以下是关于 MCP 的一些文档介绍： 1. 《Windsurf Wave3：MCP 协议让 AI 直接读取控制台错误，自动化网页调试不用复制粘贴了！Tab 智能跳转、Turbo 模式》：介绍了 MCP 的基本概念，即纯 LLM 无法行动，MCP 工具可充当其与现实世界交互的手并反馈结果指导下一步行动。同时提供了 MCP 官方文档和 Cursor 关于 MCP 的介绍链接：https://modelcontextprotocol.io/ 、https://docs.cursor.com/context/modelcontextprotocol 。还提到了一些相关工具如 Brave Search、Puppeteer 和 Sequential Thinking 等能让调试和搜索更顺畅，以及热门的 Playwright CDP 能让 AI 控制浏览器变得简单等内容。 2. 《Model Context Protocol官方网站找到，包括架构详细说明、基础协议文档、服务器功能说明、客户端功能文档、贡献指南等。此规范为 AI 应用生态系统提供了标准化的集成方案。 3. 《什么是模型上下文协议（MCP）？它如何比传统 API 更简单地集成 AI？》：解释了 MCP 的价值、工作原理，以及它与传统 API 的关键区别。如 MCP 是一种全新的开放协议，专门用于标准化地为大语言模型（LLMs）提供应用场景和数据背景，像 AI 领域的“USBC 接口”能让不同的 AI 模型与外部工具和数据源轻松连接。还对比了传统 API 整合的复杂性，以及介绍了 MCP 最早由 Anthropic 公司开发，现已成为开放协议并被更多企业和开发者采用。

以下是关于 MCP 的相关介绍文件： 1. 官方文档：https://modelcontextprotocol.io/ 2. Cursor 文档中关于 MCP 的介绍：https://docs.cursor.com/context/modelcontextprotocol 3. 社区网站：https://smithery.ai/ MCP 相关知识： 1. MCP 本质是 Claude 官方推出的一个协议。纯 LLM 无法行动，MCP 工具可以充当其与现实世界交互的“手”，并反馈结果指导下一步行动。 2. 模型上下文协议（MCP）是一种全新的开放协议，用于标准化地为大语言模型（LLMs）提供应用场景和数据背景，可将其想象成 AI 领域的“USBC 接口”，能让不同的 AI 模型与外部工具和数据源轻松连接。 3. MCP 最早由 Anthropic 公司开发，现已成为开放协议，越来越多的企业和开发者开始采用。 4. Anthropic 推出的 MCP 协议旨在规范和优化人工智能模型生成内容的方式，关注内容的安全性、合规性以及对用户的透明度，提供更为标准化的方法来管理 AI 模型输出。

以下是为您提供的 Coze 教程相关内容： 1. 一泽 Eze 的教程：可能是全网最好的 Coze 教程之一，一次性带您入门 Coze 工作流。即使是非技术出身的爱好者也能上手跟学，包括通过实际案例演示用 Coze 工作流构建生成结构化内容的 AI Agent、开源 AI Agent 的设计到落地的全过程思路、10+项常用的 Coze 工作流的配置细节、常见问题与解决方法等。适合玩过 AI 对话产品的一般用户和对 AI Agent 工作流配置感兴趣的爱好者。注：本文不单独讲解案例所涉及 Prompt 的撰写方法。文末「拓展阅读」中有相关 Prompt 通用入门教程、Coze 其他使用技巧等内容。 2. 大圣的教程： Coze 概述：字节的官方解释为 Coze 是新一代一站式 AI Bot 开发平台，无论是否有编程基础，都可在其上快速搭建各类问答 Bot，并能发布到各类社交平台和通讯软件上互动。个人认为 Coze 是字节针对 AI Agent 领域的初代产品，在 Coze 中称 AI Agent 为 Bot。字节针对 Coze 部署了国内版和海外版两个站点。 国内版：网址为 https://www.coze.cn ，官方文档教程为 https://www.coze.cn/docs/guides/welcome ，使用字节自研的云雀大模型，国内网络可正常访问。 海外版：网址为 https://www.coze.com ，官方文档教程为 https://www.coze.com/docs/guides/welcome ，使用 GPT4、GPT3.5 等大模型，访问需要突破网络限制的工具，参考文档：https://www.coze.com/docs/zh_cn/welcome.html 。 AI Agent 的开发流程：Bot 的开发和调试页面布局主要分为提示词和人设的区块、Bot 的技能组件、插件、工作流、Bot 的记忆组件、知识库、变量、数据库、长记忆、文件盒子、一些先进的配置（如触发器、开场白、自动建议、声音）等，下面会逐一讲解每个组件的能力以及使用方式。 3. 7 颗扣子的搭建视频： 第一颗扣子野菩萨出品：2 分钟解锁超野速度的图像流 bot 创建过程，链接为 https://www.coze.cn/store/bot/7384556560263020583 。 第二颗扣子Stuart：2 分钟教您制作炉石卡牌，链接为 https://www.coze.cn/s/i68g8bLY/ ，原理拆解： 。 第三颗扣子陈慧凌：2 分钟做毛毡效果，链接为 https://www.coze.cn/s/i65gDW2Y/ 。 第四颗扣子银海：银河照相馆，链接为 https://www.coze.cn/store/bot/7384885149625761801 。 第五颗扣子Speed 团队：Speed 团队菜品秀秀，链接为 https://www.coze.cn/store/bot/7384434376446148618 ，原理拆解： 。

以下是为您整理的关于“ai 婚纱照”的相关信息： 摊位方面：有提供 AI 肖像及写真（包括婚纱写真）的摊位，摊位区域为 D，编号为 46，类型为写真。 AI 绘画方面：有多种关于婚纱系的绘画描述，如“haute couture,high fashion,dark blue wedding dress,stardust,stars,glimmer,wedding,dramatic,ultra realistic,volumetric,atmospheric lighting,unreal engine,artgerm,ultra resolution,8k,—ar 9:16uplight”等。 还有开源项目作者 ailm 在 ComfyUI 上搭建的可接入飞书的 AI 女友麦洛薇（mylover），实现了稳定人设、无限上下文、永久记忆、无缝联动 SD 绘图等功能。

在 AI 时代，人才的发展具有以下重要方面： 跨学科思维与知识整合能力： AI 善于单领域的深度计算，但跨领域的综合创新仍是人类的优势。能够将不同学科的知识串联，进行类比、迁移和融合，是产生创新思路的源泉之一。未来复杂问题往往涉及多方面因素，仅靠单一领域视角难以解决。人类大脑在跨域联想方面远胜机器，能把看似无关的点联系起来，这正是创造力的体现。 要培养跨学科思维，首先要建立广博的知识面，对主要学科门类有基本了解。其次要刻意练习融会贯通，面对问题时尝试多学科视角。学校和培训应鼓励跨学科项目、通识教育。可以采取“T 字型”发展，一方面在主攻领域深耕，另一方面广泛涉猎相关领域。培养该能力还需提高系统思考和抽象概括能力。长远看，这种跨界整合能力将非常抢手，因为创造性突破往往发生在学科交叉处。 适应 AI 时代的关键技能： 技术专业人士需要发展 AI 难以替代的技能，包括团队建设、跨文化交流、创新解决方案的设计等。AI 虽然可以输出代码，但无法建立团队、跨越文化界限交流或激发团队创造力。对于从事可能被 AI 取代风险工作的技术工作者，需要重新思考职业生涯规划，可能意味着学习新技能或转向更需要人类特质的工作领域。 总的来说，生成式人工智能正在重塑技术就业市场的未来，既带来挑战也提供机遇。关键在于理解并适应这一变化，发展 AI 无法替代的技能，并在新的技术生态中找到自己的位置。同时要注重人类的创造力和创新能力。

AI 可以从以下几个方面助力职业发展： 1. 职业规划： 职业趋势分析：基于最新市场数据和行业报告，协助分析自身专业或职业的前景，了解未来趋势。 技能评估与提升：通过测评工具评估当前职业兴趣，提供针对性学习资源和课程建议，提升专业技能。 职业匹配与推荐：根据兴趣、技能和目标，推荐适合的职业路径和职位，提供个性化建议。 职业发展规划：结合个人情况和市场需求，制定详细的短、中、长期职业发展计划，帮助在 AI 时代找到职业定位。 2. 成为“超级个体”： 效率提升与技能拓展：个人借助 AI 工具学会新技能，参与跨职能工作，成为“全能型人才”。 专注深耕专业技能：AI 接管浅层、重复工作，让人有更多时间修炼深层次专业技能。 提高绩效与解锁可能性：掌握 AI 辅助技能，不仅提高当下绩效，还为自己创造更多发展机会。 放大个人价值：在效率革命推动下，个人利用 AI 成倍放大时间和精力价值，如个人创业者完成全链条工作，教师扩大授课规模，科研人员产出更多数据等。 3. 技术应用与转型： 企业运营：将 AI 前沿技术应用于企业运营，帮助企业完成数字化转型，优化运营效率。 个人成长：协助个人利用 AI 重构知识体系，实现个人成长，在 AI 时代轻松前行。

以下是从初级到高级的提示词设计方法的讲解： 初级阶段： 在初级阶段，重点是明确表达您的需求和期望。例如，清晰地描述任务、问题或所需的输出类型。 中级阶段： 随着经验的积累，可以尝试更详细和具体的描述。包括提供更多的背景信息、限制条件和关键要点，以引导模型生成更符合期望的结果。 高级阶段： 1. 自动提示词工程（APE）： 提示词生成：利用 LLM 针对特定任务产生多种提示词，借助其语言数据库和上下文理解。 提示词评分：根据清晰度、特定性和推动期望结果的潜力等关键指标对提示词进行严格评估。 完善和迭代：根据评分调整和优化提示词，增强其与任务要求的一致性，通过持续改进提高提示词质量。 2. 样例驱动的渐进式引导： 把相关的样例文件与提示词同时发送给模型，让模型自行总结所需结果。 经过多次调试和根据测试 bug 微调提示词，以确保稳定运行。 3. 格式选择： 对于刚入门的朋友，推荐使用直观易懂的 LangGPT 结构化提示词，以便快速上手。 对于进阶用户，一方面可以继续使用 LangGPT 结构化提示词，另一方面如有精力和好奇心，可尝试 Lisp 伪代码格式，有助于精炼提示词和提升对措辞理解、概念认知的能力。 需要注意的是，部署 APE 并非没有挑战，可能需要大量计算资源和建立有效评分指标，初始设置也可能需要精心策划的种子提示词集来有效指导生成过程。重要的是提示词的内容要与 AI 的“理解机制”相契合，而非外在形式。

使用 Dify 构建知识库的具体步骤如下： 1. 准备数据： 收集需要纳入知识库的文本数据，包括文档、表格等格式。 对数据进行清洗、分段等预处理，确保数据质量。 2. 创建数据集： 在 Dify 中创建一个新的数据集，并将准备好的文档上传至该数据集。 为数据集编写良好的描述，描述清楚数据集包含的内容和特点。 3. 配置索引方式： Dify 提供了三种索引方式供选择：高质量模式、经济模式和 Q&A 分段模式。 根据实际需求选择合适的索引方式，如需要更高准确度可选高质量模式。 4. 集成至应用： 将创建好的数据集集成到 Dify 的对话型应用中，作为应用的上下文知识库使用。 在应用设置中，可以配置数据集的使用方式，如是否允许跨数据集搜索等。 5. 持续优化： 收集用户反馈，对知识库内容和索引方式进行持续优化和迭代。 定期更新知识库，增加新的内容以保持知识库的时效性。 总的来说，Dify 提供了一个可视化的知识库管理工具，使得构建和维护知识库变得相对简单。关键步骤包括数据准备、数据集创建、索引配置，以及将知识库集成到应用中并持续优化。 Dify 是一个开源的大模型应用开发平台，它通过结合后端即服务和 LLMOps 的理念，为用户提供了一个直观的界面来快速构建和部署生产级别的生成式 AI 应用。该平台具备强大的工作流构建工具，支持广泛的模型集成，提供了一个功能丰富的提示词 IDE，以及一个全面的 RAG Pipeline，用于文档处理和检索。此外，Dify 还允许用户定义 Agent 智能体，并通过 LLMOps 功能对应用程序的性能进行持续监控和优化。Dify 提供云服务和本地部署选项，满足不同用户的需求，并且通过其开源特性，确保了对数据的完全控制和快速的产品迭代。Dify 的设计理念注重简单性、克制和快速迭代，旨在帮助用户将 AI 应用的创意快速转化为现实，无论是创业团队构建 MVP、企业集成 LLM 以增强现有应用的能力，还是技术爱好者探索 LLM 的潜力，Dify 都提供了相应的支持和工具。Dify 官方手册：https://docs.dify.ai/v/zhhans 。一般地，如果是个人研究，推荐单独使用 Dify，如果是企业级落地项目推荐使用多种框架结合，效果更好。 Dify 有两种使用方式： 1. 云服务版本。直接在官网 dify.ai 上注册账号使用。 2. 部署社区版。开源，可商用，但是不能作为多租户服务使用。对个人使用完全无限制。 部署前提条件：2 核 4G 云服务器一台=159 元（不懂的也不用懂，不重要）。其实本地也可以，但是本地更折腾，作者不喜欢在自己电脑上部署 Web 服务，所以未分享本地部署方法。【小插曲】今天在腾讯云开新服务器的时候，发现腾讯云居然提供了一键部署，更简单了！而且看了下，挺便宜的，羊毛不薅白不薅。

ComfyUI 是一个基于节点流程式的 stable diffusion AI 绘图工具 WebUI，以下是关于它的详细信息： 简介：可以想象成集成了 stable diffusion 功能的 substance designer，通过将 stable diffusion 的流程拆分成节点，实现更精准的工作流定制和完善的可复现性。 优劣势： 优势： 1. 对显存要求相对较低，启动速度快，出图速度快。 2. 具有更高的生成自由度。 3. 可以和 webui 共享环境和模型。 4. 可以搭建自己的工作流程，可以导出流程并分享给别人，报错时能清晰发现错误所在步骤。 5. 生成的图片拖进后会还原整个工作流程，模型也会选择好。 劣势： 1. 操作门槛高，需要有清晰的逻辑。 2. 生态没有 webui 多（常用的都有），也有一些针对 Comfyui 开发的有趣插件。 官方链接：从 github 上下载作者部署好环境和依赖的整合包，按照官方文档按照即可：https://github.com/comfyanonymous/ComfyUI 安装部署： 电脑硬件要求： 1. 系统：Windows7 以上。 2. 显卡要求：NVDIA 独立显卡且显存至少 4G 起步。 3. 硬盘留有足够的空间，最低 100G 起步（包括模型）。 4. 注：mac 系统，AMD 显卡，低显卡的情况也可以安装使用，功能不全，出错率偏高，严重影响使用体验个人建议升级设备或者采用云服务器玩耍。 5. 下载并更新 Nvidia 显卡驱动下载地址 https://www.nvidia.cn/ geforce/drivers/ 下载并安装所需要环境： 依次下载并安装 python、Git、VSCode，安装过程中一直点击勾选对应选项，一直下一步。 1. 安装 Python https://www.python.org/downloads/release/python3119/ ，安装的时候选中“将 Python 添加到系统变量”。 2. 安装 VSCode https://code.visualstudio.com/Download 。 3. 安装 Git https://gitscm.com/download/win 。 4. 安装 CUDA https://developer.nvidia.com/cuda1220downloadarchive?target_os=Windows&target_arch=x86_64&target_version=11&target_type=exe_network 。 安装地址：https://github.com/comfyanonymous/ComfyUI ，可以下载安装包也可以直接 Git clone https://github.com/comfyanonymous/ComfyUI.git 或者下载安装包 file:ComfyUI.zip ，下载安装包或者点击链接下载并解压至本地除 C 盘外的任意盘。然后找到文件名称为 run_nvidia_gpu 的文件双击并启动。启动完成即进入基础界面。 节点存放目录：comfyUI 的节点包括后面安装的拓展节点都存放在本目录下 D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\custom_nodes 。 模型存放目录： 1. 大模型：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\checkpoints 。 2. Lora：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\loras 。 3. Vae：D:\\COMFYUI\\ComfyUI_windows_portable\\ComfyUI\\models\\vae 。 模型共用：已经安装了 SDWebUI 的同学可以通过修改文件路径和 WebUI 共用一套模型即可，这样就不用重复下载模型了。找到已安装好的 ComfyUI 目录文件下的 extra_model_paths.yaml.example 文件，将后缀.example 删除，然后右键用记事本打开。 快捷键：（未提供相关内容）

RAG（RetrievalAugmented Generation）即检索增强生成，是一种结合检索和生成能力的自然语言处理架构，旨在为大语言模型（LLM）提供额外的、来自外部知识源的信息。 大模型存在一些缺点，如无法记住所有知识（尤其是长尾知识）、知识容易过时且不好更新、输出难以解释和验证、容易泄露隐私训练数据、规模大导致训练和运行成本高。而 RAG 具有诸多优点： 1. 数据库对数据的存储和更新稳定，不存在模型学不会的风险。 2. 数据库的数据更新敏捷，增删改查可解释，且对原有知识无影响。 3. 数据库内容明确、结构化，加上模型本身的理解能力，降低大模型输出出错的可能。 4. 知识库存储用户数据，便于管控用户隐私数据，且可控、稳定、准确。 5. 数据库维护可降低大模型的训练成本。 RAG 的核心流程是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到 prompt（提示词）中，提交给大模型，此时大模型的回答就会充分考虑到“包含答案的内容”。其最常见应用场景是知识问答系统。 一个 RAG 的应用可抽象为 5 个过程： 1. 文档加载：从多种不同来源加载文档。 2. 文本分割：把 Documents 切分为指定大小的块。 3. 存储：包括将切分好的文档块进行嵌入转换成向量的形式，以及将 Embedding 后的向量数据存储到向量数据库。 4. 检索：通过某种检索算法找到与输入问题相似的嵌入片。 5. 输出：把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示一起来生成更加合理的答案。