MCP 不只是一组工具：用 mcp-use 把 Server、React View 与 Inspector 串成可执行的 AI 应用
MCP 的价值不只在于让模型呼叫工具，而在于能否把工具、结构化结果、互动介面与除错流程组成一个可维护的应用。本文以 mcp-use 为例，从快速建立 MCP Server 开始，拆解它如何把 TypeScript 型别、React View、Inspector 与代理导向的开发流程放在同一个框架里，并整理适用情境与导入时必须面对的限制。
最新文章
探索 AI 应用的最新趋势与实用技巧
从 RAG 到 Agent：Haystack 3.0 如何把 LLM 应用拆成可追踪的 Pipeline
Haystack 3.0 以 component 与 Pipeline 为核心，将 RAG、Agent、检索、工具呼叫与生成拆成可组合、可测试的资料流。本文从官方 source code 出发，带你理解它的设计、最小 RAG 实作与适合的落地场景。
让 LLM 读懂整个程式库：用 Repomix 建立可控、可压缩的程式码上下文
当 AI 助手只看到零散档案，重构与除错很容易失去上下文。Repomix 将程式库整理成 XML、Markdown、JSON 或纯文字输出，并把档案筛选、token 统计、Tree-sitter 压缩、MCP 与安全检查放进同一条工作流。本文从实际指令出发，说明如何把它变成可靠的 AI 程式码阅读入口。
CrewAI：用 Crews 與 Flows 把多代理實驗推進可控的生產工作流
CrewAI 把多代理應用拆成兩個互補層：用 Crews 處理角色化 Agent 協作，用 Flows 管理事件、狀態、分支與副作用。本文從最小 Flow 開始，示範如何把 Crew 放進流程，並整理走向生產環境時必須補上的驗證、觀測與權限邊界。
LangGraph：把狀態、流程與人工介入變成可恢復的 AI Agent 圖
LangGraph 不是另一個模型，而是把有狀態 Agent 拆成可測試、可暫停、可恢復的 graph orchestration layer。本文從 State、Node、Edge 出發，實作一個最小工作流，再拆解 durable execution、interrupts 與 memory 如何支撐 production Agent。
当资料不再只是批次：用 Pathway 建立可持续更新的即时 RAG 管线
RAG 系统最容易被低估的成本，不是第一次把文件塞进向量资料库，而是之后如何持续接住变动中的资料。Pathway 把串流处理、即时分析与 LLM 管线放进同一个 Python 框架，让我们可以用接近资料工程的方式建立会自动更新的 RAG 应用。