MCP 集成，这些高质量代表项目一定要看！！！
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。
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。
在线构建演示：
https://www.youtube.com/watch?embeds_referring_euri=https%3A%2F%2Flightning.ai%2F&source_ve_path=Mjg2NjQsMTY0NTAz&v=SVACugFX_hM&feature=youtu.be
代码演练
本地 MCP 客户端实现
让我们来实现它吧！
*构建**SQLite**MCP**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 SQL
INSERT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！
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。
3）Web 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。
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。
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。
让我们来实现它吧！
https://www.dailydoseofds.com/content/media/2025/06/assemblyAI-voice-agent.mp4
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。
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 Cursor！
MCP 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 →
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→
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：
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 2）SDV 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。
ChatGPT 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。
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】
火山引擎开发者社区是火山引擎打造的AI技术生态平台，聚焦Agent与大模型开发，提供豆包系列模型（图像/视频/视觉）、智能分析与会话工具，并配套评测集、动手实验室及行业案例库。社区通过技术沙龙、挑战赛等活动促进开发者成长，新用户可领50万Tokens权益，助力构建智能应用。
更多推荐
21
0- 0
已为社区贡献188条内容
所有评论(0)