教程文档人工智能【免费下载链接】mcp-for-beginnersThis open-source curriculum introduces the fundamentals of Model Context Protocol (MCP) through real-world, cross-language examples in .NET, Java, TypeScript, JavaScript, Rust and Python. Designed for developers, it focuses on practical techniques for building modular, scalable, and secure AI workflows from session setup to service orchestration.项目地址https://gitcode.com/GitHub_Trending/mc/mcp-for-beginners点击查看免费下载本篇文章对应开源课程 mcp-for-beginners 中「Streamlining AI Workflows: Building an MCP Server with Microsoft Foundry Toolkit」工作坊的第一个模块系统讲解 Microsoft Foundry Toolkit 扩展在 VS Code 中的安装、模型目录Model Catalog浏览、Playground 模型测试以及用 Agent Builder 创建定制 AI Agent 的完整流程。读完本文你将掌握一条从零开始搭建生成式 AI 开发环境、选型与对比模型、设计高质量系统提示词并交付可运行 Agent 的实战路径为后续通过 Model Context ProtocolMCP连接外部工具打下基础。一、学习目标与模块定位本模块是四段式工作坊的起点官方标定的学习时长约为 15 分钟难度为入门级前置条件仅为安装 VS Code。完成本模块后你应当具备以下能力安装并配置 VS Code 的 Microsoft Foundry Toolkit 扩展在 Model Catalog 中浏览模型并理解不同模型来源的差异使用 Playground 对模型进行实时测试与实验借助 Agent Builder 创建自定义 AI Agent对比不同供应商模型在同一提示词下的性能表现应用提示词工程Prompt Engineering最佳实践。从整条学习路径看工作坊总览 README 明确将本模块定位为「Microsoft Foundry Toolkit Fundamentals」其产出目标是在具备对 Microsoft Foundry Toolkit 各项能力的全面理解之上创建一个可用的 AI Agent。后续 Module 2 将在此基础上把 Agent 接入 MCP 工具如 Playwright 浏览器自动化Module 3 与 Module 4 则进一步手写自定义 MCP 服务器因此本模块的每一个基础操作都会在后续环节反复使用。二、Microsoft Foundry Toolkit 是什么Microsoft Foundry ToolkitVS Code 扩展是微软面向 VS Code 的旗舰级 AI 开发扩展其目标是把 VS Code 变成一个完整的 AI 开发环境它连接了 AI 研究与实际应用开发之间的鸿沟让不同水平的开发者都能上手生成式 AI。2.1 核心能力总览能力说明典型使用场景️ Model Catalog访问来自 GitHub、ONNX、OpenAI、Anthropic、Google 等来源的 100 模型模型发现与选型 BYOM 支持集成自有模型本地或远程自定义模型部署 交互式 Playground基于聊天界面的实时模型测试快速原型与测试 多模态支持处理文本、图像与附件复杂 AI 应用⚡ 批量处理同时运行多个提示词高效测试工作流 模型评估内置指标F1、相关性、相似度、连贯性性能评估2.2 为什么值得关注加速开发从想法到原型只需数分钟统一工作流一个界面对接多个 AI 供应商便捷实验无需复杂配置即可横向对比模型生产就绪从原型到部署的过渡平滑。需要说明的是工作坊总览中同时点明了这套工具栈的另一半——Model Context ProtocolMCP它被描述为「AI 的 USB-C」用于统一 AI 与外部工具、数据源之间的连接。本模块先掌握扩展本身MCP 的接入则从下一模块开始。三、前置条件与安装3.1 系统要求工作坊总览给出了与本模块直接相关的环境基线组件要求备注操作系统Windows 10、macOS 10.15、Linux任意现代操作系统Visual Studio Code最新稳定版运行 Microsoft Foundry Toolkit 所必需Node.jsv18.0 且含 npm后续 MCP 服务器开发使用Python3.10可选用于 Python MCP 服务器内存8GB 起运行本地模型建议 16GB3.2 安装 Microsoft Foundry Toolkit 扩展第一步进入扩展市场打开 Visual Studio Code进入扩展视图快捷键CtrlShiftXmacOS 为CmdShiftX搜索「Microsoft Foundry Toolkit」。第二步选择版本Release正式版推荐用于生产环境Pre-release预发布版抢先体验最新功能但稳定性相对较低。第三步安装并激活点击 Install 完成安装后侧边栏会出现 Microsoft Foundry Toolkit 图标。下面是扩展安装后的界面示意验证清单VS Code 侧边栏出现 Microsoft Foundry Toolkit 图标扩展已启用并激活输出面板Output Panel无安装错误。四、动手实验一探索 Microsoft Foundry 模型 目标掌握 Model Catalog并完成第一个 AI 模型的测试。4.1 第一步浏览 Model CatalogModel Catalog 是进入 AI 生态的入口它聚合了多个供应商的模型方便发现与对比。操作方式在 Microsoft Foundry Toolkit 侧边栏中点击MODELS - Catalog。提示优先寻找与你使用场景匹配的模型能力标签如代码生成、创意写作、数据分析等。[!NOTE] GitHub Models 已于 2026 年 7 月 30 日退役。请改用 Microsoft Foundry 模型部署并使用 Microsoft Entra ID 或 Azure API 密钥进行身份认证。4.2 第二步添加并配置第一个模型模型选型策略GPT-5.1推荐的通用模型擅长工具调用与推理Phi-4-mini轻量、响应快适合简单任务。配置流程在目录中选择OpenAI GPT-5.1点击Add to My Models——该操作会注册模型以供使用选择Try in Playground启动测试环境等待模型初始化首次使用可能需要一点时间。理解模型参数Temperature温度控制创造性0为确定性输出1为高创造性输出Max Tokens最大令牌数限制响应最大长度Top-p核采样Nucleus Sampling参数控制响应多样性——模型只在累积概率达到p的最小 token 集合中采样p越大候选词越多、输出越多样。4.3 第三步掌握 Playground 界面Playground 是 AI 实验台。以下提示词工程最佳实践可直接套用具体明确清晰、详细的指令带来更高质量的结果提供上下文包含相关的背景信息给出示例用例子告诉模型你期望的输出形态迭代优化基于初步结果持续打磨提示词。三个可直接复制的测试场景# 示例 1代码生成 Write a Python function that calculates the factorial of a number using recursion. Include error handling and docstrings. # 示例 2创意写作 Write a professional email to a client explaining a project delay, maintaining a positive tone while being transparent about challenges. # 示例 3数据分析 Analyze this sales data and provide insights: [paste your data]. Focus on trends, anomalies, and actionable recommendations.4.4 挑战练习跨模型性能对比目标用完全相同的提示词对比不同模型理解各自优势。步骤将Phi-4-mini加入工作区对 GPT-5.1 与 Phi-4-mini 使用同一条提示词对比响应质量、速度与准确性在结果区记录你的发现。值得探索的关键洞察LLM 与 SLM小语言模型分别在什么场景更合适成本与性能之间的权衡不同模型的专项能力差异。五、动手实验二用 Agent Builder 构建自定义 Agent 目标创建面向特定任务与工作流的定制 AI Agent。5.1 理解 Agent BuilderAgent Builder 是 Microsoft Foundry Toolkit 的亮点功能它允许你将大语言模型的强大能力与自定义指令、特定参数和领域知识结合创建「专用型」AI 助手。Agent 架构组成核心模型Core Model底层 LLM如 GPT-5.1、Phi 系列系统提示词System Prompt定义 Agent 的人格与行为参数Parameters为最优表现微调设置工具集成Tools Integration连接外部 API 与 MCP 服务记忆Memory对话上下文与会话持久化。5.2 Agent 配置深入系统提示词模板创建有效系统提示词的结构模板# Template Structure: ## Role Definition You are a [specific role] with expertise in [domain]. ## Capabilities - List specific abilities - Define scope of knowledge - Clarify limitations ## Behavior Guidelines - Response style (formal, casual, technical) - Output format preferences - Error handling approach ## Examples Provide 2-3 examples of ideal interactions当然你也可以直接使用Generate System Prompt功能让 AI 帮你生成并优化提示词。参数优化建议表参数推荐范围适用场景Temperature0.1–0.3技术性/事实性回答Temperature0.7–0.9创意/头脑风暴任务Max Tokens500–1000简明回答Max Tokens2000–4000详细解释5.3 实战构建 Python 编程 Agent任务创建一个专门的 Python 编码助手。配置步骤1. 模型选择选择Claude 3.5 Sonnet代码能力出色。2. 系统提示词设计# Python Programming Expert Agent ## Role You are a senior Python developer with 10 years of experience. You excel at writing clean, efficient, and well-documented Python code. ## Capabilities - Write production-ready Python code - Debug complex issues - Explain code concepts clearly - Suggest best practices and optimizations - Provide complete working examples ## Response Format - Always include docstrings - Add inline comments for complex logic - Suggest testing approaches - Mention relevant libraries when applicable ## Code Quality Standards - Follow PEP 8 style guidelines - Use type hints where appropriate - Handle exceptions gracefully - Write readable, maintainable code3. 参数配置Temperature0.2保证代码输出的一致性与可靠性Max Tokens2000容纳详细解释Top-p0.9保持均衡的创造性。5.4 测试你的 Python Agent测试场景基础函数「Create a function to find prime numbers」复杂算法「Implement a binary search tree with insert, delete, and search methods」真实问题「Build a web scraper that handles rate limiting and retries」调试任务「Fix this code [paste buggy code]」。成功标准✅ 代码可无错误运行✅ 包含完善的文档字符串✅ 遵循 Python 最佳实践✅ 提供清晰的解释✅ 能提出改进建议。六、模块小结与后续衔接6.1 知识自检能否解释目录中不同模型之间的差异是否已成功创建并测试一个自定义 Agent是否理解如何针对不同场景优化参数能否设计有效的系统提示词6.2 通往 MCP仓库中的源码佐证本模块创建的 Agent 是后续一切能力扩展的载体。在仓库中你可以找到与「Agent 工具」这一演进方向直接对应的实现证据lab2/code/agent.py 是一个纯 Python 实现的 MCP 客户端它通过mcp的ClientSession、stdio_client/sse_client连接 MCP 服务器再调用session.list_tools()拉取工具清单、session.call_tool()执行工具调用并把工具以 OpenAI function calling 格式注入chat.completions.create的tools参数——这正是 Agent Builder 中「把 Agent 接到 Playwright 等 MCP 服务器」这一能力的底层形态Module 2 会在本模块基础上把 Agent 连接到外部工具Playwright 浏览器自动化、文件操作、企业系统等Module 3 与 Module 4 则转向反向实现——从零构建自定义 MCP 服务器Weather MCP Server、GitHub Clone Server并配合 MCP Inspector 进行调试。6.3 下一步如果你已掌握 Microsoft Foundry Toolkit 的基础能力可以继续进入Module 2: MCP with Microsoft Foundry Toolkit Fundamentals学习使用 Model Context ProtocolMCP将 Agent 连接到外部工具用 Playwright 构建浏览器自动化 Agent将 MCP 服务器集成进 Microsoft Foundry Toolkit Agent用外部数据与能力为 Agent 赋能。至此你已经完成 Microsoft Foundry Toolkit 的基础训练具备继续构建更高级 AI 应用的能力。赞分享教程文档人工智能【免费下载链接】mcp-for-beginnersThis open-source curriculum introduces the fundamentals of Model Context Protocol (MCP) through real-world, cross-language examples in .NET, Java, TypeScript, JavaScript, Rust and Python. Designed for developers, it focuses on practical techniques for building modular, scalable, and secure AI workflows from session setup to service orchestration.项目地址https://gitcode.com/GitHub_Trending/mc/mcp-for-beginners点击查看免费下载相关推荐mcp-for-beginners 实战使用 Microsoft Foundry Toolkit 构建与调试 Weather MCP Servermcp for beginners 实战使用 Microsoft Foundry Toolkit 构建与调试 Weather MCP Server 本文是 m教程文档人工智能OpenSpeedy资源使用分析PerfMon计数器配置OpenSpeedy资源使用分析PerfMon计数器配置 你是否在使用OpenSpeedy时遇到过进程监控延迟、资源占用过高或加速效果不稳定的问题本文将通过教程文档人工智能MCP 入门实战指南基于 mcp-for-beginners 从零搭建 Server、Client 与 LLM AgentMCP 入门实战指南基于 mcp for beginners 从零搭建 Server、Client 与 LLM Agent 本文是 mcp for begin教程文档人工智能上一篇Zeek Broker 数据表示深入指南Broker::Data 类型体系与 Zeek/Broker 值转换原理下一篇OpenCodeInterpreter数据安全实践本地执行环境配置与防护措施全指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 mcp-for-beginners 实战指南：Microsoft Foundry Toolkit 基础与 AI Agent 构建（Module 1）
教程文档人工智能【免费下载链接】mcp-for-beginnersThis open-source curriculum introduces the fundamentals of Model Context Protocol (MCP) through real-world, cross-language examples in .NET, Java, TypeScript, JavaScript, Rust and Python. Designed for developers, it focuses on practical techniques for building modular, scalable, and secure AI workflows from session setup to service orchestration.项目地址https://gitcode.com/GitHub_Trending/mc/mcp-for-beginners点击查看免费下载本篇文章对应开源课程 mcp-for-beginners 中「Streamlining AI Workflows: Building an MCP Server with Microsoft Foundry Toolkit」工作坊的第一个模块系统讲解 Microsoft Foundry Toolkit 扩展在 VS Code 中的安装、模型目录Model Catalog浏览、Playground 模型测试以及用 Agent Builder 创建定制 AI Agent 的完整流程。读完本文你将掌握一条从零开始搭建生成式 AI 开发环境、选型与对比模型、设计高质量系统提示词并交付可运行 Agent 的实战路径为后续通过 Model Context ProtocolMCP连接外部工具打下基础。一、学习目标与模块定位本模块是四段式工作坊的起点官方标定的学习时长约为 15 分钟难度为入门级前置条件仅为安装 VS Code。完成本模块后你应当具备以下能力安装并配置 VS Code 的 Microsoft Foundry Toolkit 扩展在 Model Catalog 中浏览模型并理解不同模型来源的差异使用 Playground 对模型进行实时测试与实验借助 Agent Builder 创建自定义 AI Agent对比不同供应商模型在同一提示词下的性能表现应用提示词工程Prompt Engineering最佳实践。从整条学习路径看工作坊总览 README 明确将本模块定位为「Microsoft Foundry Toolkit Fundamentals」其产出目标是在具备对 Microsoft Foundry Toolkit 各项能力的全面理解之上创建一个可用的 AI Agent。后续 Module 2 将在此基础上把 Agent 接入 MCP 工具如 Playwright 浏览器自动化Module 3 与 Module 4 则进一步手写自定义 MCP 服务器因此本模块的每一个基础操作都会在后续环节反复使用。二、Microsoft Foundry Toolkit 是什么Microsoft Foundry ToolkitVS Code 扩展是微软面向 VS Code 的旗舰级 AI 开发扩展其目标是把 VS Code 变成一个完整的 AI 开发环境它连接了 AI 研究与实际应用开发之间的鸿沟让不同水平的开发者都能上手生成式 AI。2.1 核心能力总览能力说明典型使用场景️ Model Catalog访问来自 GitHub、ONNX、OpenAI、Anthropic、Google 等来源的 100 模型模型发现与选型 BYOM 支持集成自有模型本地或远程自定义模型部署 交互式 Playground基于聊天界面的实时模型测试快速原型与测试 多模态支持处理文本、图像与附件复杂 AI 应用⚡ 批量处理同时运行多个提示词高效测试工作流 模型评估内置指标F1、相关性、相似度、连贯性性能评估2.2 为什么值得关注加速开发从想法到原型只需数分钟统一工作流一个界面对接多个 AI 供应商便捷实验无需复杂配置即可横向对比模型生产就绪从原型到部署的过渡平滑。需要说明的是工作坊总览中同时点明了这套工具栈的另一半——Model Context ProtocolMCP它被描述为「AI 的 USB-C」用于统一 AI 与外部工具、数据源之间的连接。本模块先掌握扩展本身MCP 的接入则从下一模块开始。三、前置条件与安装3.1 系统要求工作坊总览给出了与本模块直接相关的环境基线组件要求备注操作系统Windows 10、macOS 10.15、Linux任意现代操作系统Visual Studio Code最新稳定版运行 Microsoft Foundry Toolkit 所必需Node.jsv18.0 且含 npm后续 MCP 服务器开发使用Python3.10可选用于 Python MCP 服务器内存8GB 起运行本地模型建议 16GB3.2 安装 Microsoft Foundry Toolkit 扩展第一步进入扩展市场打开 Visual Studio Code进入扩展视图快捷键CtrlShiftXmacOS 为CmdShiftX搜索「Microsoft Foundry Toolkit」。第二步选择版本Release正式版推荐用于生产环境Pre-release预发布版抢先体验最新功能但稳定性相对较低。第三步安装并激活点击 Install 完成安装后侧边栏会出现 Microsoft Foundry Toolkit 图标。下面是扩展安装后的界面示意验证清单VS Code 侧边栏出现 Microsoft Foundry Toolkit 图标扩展已启用并激活输出面板Output Panel无安装错误。四、动手实验一探索 Microsoft Foundry 模型 目标掌握 Model Catalog并完成第一个 AI 模型的测试。4.1 第一步浏览 Model CatalogModel Catalog 是进入 AI 生态的入口它聚合了多个供应商的模型方便发现与对比。操作方式在 Microsoft Foundry Toolkit 侧边栏中点击MODELS - Catalog。提示优先寻找与你使用场景匹配的模型能力标签如代码生成、创意写作、数据分析等。[!NOTE] GitHub Models 已于 2026 年 7 月 30 日退役。请改用 Microsoft Foundry 模型部署并使用 Microsoft Entra ID 或 Azure API 密钥进行身份认证。4.2 第二步添加并配置第一个模型模型选型策略GPT-5.1推荐的通用模型擅长工具调用与推理Phi-4-mini轻量、响应快适合简单任务。配置流程在目录中选择OpenAI GPT-5.1点击Add to My Models——该操作会注册模型以供使用选择Try in Playground启动测试环境等待模型初始化首次使用可能需要一点时间。理解模型参数Temperature温度控制创造性0为确定性输出1为高创造性输出Max Tokens最大令牌数限制响应最大长度Top-p核采样Nucleus Sampling参数控制响应多样性——模型只在累积概率达到p的最小 token 集合中采样p越大候选词越多、输出越多样。4.3 第三步掌握 Playground 界面Playground 是 AI 实验台。以下提示词工程最佳实践可直接套用具体明确清晰、详细的指令带来更高质量的结果提供上下文包含相关的背景信息给出示例用例子告诉模型你期望的输出形态迭代优化基于初步结果持续打磨提示词。三个可直接复制的测试场景# 示例 1代码生成 Write a Python function that calculates the factorial of a number using recursion. Include error handling and docstrings. # 示例 2创意写作 Write a professional email to a client explaining a project delay, maintaining a positive tone while being transparent about challenges. # 示例 3数据分析 Analyze this sales data and provide insights: [paste your data]. Focus on trends, anomalies, and actionable recommendations.4.4 挑战练习跨模型性能对比目标用完全相同的提示词对比不同模型理解各自优势。步骤将Phi-4-mini加入工作区对 GPT-5.1 与 Phi-4-mini 使用同一条提示词对比响应质量、速度与准确性在结果区记录你的发现。值得探索的关键洞察LLM 与 SLM小语言模型分别在什么场景更合适成本与性能之间的权衡不同模型的专项能力差异。五、动手实验二用 Agent Builder 构建自定义 Agent 目标创建面向特定任务与工作流的定制 AI Agent。5.1 理解 Agent BuilderAgent Builder 是 Microsoft Foundry Toolkit 的亮点功能它允许你将大语言模型的强大能力与自定义指令、特定参数和领域知识结合创建「专用型」AI 助手。Agent 架构组成核心模型Core Model底层 LLM如 GPT-5.1、Phi 系列系统提示词System Prompt定义 Agent 的人格与行为参数Parameters为最优表现微调设置工具集成Tools Integration连接外部 API 与 MCP 服务记忆Memory对话上下文与会话持久化。5.2 Agent 配置深入系统提示词模板创建有效系统提示词的结构模板# Template Structure: ## Role Definition You are a [specific role] with expertise in [domain]. ## Capabilities - List specific abilities - Define scope of knowledge - Clarify limitations ## Behavior Guidelines - Response style (formal, casual, technical) - Output format preferences - Error handling approach ## Examples Provide 2-3 examples of ideal interactions当然你也可以直接使用Generate System Prompt功能让 AI 帮你生成并优化提示词。参数优化建议表参数推荐范围适用场景Temperature0.1–0.3技术性/事实性回答Temperature0.7–0.9创意/头脑风暴任务Max Tokens500–1000简明回答Max Tokens2000–4000详细解释5.3 实战构建 Python 编程 Agent任务创建一个专门的 Python 编码助手。配置步骤1. 模型选择选择Claude 3.5 Sonnet代码能力出色。2. 系统提示词设计# Python Programming Expert Agent ## Role You are a senior Python developer with 10 years of experience. You excel at writing clean, efficient, and well-documented Python code. ## Capabilities - Write production-ready Python code - Debug complex issues - Explain code concepts clearly - Suggest best practices and optimizations - Provide complete working examples ## Response Format - Always include docstrings - Add inline comments for complex logic - Suggest testing approaches - Mention relevant libraries when applicable ## Code Quality Standards - Follow PEP 8 style guidelines - Use type hints where appropriate - Handle exceptions gracefully - Write readable, maintainable code3. 参数配置Temperature0.2保证代码输出的一致性与可靠性Max Tokens2000容纳详细解释Top-p0.9保持均衡的创造性。5.4 测试你的 Python Agent测试场景基础函数「Create a function to find prime numbers」复杂算法「Implement a binary search tree with insert, delete, and search methods」真实问题「Build a web scraper that handles rate limiting and retries」调试任务「Fix this code [paste buggy code]」。成功标准✅ 代码可无错误运行✅ 包含完善的文档字符串✅ 遵循 Python 最佳实践✅ 提供清晰的解释✅ 能提出改进建议。六、模块小结与后续衔接6.1 知识自检能否解释目录中不同模型之间的差异是否已成功创建并测试一个自定义 Agent是否理解如何针对不同场景优化参数能否设计有效的系统提示词6.2 通往 MCP仓库中的源码佐证本模块创建的 Agent 是后续一切能力扩展的载体。在仓库中你可以找到与「Agent 工具」这一演进方向直接对应的实现证据lab2/code/agent.py 是一个纯 Python 实现的 MCP 客户端它通过mcp的ClientSession、stdio_client/sse_client连接 MCP 服务器再调用session.list_tools()拉取工具清单、session.call_tool()执行工具调用并把工具以 OpenAI function calling 格式注入chat.completions.create的tools参数——这正是 Agent Builder 中「把 Agent 接到 Playwright 等 MCP 服务器」这一能力的底层形态Module 2 会在本模块基础上把 Agent 连接到外部工具Playwright 浏览器自动化、文件操作、企业系统等Module 3 与 Module 4 则转向反向实现——从零构建自定义 MCP 服务器Weather MCP Server、GitHub Clone Server并配合 MCP Inspector 进行调试。6.3 下一步如果你已掌握 Microsoft Foundry Toolkit 的基础能力可以继续进入Module 2: MCP with Microsoft Foundry Toolkit Fundamentals学习使用 Model Context ProtocolMCP将 Agent 连接到外部工具用 Playwright 构建浏览器自动化 Agent将 MCP 服务器集成进 Microsoft Foundry Toolkit Agent用外部数据与能力为 Agent 赋能。至此你已经完成 Microsoft Foundry Toolkit 的基础训练具备继续构建更高级 AI 应用的能力。赞分享教程文档人工智能【免费下载链接】mcp-for-beginnersThis open-source curriculum introduces the fundamentals of Model Context Protocol (MCP) through real-world, cross-language examples in .NET, Java, TypeScript, JavaScript, Rust and Python. Designed for developers, it focuses on practical techniques for building modular, scalable, and secure AI workflows from session setup to service orchestration.项目地址https://gitcode.com/GitHub_Trending/mc/mcp-for-beginners点击查看免费下载相关推荐mcp-for-beginners 实战使用 Microsoft Foundry Toolkit 构建与调试 Weather MCP Servermcp for beginners 实战使用 Microsoft Foundry Toolkit 构建与调试 Weather MCP Server 本文是 m教程文档人工智能OpenSpeedy资源使用分析PerfMon计数器配置OpenSpeedy资源使用分析PerfMon计数器配置 你是否在使用OpenSpeedy时遇到过进程监控延迟、资源占用过高或加速效果不稳定的问题本文将通过教程文档人工智能MCP 入门实战指南基于 mcp-for-beginners 从零搭建 Server、Client 与 LLM AgentMCP 入门实战指南基于 mcp for beginners 从零搭建 Server、Client 与 LLM Agent 本文是 mcp for begin教程文档人工智能上一篇Zeek Broker 数据表示深入指南Broker::Data 类型体系与 Zeek/Broker 值转换原理下一篇OpenCodeInterpreter数据安全实践本地执行环境配置与防护措施全指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考