Skip to main content

Search: #MCP

面条的草稿箱
面条的草稿箱
无原创，纯转发

  1. CoreSpeed：为 AI Agent 打造的容器运行时基础设施

    CoreSpeed 主打把「Agent 运行」这件事做成开箱即用的基础设施：你可以像部署普通容器一样部署 AI Agent，并获得更快启动、更强隔离和更易扩展的体验。

    它解决的核心问题：把 Agent 从 Demo 变成可上线的系统。

    关键能力一览

    • 127ms 级别快速启动：通过内置 Warm Pool，让容器接近“秒开/毫秒开”，减少冷启动等待。
    • 按用户隔离的安全沙箱：一人一容器，降低数据串扰与安全风险。
    • 无限水平扩展 + 可缩到 0：按需分配资源，空闲可降到零成本运行。
    • AI & MCP Gateway：统一接入 AI 模型与 MCP Server，提供可观测性与安全防护（例如减少 API Key 泄露风险），并支持按调用计费。

    配套：Zypher（TypeScript Agent Runtime）

    同时他们提供 Zypher SDK，强调：

    • 不是固定工作流，而是「真 Agent」的反应式循环
    • 模型/供应商无关（Claude、GPT 等）
    • 多 Agent 协作架构
    • 丰富工具与 MCP 协议支持
    • 更节省 Token 的上下文加载与执行策略

    原文链接：https://www.corespeed.io/

    #AI代理 #容器基础设施 #MCP #AgentRuntime #开发者工具
    OpenClaw
    OpenClaw — AI Agent Launcher | Have Your Agent in 1 Minute
    Launch AI agents in 1 minute with OpenClaw. One-click setup, cloud computer per agent, 24/7 online, 10-second Turbo-Start. Built by CoreSpeed.

  2. Tool Search Tool：让大规模工具库“按需加载”

    当你的系统里有上百甚至上千个工具时，把所有工具定义一次性塞进上下文，会带来两个典型问题：既浪费上下文窗口（50 个工具就可能吃掉 1–2 万 token），也会让模型在 30–50 个工具以上更容易选错工具。Tool Search Tool 的思路是：先只暴露“搜索工具的工具”，其余工具标记为延迟加载；模型需要时先搜索，再把最相关的少量工具定义加载进来使用。

    核心机制（7 步）

    • 请求里先放入工具搜索工具（Regex 或 BM25 版本）+ 少量常用非延迟工具
    • 其余工具定义加上 defer_loading: true（不立即进上下文）
    • 模型需要更多工具时，先调用 tool search
    • 服务端返回 3–5 个最相关的 tool_reference
    • 这些引用会被自动展开成完整工具定义
    • 模型再从“已发现”的工具里选择并调用
    • 这样既省上下文，又保持工具选择准确率

    两种搜索方式怎么选

    • Regex 版（tool_search_tool_regex_20251119）：查询是 Python 正则，不是自然语言；适合你希望可控匹配（如 get_.*_data、(?i)slack）。限制：模式最长 200 字符。
    • BM25 版（tool_search_tool_bm25_20251119）：查询用自然语言；更适合“我想做什么”式的描述。

    两种方式都会搜索：工具名、描述、参数名、参数描述。

    延迟加载的最佳实践

    • 工具搜索工具本身不要设置 defer_loading: true
    • 保留 3–5 个最常用工具为非延迟（提升命中与体验）
    • 工具命名与描述尽量贴近用户常用说法（提升可检索性）
    • 适合场景：工具 >10 个、工具定义 >10K token、工具选择准确率下降、MCP 多服务器（200+ 工具）等
    • 不太适合：工具 <10 个且几乎每次都要用、工具定义非常短

    响应与错误处理要点

    • 响应里会出现 server_tool_use（触发工具搜索）与 tool_search_tool_result（返回引用列表）
    • 常见 400 错误：
    • 全部工具都 deferred：至少要有 1 个非延迟工具
    • 引用的工具缺少定义：tool_reference 指向的工具必须在顶层 tools 里有对应定义（并通常设为 deferred）
    • 工具搜索执行期错误（仍返回 200）：如 invalid_pattern、pattern_too_long、too_many_requests、unavailable

    与 MCP、缓存、流式的配合

    • 可与 MCP toolset 结合：用 default_config.defer_loading 控制 MCP 工具默认延迟加载，并可对特定工具覆盖
    • 支持 prompt caching：已发现的工具可在后续轮次复用，不必每次重新搜索
    • 流式返回会把搜索调用与结果作为事件发出，便于前端展示“正在搜索/已找到工具”

    原文链接：https://platform.claude.com/docs/en/agents-and-tools/tool-use/tool-search-tool

    #工具调用 #Agent开发 #上下文优化 #MCP #API设计
    Claude API Docs
    Tool search tool
    Tool search tool
    Claude API Documentation

  3. Ref：给你的 AI Agent 一份“刚刚好”的文档上下文

    做 AI 编程助手最怕两件事：胡编和上下文膨胀。Ref 主打的就是把问题变简单——让你的 Agent 能随用随查公共/私有技术文档，只拿“够用且准确”的信息。

    它怎么做？
    Ref 通过 MCP（Model Context Protocol）把文档上下文接到你的 AI 工具里：既有持续更新的公共文档索引，也支持把你的私有资料（如 GitHub 仓库、PDF）纳入检索。

    给 Agent 的两个核心能力：

    • search_documentation：面向技术文档的精确搜索，能定位到具体章节，支持公有与私有文档集。
    • read_url：读取任意网页或 GitHub 文件内容（可含私有内容），适合顺藤摸瓜跟进链接。

    为什么不是“东拼西凑工具链”？
    你当然可以分别用：代码片段、搜索、爬取、私有代码检索、PDF 检索等工具组合；Ref 的定位是把这些需求尽量合并成一个更统一的入口，减少集成成本与上下文噪音。

    安全与企业能力（官方强调点）：

    • SOC2 合规（并提供 Trust Center 与隐私安全说明）
    • 支持 SSO 与 MCP OAuth
    • 提供“主动提示注入防护”（对返回的上下文做注入扫描，仍在开发中）

    定价概览：

    • Free：200 credits（不刷新、不失效，官方估算约 10 周常规使用）
    • Basic：$9/月，1000 credits
    • Team：$9/月/席位，1000 credits/席位（团队共享私有文档索引与统一账单）
    • Enterprise：SSO、SOC2、优先支持、定制化等

    如果你在用 Claude/Cursor/Zed 等工具做工程开发，且经常需要“查最新文档 + 查公司内部资料”，这种“面向文档的上下文层”会比泛用搜索/爬虫更省 token，也更贴近代码场景。

    原链接：https://ref.tools/

    #MCP #开发者工具 #技术文档 #AI编程助手 #RAG
    ref.tools
    Ref - Context for your coding agent
    Give your agent the docs it needs to succeed. Exactly the tokens you need, no bloat.

  4. AI SDK 6：从“调用模型”到“构建可复用智能体”

    Vercel 发布 AI SDK 6，把 TypeScript AI 应用的开发重心从函数式调用（generateText/streamText）进一步推进到可复用、可维护、可观测的 **Agent（智能体）**体系，并补齐了安全审批、MCP 全能力支持、调试工具等关键环节。

    这次更新最值得关注的点

    • Agents / ToolLoopAgent：用 Agent 抽象把 模型、指令、工具 固化成可复用单元；ToolLoopAgent 提供“模型调用 → 工具执行 → 回填结果 → 继续推理”的生产级循环（默认最多 20 步），同一套定义可在 UI、API、后台任务复用。
    • 工具执行审批（Human-in-the-loop）：工具支持 needsApproval，可按输入内容动态决定是否需要人工确认，适合删除文件、支付、修改生产数据等高风险操作。
    • 工具能力增强：
    • Strict Mode 可按工具粒度开启，避免某个工具 schema 不兼容导致整次请求失败。
    • Input Examples 用“正确示例”提升模型生成工具入参的稳定性。
    • toModelOutput 将“应用拿到的完整结果”和“发回模型的 token 内容”分离，减少大文本/二进制（截图、图片）带来的上下文浪费。
    • MCP（Model Context Protocol）更完整且稳定：新增/完善 OAuth 认证、Resources、Prompts、Elicitation，并在 @ai-sdk/mcp 中以稳定形态提供，便于对接远程 MCP 服务与第一方数据源。
    • 工具调用 + 结构化输出：generateText 与 generateObject 能力统一，支持在多步工具链路后直接生成最终结构化结果（通过 Output.* 声明输出形态）。
    • DevTools 可观测性：通过中间件记录并可视化每一步的输入输出、工具调用、token 消耗、耗时与原始请求/响应，解决多步 agent 调试“黑盒”问题。
    • Reranking（重排序）：新增 rerank，把检索结果按相关性排序，只喂最相关上下文给模型（当前支持 Cohere、Amazon Bedrock、Together.ai）。
    • 标准 JSON Schema 生态：支持实现 Standard JSON Schema 接口的任意 schema 库，降低与特定校验库的绑定成本。
    • 图像编辑：generateImage 支持带参考图的编辑（如修补/扩展/风格迁移等），不再只限于文生图。
    • 更细的返回原因与用量统计：新增 rawFinishReason，并扩展 usage 的输入/输出细分，方便成本优化与兼容不同供应商行为。
    • LangChain 适配器重写：更贴合现代 LangChain/LangGraph，支持流式事件转换、工具调用部分输入流等能力。
    • 更多 Provider Tools：围绕 Anthropic/OpenAI/Google/xAI 等提供平台特性工具（如代码执行、文件搜索、Web/X 搜索、MCP 工具等）。

    升级提示

    从 v5 升级到 v6，可先跑官方 codemod：npx @ai-sdk/codemod v6（文中也提供迁移指南链接）。

    原文链接：https://vercel.com/blog/ai-sdk-6
    #Vercel #AISDK #Agent #MCP #TypeScript
    Vercel
    AI SDK 6 - Vercel
    AI SDK 6 - Vercel
    Introducing agents, tool execution approval, DevTools, full MCP support, reranking, image editing, and more.

  5. 一份配置，多端通用：MCP Config 转换器

    mcp-config 是一个参考实现：把“同一份 MCP Server 配置”一键转换成不同应用所需的配置文件或命令，避免在 Claude Desktop、Cursor、VS Code 等多处重复手工改配置。

    它解决什么问题

    • 只维护一份 MCP Server 定义（支持远程 HTTP / 本地 stdio）
    • 按目标客户端输出对应格式：JSON / CLI / TOML
    • 适配 30+ 客户端格式，减少迁移与同步成本

    怎么用（概念流程）

    • 将仓库的 src/ 复制到你的项目中
    • 使用 getClients() 查看支持的客户端
    • 用 transformConfig({ server, client }) 生成目标客户端需要的配置字符串（例如 Cursor 的 JSON，或 Claude Code 的添加命令）

    支持范围（示例）

    • JSON 类：Claude Desktop、Cursor、Windsurf、VS Code/Copilot、JetBrains、Zed、Warp、Perplexity Desktop 等
    • CLI 类：Claude Code、Amp、OpenAI Codex CLI 等

    适合谁

    • 同时在多个 IDE/客户端里用 MCP 的开发者与团队
    • 想把“配置维护”从手工劳动变成可复用工具链的人

    原链接：https://github.com/iannuttall/mcp-config

    #MCP #配置管理 #开发工具 #TypeScript #效率提升
    GitHub
    GitHub - iannuttall/mcp-config: Turn one MCP server setup into the right format for lots of apps.
    GitHub - iannuttall/mcp-config: Turn one MCP server setup into the right format for lots of apps.
    Turn one MCP server setup into the right format for lots of apps. - iannuttall/mcp-config

  6. 别构建 Agent，构建 Skills 才是正道

    来自 Anthropic 的 Barry Zhang 和 Mahesh Murag 在 AI Engineer 大会上分享了一个重要理念：与其不断重建 Agent，不如专注构建 Skills。

    核心观点：

    🔹 代码是通用接口 — 代码不仅是一种用例，更是连接数字世界的通用接口。Claude Code 实际上是一个通用型 Agent，核心脚手架可以简化到 bash 和文件系统。

    🔹 Agent 的短板 — 当前 Agent 虽然智能，但缺乏领域专业知识。就像让天才数学家去报税，不如找一个经验丰富的税务专家。

    🔹 什么是 Skills — Skills 是组织化的文件夹集合，包含可组合的程序性知识。设计上保持简单：可以用 Git 版本控制、放在 Google Drive、打包分享。

    🔹 渐进式加载 — Skills 采用渐进式披露机制，运行时仅加载元数据，需要时才读取完整内容，可支持数百个 Skills 同时存在。

    🔹 生态发展 — 发布 5 周已产生数千个 Skills，涵盖基础能力、第三方集成、企业内部知识等类型。非技术人员如财务、法务也在创建 Skills。

    🔹 与 MCP 互补 — MCP 提供外部世界的连接，Skills 提供专业知识，两者协同工作。

    🔹 持续学习 — Skills 让 Claude 在第 30 天比第 1 天更强，学习成果可跨会话迁移。

    类比传统计算：
    模型 ≈ 处理器
    Agent 运行时 ≈ 操作系统
    Skills ≈ 应用程序

    📺 原视频

    #AIAgent #Skills #Anthropic #ClaudeCode #MCP
    YouTube
    Don't Build Agents, Build Skills Instead – Barry Zhang & Mahesh Murag, Anthropic
    In the past year, we've seen rapid advancement of model intelligence and convergence on agent scaffolding. But there's still a gap: agents often lack the domain expertise and specialized knowledge needed for real-world work. We think Skills are the solution—a…

  7. MCPorter 🧳 — TypeScript 调用 MCP 服务器的终极工具

    MCPorter 是一个 TypeScript 运行时、CLI 和代码生成工具包，专为 Model Context Protocol (MCP) 设计。它让开发者能够以更优雅的方式调用 MCP 服务器，无需繁琐的配置和模板代码。

    核心特性：

    • 零配置发现 — 自动合并来自 Cursor、Claude、Codex、Windsurf、VS Code 等编辑器的 MCP 配置
    • 一键生成 CLI — 将任意 MCP 服务器定义转换为可分发的命令行工具
    • 类型安全客户端 — 自动生成 .d.ts 接口和客户端包装器
    • 友好的 API — createServerProxy() 暴露驼峰命名方法，自动处理 JSON Schema 默认值
    • OAuth 支持 — 内置 OAuth 缓存，支持 HTTP、SSE 和 stdio 传输协议

    快速开始：

    # 列出你的 MCP 服务器
npx mcporter list

# 调用工具
npx mcporter call context7.resolve-library-id libraryName=react

# 生成独立 CLI
npx mcporter generate-cli --command https://mcp.context7.com/mcp


    安装方式：

    # 使用 npx 即时运行
npx mcporter list

# 添加到项目
pnpm add mcporter

# Homebrew
brew install steipete/tap/mcporter


    项目采用 MIT 许可证，当前版本 v0.7.1。

    🔗 GitHub 仓库

    #MCP #TypeScript #CLI #开发工具 #AI工具
    GitHub
    GitHub - steipete/mcporter: Call MCPs via TypeScript, masquerading as simple TypeScript API. Or package them as cli.
    GitHub - steipete/mcporter: Call MCPs via TypeScript, masquerading as simple TypeScript API. Or package them as cli.
    Call MCPs via TypeScript, masquerading as simple TypeScript API. Or package them as cli. - steipete/mcporter

  8. Linux Foundation 宣布成立 Agentic AI 基金会 (AAIF)

    Linux Foundation 正式宣布成立 Agentic AI Foundation (AAIF)，由 Anthropic、Block 和 OpenAI 联合发起，旨在为智能体 AI 的发展提供开放、透明、协作的治理平台。

    核心项目贡献：

    • MCP (Model Context Protocol) — Anthropic 贡献，已成为连接 AI 模型与工具、数据和应用的通用标准协议，发布一年内已有超过 10,000 个 MCP 服务器，被 Claude、Cursor、ChatGPT、Gemini、VS Code 等主流平台采用

    • goose — Block 贡献，开源本地优先的 AI 智能体框架，结合语言模型、可扩展工具和 MCP 集成

    • AGENTS.md — OpenAI 贡献，为 AI 编码智能体提供项目级指导的通用标准，已被超过 60,000 个开源项目采用

    重量级成员阵容：

    白金会员包括 AWS、Anthropic、Block、Bloomberg、Cloudflare、Google、Microsoft 和 OpenAI；黄金会员包括 IBM、JetBrains、Oracle、Salesforce、SAP 等；白银会员包括 Hugging Face、Uber、Zapier 等知名公司。

    Linux Foundation 执行董事 Jim Zemlin 表示："AI 正从对话系统转向可协作的自主智能体，这是 AI 发展的新阶段。将这些项目纳入 AAIF 确保它们在开放治理下持续发展。"

    下一届 MCP Dev Summit 将于 2026 年 4 月 2-3 日在纽约举行。

    🔗 原文链接

    #AgenticAI #MCP #LinuxFoundation #开源 #AI基金会
1px