模型上下文协议（Model Context Protocol，简称 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。 MCP 就像 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。其好处包括： 简化开发：一次整合，多次复用，不再重复开发。 灵活性强：轻松切换 AI 模型或工具，无需复杂的重新配置。 实时互动：长连接保证数据实时更新。 安全可靠：内置标准化安全和权限控制。 扩展性强：AI 系统扩展时，只需连接新的 MCP 服务器。 与传统 API 相比，通常 AI 系统连接外部工具时，需要单独整合多个不同的 API，每个 API 都有独立的代码、文档、认证方式、错误处理和后续维护，极大地增加了开发复杂度。传统 API 就像每扇门都有一把不同的钥匙，而 MCP 让 AI 模型更简单地获取数据、工具与服务。 MCP 最早由 Anthropic 公司开发，现在已成为一个开放协议，越来越多的企业和开发者开始采用它，逐渐成为 AI 与工具互动的新标准。 在某些情况下，传统 API 可能更适合，比如应用场景需要精准且严格受控的交互方式，包括需要细粒度控制、功能严格限制，更偏好紧耦合以提升性能，希望最大化交互的可预测性。 快速集成 MCP 的步骤包括： 1. 定义能力：明确 MCP 服务器提供的功能。 2. 实现 MCP 层：按照协议标准进行开发。 3. 选择通信方式：本地连接（标准输入输出）或远程连接（如 WebSockets）。 4. 创建资源/工具：开发或连接数据源和服务。 5. 建立客户端连接：与 MCP 服务器建立安全稳定的连接。 例如，Claude 可以通过简单的 MCP 集成直接连接到 GitHub、创建新存储库并创建 PR。

以下是关于 Flux 的 Lora 模型训练的详细步骤： 模型准备： 1. 下载所需模型，包括 t5xxl_fp16.safetensors、clip_l.safetensors、ae.safetensors、flux1dev.safetensors。 注意：不使用时存放位置随意，只要知晓路径即可。训练时建议使用 flux1dev.safetensors 版本的模型和 t5xxl_fp16.safetensors 版本的编码器。 下载脚本： 1. 网盘链接： 夸克网盘链接：https://pan.quark.cn/s/ddf85bb2ac59 百度网盘链接：https://pan.baidu.com/s/1pBHPYpQxgTCcbsKYgBi_MQ?pwd=pfsq 提取码：pfsq 安装虚拟环境： 1. 下载完脚本并解压。 2. 在文件中找到 installcnqinglong.ps1 文件，右键选择“使用 PowerShell 运行”。 3. 新手在此点击“Y”，然后等待 1 2 小时的下载过程，完成后提示是否下载 hunyuan 模型，选择 n 不用下载。 数据集准备： 1. 进入厚德云 模型训练 数据集：https://portal.houdeyun.cn/sd/dataset 2. 创建数据集： 在数据集一栏中，点击右上角创建数据集。 输入数据集名称。 可以上传包含图片 + 标签 txt 的 zip 文件，也可以上传只有图片的文件（之后可在 c 站使用自动打标功能），或者一张一张单独上传照片。 Zip 文件里图片名称与标签文件应当匹配，例如：图片名“1.png”，对应的达标文件就叫“1.txt”。 上传 zip 以后等待一段时间，确认创建数据集，返回到上一个页面，等待一段时间后上传成功，可点击详情检查，预览数据集的图片以及对应的标签。 Lora 训练： 1. 点击 Flux，基础模型会默认是 FLUX 1.0D 版本。 2. 选择数据集，点击右侧箭头，选择上传过的数据集。 3. 触发词可有可无，取决于数据集是否有触发词。 4. 模型效果预览提示词则随机抽取一个数据集中的标签填入。 5. 训练参数可调节重复次数与训练轮数，厚德云会自动计算训练步数。若不知如何设置，可默认 20 重复次数和 10 轮训练轮数。 6. 按需求选择是否加速，点击开始训练，会显示所需要消耗的算力。 7. 等待训练，会显示预览时间和进度条。训练完成会显示每一轮的预览图。 8. 鼠标悬浮到想要的轮次模型，中间会有个生图，点击会自动跳转到使用此 lora 生图的界面。点击下方的下载按钮则会自动下载到本地。 数据集存放位置：.Flux_train_20.4\\train\\qinglong\\train 运行训练：约 1 2 小时即可训练完成。 验证和 lora 跑图：有 ComfyUI 基础的话，直接在原版工作流的模型后面，多加一个 LoraloaderModelOnly 的节点就可以，自行选择 Lora 和调节参数。

以下是一些成熟的 AI 制作宣传海报的工作流： 1. 确定需求场景：例如想在社交平台发布内容时，为了获得更多点赞，需要有吸引力的图片；网上图片质量差且易撞图，自己相册中的照片不合适等情况。 2. 大致流程： 主题与文案：确定海报主题，借助 ChatGPT 等文本类 AI 工具完成文案。 风格与布局：选择想要的风格意向，根据文案和风格灵活调整画面布局，背景不一定空白。 生成与筛选：使用无界 AI 输入关键词，生成并挑选满意的海报底图。 配文与排版：将上述素材进行合理排版，得到成品。排版可参考 AIGC 海报成果。 此外，还有一些相关案例： 1. 游戏 PV《追光者》：灵感来源于《艾尔登法环》、《黑神话悟空》等游戏开场片，加入佛教元素。结合 ChatGPT 进行故事框架创作，使用 MJ 绘图、SD 重绘，制作深度图以及视频、AI 抠图，Aive 尝试制作背景音乐，微软 AI 制作旁白。除撰写故事框架外，生图及后期配音约用 7 天完成。 2. Junie 首部 AI 长电影：在传统制作流程中融入 AI 工具，如在 Discord 平台创作，依据 Notion 里的制作安排和细分章节剧本推进。用到多种 AI 工具，包括 AI 图像生成（Stable Diffusion/Midjourney v5.2/DALL·E）、AI 动画（Pika/Runway/Deforum）、口型同步（DID）、AI 旁白（ElevenLabs）、剪辑（Premiere）、文字翻译（ChatGPT）等，也会结合 3D 技术、AE 以及实拍等传统手段。

使用 Gemini 2.0 Flash Experimental 可以通过以下步骤： 1. 登录 Google AI studio，链接为：https://aistudio.google.com/prompts/new_chat 。 2. 在 Model 中选择 PREVIEW Gemini 2.0 Flash Experimental（new）。 3. 确认选择「Images and text」。 如果您想通过 Google AI Studio 来使用，具体步骤如下： 1. 打开浏览器访问 https://aistudio.google.com/prompts/new_chat ，或者下载 Gemini 应用（Android 或 iOS）。 2. 登录您的 Google 账户。 3. 在 model 选项处选择 Gemini 2.0 Flash Experimental 模型即可。 使用时，编辑图片超简单，只需 3 步： 1. 上传图片：挑选一张您想要修改的图片上传。 2. 输入指令：在对话框里用简单的语言描述您的需求，例如“把衣服改成蓝色”或者“给狗狗加个墨镜”。 3. 等待魔法：点击运行按钮，AI 会马上处理，几秒钟后您就能看到新图片。如果结果不太满意，可以修改指令再次尝试，指令越清晰效果越好，比如“把天空变晴朗，加点云朵”。 需要注意的是，这个功能还在进一步开发中，未来可能会在官网上开放。

GPT 连接不上网站可能有以下原因： 1. 网络问题：由于网络限制或不稳定，导致在国内的使用率较小。 2. 安全风险：连接到其他系统（如邮箱或购物网站）可能带来更高的安全风险，从而影响连接。 如果在 GPT 上迭代完成的提示词，可以考虑适配国内的优秀大模型。目前只有 Plus 用户才可以使用 GPT，这在一定程度上限制了其使用范围。关于 GPT 的创建方式，包括以下步骤： 1. 点击 Explore。 2. 点击 Create a GPT 进入配置页面。 3. 进入自定义 GPT 配置界面。 4. 默认进入 Create 页面，选择 Configure 进入配置页面，其中有添加图像、Name、Instructions、Conversation starters、Knowledge、Capabilities、Actions 等栏位的详细设置。 5. 上传图片，如做个人 IP 建议上传个人 Logo。 6. 填写相关信息。 7. 填写完信息自动保存，开始试用。 8. 上传图片开始分析。 9. 经过多次测试，达到满意程度后，在右上角点击 Save 进行发布，发布时可选择 Only me（只有自己可以使用）、Only people with a link（通过分析的链接可以访问）、Public（所有人都可以访问，但需要开启个人名称以及绑定公共域名）。

目前可以实现 0 基础制作爆款视频的工作流，以下是一些相关策略和方法： 1. 发布视频时，鼓励粉丝评论他们想看到的内容或让他们为新内容命名，以增加互动性和激发创意。使用吸引人的标题和描述，包含相关关键词和标签，便于在平台上被更多人发现。 2. 考虑与其他领域的创作者或品牌合作，扩大受众范围。 3. 了解观众最活跃的时间，选择合适的时间发布视频，以最大化观看量。分析前几次视频的数据，从中获得灵感，调整创作方向。 4. 以生物融合项目为例，如野牛与霸王龙的融合，视频分为两个镜头，每个镜头分别是一幅图。第一幅图是融合前，图像中央是一条从上到下的、发光的 DNA 双螺旋结构，纵向贯穿整个画面，把画面一分为二；第二幅图是融合后的，融合后的生物非常可怕、霸气，巨形怪兽，画面为阴暗风格，给人震撼。 5. 对于小红书爆款单词视频，先拆解模板的制作流程，逐个轨道分析图片、音频、文字轨道，理解思路后用相关工作流搭建。制作固定的元素，如在测试工作流中增加插件将图片和音频合并成视频等。

以下是关于 AI 最新进展和应用的介绍： 医疗领域： ChatGPT 和 Google Bard 等技术极大加速了医疗健康生物制药的研究。AI 在抗癌、抗衰老、早期疾病防治等方面发挥着重要作用。 提前三年诊断胰腺癌。 两名高中生与医疗技术公司合作发现与胶质母细胞瘤相关的新靶基因。 帮助抗衰老，筛查超过 80 万种化合物发现高效药物候选物。 用于寻找阿尔兹海默症的治疗方法。 帮助早期诊断帕金森。 法律法规方面： AI 在许多领域已经取得重大进展和效率提升，如交通监控、银行账户欺诈检测、工业大规模安全关键实践等。 AI 具有巨大的潜力来改变社会和经济，可能产生与电力或互联网相当的影响。 大型语言模型等技术进步带来了变革性的发展机会。 基础通识课方面： 流式训练方式提升了训练速度和质量，基于 Transformer 模型进行流匹配优于扩大模型。 有多种 AI 生成工具，如能创作音乐的 so no 音频生成工具、创建个人 AI 智能体的豆包、生成播客的 Notebook LN。 端侧大模型能部署在手机端等设备，通过压缩解决存储和性能问题。 AI 工程平台对模型和应用有要求，如 define 平台，coach 平台有新版本模板和众多插件工具，还有工作流。 有魔搭社区等为大模型提供服务的平台。 预告了 AI 建站，需安装基础软件帮助文科生和无基础人员建站。

AI 可以解决以下几类问题： 1. 教育培训方面： 可以作为数字教师，如让牛顿亲自授课《牛顿运动定律》，让白居易为您讲述《长恨歌》背后的故事。 能够与学生进行对话交流，知识的获取不再受时空限制。 提供定制化的学习计划和学习资源，实现因材施教，提高学习效率和成果。 作为数字陪伴，促进儿童成长，提高学习成绩。 2. 科学研究方面： 在不追踪整个可能性图的情况下，尝试找到为不同的可能状态或结果分配分数的方法，并仅追求分数最高的路径。 在自动定理证明中，“从初始命题向下”和“从最终定理向上”工作，试图找出路径在中间的交汇处。 训练语言模型人工智能来生成代表路径的标记序列或证明。 此外，AI 还在不断发展和拓展其应用领域，为人们的生活和工作带来更多的便利和创新。

学习 AI 算法可以从以下几个方面入手： 1. 神经网络和深度学习方面： 了解麦卡洛克皮兹模型，感知机的学习机制，如罗森布拉特受唐纳德·赫布基础性工作的启发想出的让人工神经元学习的办法，包括赫布法则。 熟悉感知机学习算法的具体步骤，如从随机权重和训练集开始，根据输出值与实例的差异调整权重，直到不再出错。 2. Python 与 AI 基础方面： 掌握 AI 背景知识，包括人工智能、机器学习、深度学习的定义及其关系，以及 AI 的发展历程和重要里程碑。 巩固数学基础，如统计学基础（熟悉均值、中位数、方差等统计概念）、线性代数（了解向量、矩阵等基本概念）、概率论（基础的概率论知识，如条件概率、贝叶斯定理）。 学习算法和模型，包括监督学习（如线性回归、决策树、支持向量机）、无监督学习（如聚类、降维）、强化学习的基本概念。 了解模型的评估和调优方法，如性能评估（包括交叉验证、精确度、召回率等）、模型调优（如使用网格搜索等技术优化模型参数）。 熟悉神经网络基础，如网络结构（包括前馈网络、卷积神经网络、循环神经网络）、激活函数（如 ReLU、Sigmoid、Tanh）。 3. 强化学习方面： 了解在人工智能发展中，利用新算法解决挑战性问题的思路，如在某些领域找到适合的模拟任务环境进行训练和学习，不依赖人类专家先验。 以 AlphaZero 为例，理解其模型公式，包括定义神经网络、网络权重、棋盘状态表示、网络输出等。

对于法学本科生且人工智能小白的您，想要达到可以参加人工智能开发的地步，可以从以下角度深入学习人工智能： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，您可以根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 如果希望继续精进，对于 AI，可以尝试了解以下作为基础的内容： 1. AI 背景知识： 基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 2. 数学基础： 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 3. 算法和模型： 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 4. 评估和调优： 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 5. 神经网络基础： 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 此外，由于库和框架的支持不断增加，机器学习开始变得越来越流行。但要实现落地 AI 行业，我们必须了解这些代码背后的逻辑。一旦取消了现有框架的支持，了解这些框架背后的数学细节，编写这些算法中包含的复杂模式就会显得非常重要。至少需要了解概率、统计、线性代数、微积分和图论方面的知识。有了具体的数学知识，我们就可以充分利用机器学习的潜力，比如： 1. 凭借算法背后的内联数学知识，为数据集选择最佳算法。 2. 利用正则化器背后的数学知识帮助解决模型过拟合或高方差问题。 3. 利用图论的知识来分析数据特征之间更复杂的关系。 4. 利用优化器背后的数学知识来设计适当的成本函数。 机器学习需要的数学知识水平相对比较主观，取决于每个人的具体需求。比如正在进行机器学习的底层研究，可能需要具有深厚的数学知识，因为研究要求彻底深入。但对单纯的应用者来说，可能不需要任何高等数学的相关知识，掌握 prompt 的基础框架就可以很好的应用。