包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴可以扫描下方二维码领取↓↓↓五、构建 MCP 服务器以连接 200 多个数据源组织数据无处不在 — Slack、Gmail、SQL、Drive 等等我们构建了一个可以连接200个这样的数据源的MCP服务器并且它是100%本地的。我们的技术栈**MindsDB**为我们的统一 MCP 服务器提供支持GitHub 上 31k 颗星。Cursor 作为 MCP 主机。Docker 自托管 MCP 服务器。工作流程如下用户提交查询Agent 连接到 MindsDB MCP 服务器来查找工具代理根据用户查询选择合适的工具并调用它最后它返回与上下文相关的响应代码实现Docker 设置MindsDB 提供可以在 Docker 容器中运行的 Docker 镜像。通过在终端中运行命令使用 Docker 镜像在本地安装 MindsDB。启动 MindsDB GUI安装 Docker 镜像后127.0.0.1:47334在浏览器中访问 MindsDB 编辑器。通过此界面您可以连接到 200 多个数据源并对它们运行 SQL 查询。整合数据源让我们通过将数据源连接到 MindsDB 来开始构建我们的联合查询引擎。我们使用 Slack、Gmail、GitHub 和 Hacker News 作为我们的联合数据源。将 MCP 服务器与 Cursor 集成构建联合查询引擎后让我们通过将数据源连接到 MindsDB 的 MCP 服务器来统一数据源。转到文件 → 首选项 → 光标设置 → MCP → 添加新的全局 MCP 服务器。在 JSON 文件中添加以下内容完成了我们的 MindsDB MCP 服务器已上线并连接到 CursorMCP 服务器提供了两种工具list_databases列出连接到 MindsDB 的所有数据源。query回答用户关于联合数据的查询。除了 Claude 和 Cursor 之外MindsDB MCP 服务器还可以与新的 OpenAI MCP 集成配合使用的用法list_databases如下所示。我们要求它列出所有可以访问的数据源并检索我们之前连接的四个数据源下面是另一种用法我们要求它列出可用的 Slack 频道。虽然这很基础但我们在顶部附带的视频中展示了更为复杂的用法。我们从 Hacker News 获取了信息。我们生成了所获取详细信息的格式良好的摘要并将其作为消息发送给 Slack。我们要求 MCP 服务器从 Gmail 获取最新的电子邮件它执行了以下操作等等。观看上面的视频来了解详细的演示。您可以在 GitHub repo →六、为 Claude Desktop 和 Cursor 构建共享内存开发人员独立使用 Claude Desktop 和 Cursor无需上下文共享或连接。换句话说Claude Desktop一个 MCP 主机无法看到您在 Cursor另一个 MCP 主机中所做的事情反之亦然。今天我们将向您展示如何向 Claude Desktop 和 Cursor 添加通用内存层以便您可以进行交叉操作而不会丢失上下文。我们的技术栈Graphiti MCP作为AI 代理的存储层GitHub repo 10k 星。Cursor 和 Claude Desktop 作为 MCP 主机。工作流程如下用户向 Cursor Claude 提交查询。事实/信息使用 Graphiti MCP 存储在公共内存层中。如果任何交互中需要上下文则会查询内存。Graphiti 在多个主机之间共享内存。Docker 设置使用 Docker Compose 在本地部署 Graphiti MCP 服务器。此设置会使用服务器发送事件 (SSE) 传输启动 MCP 服务器。上面的 Docker 设置包括一个 Neo4j 容器它将数据库作为本地实例启动。此配置允许您使用 Neo4j 浏览器预览查询和可视化知识图。将 MCP 服务器连接到 Cursor工具和服务器准备好后让我们将其与 Cursor IDE 集成转到文件 → 首选项 → 光标设置 → MCP → 添加新的全局 MCP 服务器。在 JSON 文件中添加如下所示的内容将 MCP 服务器与 Claude 连接起来工具和服务器准备好后让我们将其与我们的 Claude 桌面集成转到文件 → 设置 → 开发人员 → 编辑配置。在 JSON 文件中添加如下所示的内容我们的 Graphiti MCP 服务器已上线并连接到 Cursor Claude现在您可以与 Claude Desktop 聊天共享事实/信息将响应存储在内存中并从 Cursor 中检索它们反之亦然这样您就可以通过单个 MCP 将 Claude 的见解直接传输到 Cursor 中。总而言之这里再次提供完整的工作流程供您参考。用户向 Cursor Claude 提交查询。事实/信息存储在一个公共内存层中并从中检索。内存层由 Graphiti MCP 提供支持。虽然上述详细步骤应该对您有所帮助但您可以在Graphiti MCP README 文件中找到详细的设置指南→七、MCP 驱动的 RAG 处理复杂文档MCP 的可能性是无穷无尽的。今天让我们向您展示如何使用 MCP 为复杂文档的 RAG 应用程序提供支持。为了给您提供更多视角以下是我们的文档这是我们的技术栈Cursor IDE 作为 MCP 客户端。EyelevelAI的 GroundX 构建一个可以处理复杂文档的 MCP 服务器。工作原理如下用户与 MCP 客户端Cursor IDE交互客户端连接到 MCP 服务器并选择一个工具。工具利用 GroundX 对文档进行高级搜索。客户端使用搜索结果来生成响应。如果您想观看我们在下面添加了一个视频暂时无法在飞书文档外展示此内容实现细节代码现在让我们深入研究代码包含代码的 GitHub 仓库链接在本期稍后发布。1设置服务器首先我们使用 FastMCP 设置本地 MCP 服务器并提供一个名称。2创建GroundX客户端GroundX 提供针对复杂现实世界文档的文档搜索和检索功能。您需要**在此获取并将**其存储在.env文件中。完成后请按照以下步骤设置客户端3创建摄取工具此工具用于将新文档引入知识库。用户只需提供要摄取的文档的路径4创建搜索工具该工具利用 GroundX 的高级功能对复杂的真实世界文档进行搜索和检索。实现方法如下5启动服务器使用标准输入/输出stdio作为传输机制启动 MCP 服务器6连接到光标在您的 Cursor IDE 中请按照以下步骤操作光标 → 设置 → 光标设置 → MCP然后像这样添加并启动您的服务器完毕现在您可以直接通过 Cursor IDE 与这些文档进行交互。我们在所有复杂用例中使用 EyeLevel因为他们构建了强大的企业级解析系统可以直观地对相关内容进行分块并了解每个块中的内容无论是文本、图像还是图表如下所示八、MCP驱动的合成数据生成器今天我们正在构建一个每个数据科学家都希望拥有的 MCP 服务器。它是一个可以生成任何类型的合成数据集的 MCP 服务器。合成数据集很重要因为它为我们提供了来自现有样本的更多数据尤其是在现实世界数据有限、不平衡或敏感的情况下。这是我们的技术栈Cursor 作为 MCP 主机。SDV生成真实的表格合成数据。SDV是一个 Python 库它使用机器学习创建类似于现实世界模式的合成数据。该过程包括训练模型、采样数据以及与原始数据进行验证。以下是我们今天正在构建的系统概述用户提交查询代理连接到 MCP 服务器来查找工具代理根据查询使用适当的工具返回有关合成数据创建、评估或可视化的响应如果您喜欢观看这里有完整的演练包含代码的 GitHub repo 链接在后面的问题中。代码演练合成数据生成器 MCP 实现让我们来实现它吧我们的 MCP 服务器将有三个工具工具 1) SDV 生成工具该工具使用 SDV 合成器根据真实数据创建合成数据。SDV 提供多种合成器每种合成器都采用不同的算法来生成合成数据。工具 2SDV 评估工具该工具通过与真实数据进行比较来评估合成数据的质量。我们将评估统计相似性以确定合成数据捕获了哪些真实数据模式。工具 3) SDV 可视化工具此工具生成可视化效果以比较特定列的真实数据和合成数据。使用此函数可以将真实列与其对应的合成列进行可视化。设置服务器工具准备好后我们来实现服务器上面我们有一个服务器脚本它通过使用装饰器装饰函数来使用 MCP 库公开该工具tool。工具和服务器准备好后让我们将其与我们的 Cursor IDE 集成转到文件 → 首选项 → 光标设置 → MCP → 添加新的全局 MCP 服务器。在 JSON 文件中添加如下所示的内容完毕您的合成数据生成器 MCP 服务器已上线并连接到 Cursor我们在 Cursor 中打开一个新聊天并要求它为可用的种子数据集生成一个合成数据集如下所示以下是使用原始种子数据生成的合成数据集的示例我们还可以使用之前定义的评估 MCP 工具来使用 SDV 获得定量评估报告。这将生成一份详尽的评估报告并注明生成的数据与原始数据集相似最后我们还可以使用可视化工具来生成针对特定列的真实数据和合成数据的可视化比较这会在聊天中产生一条回复表明已成功创建地块最后我们得到由 SDV 生成的以下图表完美的我们亲自参与过多个类似的合成数据生成用例并了解其在行业中的实用性。正因如此我们之前提到这是一款每个数据科学家都梦寐以求的 MCP 服务器。如果您面临数据稀缺或类别不平衡的问题SDV 可以轻松生成高质量的合成数据。只需将其指向您的数据集文件夹它就会直接从您的 IDE 处理从生成到评估的所有操作无需手动操作。九、使用 MCP 的本地DeepSearcherChatGPT 具有深度研究功能。它可以帮助您获得有关任何主题的详细见解。今天让我们向您展示如何构建 100% 本地替代方案。技术栈深度网络研究的链接。CrewAI 用于多代理编排。Ollama 为 DeepSeek-R1 提供本地服务。cursor作为 MCP 主机…以下是系统概述用户提交查询。网络搜索代理通过Linkup运行深度网络搜索。研究分析师验证并删除重复结果。技术作家通过引用撰写出连贯的回应。现在让我们来实现航班查找器设置 LLM我们将使用 Ollama 本地服务的 DeepSeek-R1。定义 Web 搜索工具我们将利用 Linkup 强大的搜索功能可与 Perplexity 和 OpenAI 相媲美来为我们的网络搜索代理提供支持。这是通过定义我们的代理可以使用的自定义工具来完成的。定义 Web 搜索代理网络搜索代理根据用户查询从互联网收集最新信息。该代理使用了我们之前定义的链接工具。定义研究分析师代理该代理将原始网络搜索结果转换为带有源 URL 的结构化见解。它还可以将任务委托回网络搜索代理进行验证和事实核查。定义技术作家代理它从分析代理那里获取分析和验证的结果并为最终用户起草带有引文的连贯响应。安装人员最后一旦我们定义了所有的代理和工具我们就会组建并启动我们的深度研究团队。创建 MCP 服务器现在我们将把我们的深度研究团队封装到一个 MCP 工具中。只需几行代码我们的 MCP 服务器就可以准备就绪。以下是如何将其与 Cursor 连接起来将 MCP 服务器与 Cursor 集成转到文件 → 首选项 → 光标设置 → MCP → 添加新的全局 MCP 服务器。在 JSON 文件中添加如下所示的内容完成您的深度研究 MCP 服务器已上线并连接到 Cursor如果您愿意也可以将其连接到 Claude Desktop。为了独立使用 Deep Researcher我们还创建了一个漂亮的 Streamlit UI您可以在其中看到对“小型语言模型”的深入研究这就是由 MCP 提供支持的 100% 本地深度研究人员如何学习AI大模型大模型时代火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业”“谁的饭碗又将不保了”等问题热议不断。不如成为「掌握AI工具的技术人」毕竟AI时代谁先尝试谁就能占得先机想正式转到一些新兴的 AI 行业不仅需要系统的学习AI大模型。同时也要跟已有的技能结合辅助编程提效或上手实操应用增加自己的职场竞争力。但是LLM相关的内容很多现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学学习成本和门槛很高那么针对所有自学遇到困难的同学们我帮大家系统梳理大模型学习脉络将这份LLM大模型资料分享出来包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 有需要的小伙伴可以扫描下方二维码领取↓↓↓学习路线第一阶段 从大模型系统设计入手讲解大模型的主要方法第二阶段 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用第三阶段 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统第四阶段 大模型知识库应用开发以LangChain框架为例构建物流行业咨询智能问答系统第五阶段 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型第六阶段 以SD多模态大模型为主搭建了文生图小程序案例第七阶段 以大模型平台应用与开发为主通过星火大模型文心大模型等成熟大模型构建大模型行业应用。学会后的收获• 基于大模型全栈工程实现前端、后端、产品经理、设计、数据分析等通过这门课可获得不同能力• 能够利用大模型解决相关实际项目需求 大数据时代越来越多的企业和机构需要处理海量数据利用大模型技术可以更好地处理这些数据提高数据分析和决策的准确性。因此掌握大模型应用开发技能可以让程序员更好地应对实际项目需求• 基于大模型和企业数据AI应用开发实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能 学会Fine-tuning垂直训练大模型数据准备、数据蒸馏、大模型部署一站式掌握• 能够完成时下热门大模型垂直领域模型训练能力提高程序员的编码能力 大模型应用开发需要掌握机器学习算法、深度学习框架等技术这些技术的掌握可以提高程序员的编码能力和分析能力让程序员更加熟练地编写高质量的代码。1.AI大模型学习路线图2.100套AI大模型商业化落地方案3.100集大模型视频教程4.200本大模型PDF书籍5.LLM面试题合集6.AI产品经理资源合集获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】