构建AI智能体:五十、ModelScope MCP广场 · MCP协议 · Cherry Studio:AI应用生产线

简介: 本文介绍了AI开发生态中的三个关键组件:CherryStudio可视化开发平台、ModelScope MCP广场和MCP协议标准。CherryStudio作为低代码AI应用开发环境,通过拖拽式界面简化了基于大语言模型的智能体构建;ModelScope MCP广场作为官方MCPServer分发中心,提供各类工具服务的发现与管理;MCP协议则定义了LLM与外部工具的安全连接标准。三者构建了从资源发现、能力连接到应用落地的完整AI开发链条,推动AI开发从手工作坊迈向工业化时代。文章还演示了如何在CherryStu

一、Cherry Studio简介

       Cherry Studio 是一个面向未来的 AI 应用开发平台,它通过将复杂的 AI 开过程可视化、模块化,并拥抱像 MCP 这样的开放标准,成功地弥合了 AI 想法与可实现产品之间的鸿沟。对于任何希望快速、高效地构建和分享 LLM 驱动应用程序的个人或团队来说,它都是一个极具吸引力的强大工具。

50.2-Cherry Studio2.jpg

1. 核心定义

       Cherry Studio 是一个基于云的、低代码/无代码的可视化集成开发环境,专门用于快速构建、测试和部署基于大语言模型的应用程序和智能体。

2. 核心功能与特点

  • 可视化工作流构建器:通过拖放节点(LLM调用、工具、逻辑判断、API请求等)来设计复杂的AI应用逻辑,无需编写大量代码。
  • 强大的智能体构建:支持创建具备规划、工具使用能力的单一智能体,以及能够协作的多智能体系统。

50.3-Cherry Studio界面 微信图片_20251001221508_137_155.png

  • 原生集成 MCP:作为MCP客户端,可以无缝连接和管理大量MCP Server,从而轻松地为LLM扩展工具和能力(如搜索、数据库、文件操作等)。这是其最突出的优势之一。
  • 协作与部署:支持团队协作开发、版本管理,并能一键将工作流部署为可共享的Web应用或API端点。
  • 多模型支持:可以方便地切换和配置不同的底层LLM(如GPT、Claude、开源模型等)。

50.4-Cherry Studio设置 微信图片_20251001220930_136_155.png

3. 解决的问题

开发效率:极大降低了构建AI应用的门槛,让产品经理、创业者乃至开发者都能快速将想法转化为可交互的原型。

复杂性管理:通过可视化界面,简化了提示词工程、工具调用链、逻辑控制等复杂环节的管理。

工具生态:通过MCP,解决了AI应用与外部工具和数据源安全、标准化集成的问题。

4. 典型应用场景

  • 快速构建一个具备网络搜索和报告生成能力的“研究助手”。
  • 创建一个多角色(如销售、客服、技术)的客户问询自动分配与回复系统。
  • 为内部业务系统(如CRM、ERP)构建一个自然语言查询界面。

5. 角色比喻

       像一个专门建造AI机器人的“现代化智能工厂”。它提供了生产线、标准化零件和组装界面,让你能轻松地组合出各种功能的机器人。

二、ModelScope MCP广场

       ModelScope MCP 广场是一个将 ModelScope 的模型生态与 MCP 的工具生态桥接起来,为用户创造了一个无缝的、强大的“模型+工具”一体化体验。它极大地降低了使用 AI 能力的门槛,是推动 AI 智能体走向普及化和实用化的重要一步。

50.5-ModelScope MCP广场 微信图片_20251001222138_138_155.png

1. 核心定义

       ModelScope MCP 广场 是 ModelScope 平台官方推出的一個功能板块,是一个 MCP Server 的官方集散地和分发中心。

       它的核心作用是:让 ModelScope 的用户能够轻松地发现、安装和管理各种 MCP Server,从而为他们所使用的 AI 应用扩展强大的外部工具和能力。简单来说:它就像是 ModelScope 为整个 MCP 生态建立的一个“官方应用商店”。

2. 诞生背景

  • MCP 的兴起:MCP 协议因其标准化和安全性,正迅速成为连接 LLM 与外部工具的事实标准。但用户面临“从哪里找可靠的 MCP Server”和“如何安装管理”的难题。
  • ModelScope 的生态扩展:ModelScope 不再满足于只做“模型仓库”,它希望构建一个从模型、数据到工具能力的全链路 AI 开发生态。
  • 强强联合:将 ModelScope 巨大的开发者流量和分发能力,与 MCP 先进的工具协议相结合,能为双方生态带来巨大价值。

3. 核心功能

  • 官方认证:广场上的 MCP Server 大多经过 ModelScope 团队的审核或认证,在质量和安全性上更有保障。
  • 分类浏览:提供清晰的分类,如“开发工具”、“办公效率”、“网络搜索”、“数据分析”等,方便用户按需查找。
  • 详细说明:每个 Server 都有详细的介绍页面,包括功能描述、使用方法、参数说明等。

50.6-模型详细说明 微信图片_20251001223504_139_155.png

  • 中文模型特色:汇集了大量优秀的中文模型,是获取和使用针对中文优化的模型的首选平台。

4. 解决的问题

  • 模型获取与发现:解决了开发者“哪里能找到好用的、最新的开源模型”的痛点。
  • 环境配置难题:不同模型依赖的环境不同,配置复杂,ModelScope提供了标准化的环境,简化了使用流程。
  • 复现与实验:为研究人员和学生提供了低成本的模型实验和复现环境。

5. 典型应用场景

  • 一个开发者想找一个能写古诗的AI,直接在ModelScope上搜索并调用。
  • 一个学生想学习如何对千问模型进行微调,使用ModelScope的Notebook和教程完成实验。
  • 一家公司需要一款高质量的中文语音识别模型,在ModelScope上评测并选择最适合的模型用于生产。

6. 角色比喻

       像一个巨大的“AI模型超市”或“模型图书馆”。里面陈列着各种各样的现成模型MCP,你可以直接拿来使用,也可以借阅回去进行改造。

三、MCP简单回顾

1. 核心定义

       MCP是一个开放的协议,而非一个平台或工具。它专门设计用于在大语言模型和外部数据源、工具与服务之间建立安全、标准化的连接。

2. 核心功能与特点

  • 协议,而非实现:MCP定义了一套JSON-RPC通信标准,规定了Client和Server之间如何宣告能力、调用工具、读取资源。
  • Client-Server架构:
  • MCP Server:封装了特定的能力(如数据库操作、代码执行、Slack消息发送),并将其暴露为标准化的“工具”和“资源”。
  • MCP Client:是LLM应用的一部分,管理Server的连接,并将Server提供的能力呈现给LLM。
  • 声明式:Server向Client“声明”自己有什么,Client向LLM声明可以使用什么,LLM再决定在合适的时机使用。这是一种LLM友好的交互方式。
  • 安全性:内置权限控制,Client会请求用户授权,确保LLM不会随意调用危险工具。

3. 解决的问题

  • LLM的孤岛问题:让LLM能够安全、可控地访问和操作外部世界的信息与系统。
  • 集成标准化:解决了每个AI应用都需要为每个工具重复编写特定集成代码的问题。一旦一个工具被封装成MCP Server,任何兼容MCP Client的应用都能使用它。
  • 安全风险:通过协议层面的权限控制,降低了LLM滥用工具的风险。

4. 角色比喻

       像AI世界的“USB-C标准”或“电源插座标准”。它不生产电器(工具),但它定义了所有电器(MCP Server)和插排(MCP Client)之间应该如何安全、通用地连接和供电(传递数据与指令)。

四、Cherry Studio配置MCP使用

1. 基础配置

1.1 依赖检测配置

检测MCP环境运行的相关依赖:

50.7-检测MCP环境运行的相关依赖 微信图片_20251001223752_140_155.png

如果提示缺少,直接点击安装即可:

50.8-如果提示缺少,直接点击安装即可 微信图片_20251001211306_132_155.png

安装成功后,图标都会变为绿色:

50.9-安装成功后,图标都会变为绿色 微信图片_20251001211315_133_155.png

1.2 模型配置

       MCP调用也涉及到和模型的交互,也需要配置模型进行后续任务操作,可以配置ollama配置的本地模型,也可以配置现在比较流行的阿里云百炼的qwen系列模型,此处我们以百炼为例,选中【阿里云百炼】后输入API密钥即可,密钥可通过阿里云百炼登录后免费获取,有一定量的免费使用权限可以申请,可相见博文第一篇。

50.10-模型配置.png

2. 配置MCP

       首先我们可以在ModelScope的MCP广场找一个现成的MCP服务,以Fetch网页内容抓取网页抓取为例,先看MCP的详细介绍:

50.11-配置MCP 微信图片_20251001224329_141_155.png

重点查看使用uvx配置的这段,找到关键信息:

50.12-重点查看使用uvx配置的这段,找到关键信息 微信图片_20251001224401_142_155.png

我们可以对照这几项关键录入正确的值:

50.13-对照这几项关键录入正确的值.png

录入完毕后,点击【保存】,Studio会主动下载服务,如果服务对应的名称、参数等值不正确,会有失败的提示:

50.14-如果输入不正确会有失败的提示 微信图片_20251001224724_143_155.png

如果服务正常,保存成功后会自动启用,保存按钮变为灰色:

50.15-如果服务正常,保存后自动启用按钮变为灰色 微信图片_20251001224825_144_155.png

3. 调用MCP

服务配置成功后,可以开始调用了,首先进入聊天【助手】界面,点击下方的【MCP服务器】图标,选择对应的MCP服务开启选中即可。

50.16-调用MCP 微信图片_20251001225159_145_155.png

       调用fetch服务,进行一个网页的抓取操作,如果出现以下提示的内容,说明基础配置的模型配置没配置正确,需重新配置;

50.17-调用fetch服务 微信图片_20251001225419_146_155.png

当一切配置准备就绪后,发送指令看到如下反馈:

50.18-发送指令看到如下反馈 微信图片_20251001230326_147_155.png

此处注意标红处我们并未选择MCP服务,所有也未调用服务进行任务操作,如果我们配置指定的抓取MCP服务后看看效果:

50.19-指定的抓取MCP服务后看看效果 微信图片_20251001230628_148_155.png

调用了MCP的抓取服务操作, 并进行了摘要提取;

我们再找一个新的MCP服务试试,随机找到一个算命大师:基于模型上下文协议(MCP)的算命大师。 本项目是一个支持公历/农历转换、四柱八字排盘、五行分析、十神推算、运势分析等功能,适用于传统命理应用、算命服务平台、命理类产品。

50.20-调用了MCP的抓取服务操作并进行了摘要提取 微信图片_20251001230900_149_155.png

这一次我直接选择把配置json复制到Cherry Studio的配置文件中,也可以直接使用:

50.21-直接把配置json复制到Cherry Studio的配置文件中.png

在聊天窗口选择启用“mcp-chinese-fortune”的MCP服务

50.22-在聊天窗口选择启用“mcp-chinese-fortune”的MCP服务微信图片_20251001231152_150_155.png

发送聊天“算一下,出生时间 2011年 10月19日8点 的命数”

50.23-发送聊天:算一下出生时间 2011年 10月19日8点的命数 微信图片_20251001231356_151_155.png

看看分析过程:

{
  "params": {
    "year": 2011,
    "month": 10,
    "day": 19,
    "hour": 8
  },
  "response": {
    "content": [
      {
        "type": "text",
        "text": "分析下面 分析命理运势 \n \n {\"year\":2011,\"month\":\"10\",\"day\":\"19\",\"solarTerms\":\"寒露\",\"lunarMonth\":\"九月\",\"lunarDay\":\"廿三\",\"lunarMonthDigit\":9,\"lunarDayDigit\":23,\"isLunarLeapMonth\":false,\"leapMonth\":0,\"chineseYear\":\"辛卯\",\"chineseMonth\":\"戊戌\",\"chineseDay\":\"丁未\",\"chineseTimes\":[\"庚子\",\"辛丑\",\"壬寅\",\"癸卯\",\"甲辰\",\"乙巳\",\"丙午\",\"丁未\",\"戊申\",\"己酉\",\"庚戌\",\"辛亥\"],\"week\":\"3\",\"animal\":\"兔\",\"constellation\":\"天秤座\",\"chineseFeb\":false,\"hour\":\"8\",\"nayin\":\"木\",\"chineseTime\":\"甲辰\",\"chineseTimesTenGod\":[\"劫\",\"比\",\"傷\",\"食\",\"財\",\"才\",\"官\",\"殺\",\"印\",\"ㄗ\",\"劫\",\"比\"],\"chineseTimeTenGod\":\"財\",\"chineseYearTenGod\":\"比\",\"chineseMonthTenGod\":\"印\",\"chineseDayTenGod\":\"殺\",\"dengGui\":\"辰午\",\"lunarPerMonthHasDays\":[\"30\",\"29\",\"30\",\"30\",\"29\",\"30\",\"29\",\"29\",\"30\",\"29\",\"30\",\"29\"],\"solarTermDistance\":{\"previous\":{\"solarTerm\":\"秋分\",\"diffDistanceDay\":26,\"diffDistanceDetail\":25.28846064814815},\"next\":{\"solarTerm\":\"霜降\",\"diffDistanceDay\":5,\"diffDistanceDetail\":5.104375}},\"purpleWhites\":[\"八白\",\"七赤\",\"六白\",\"五黃\",\"四綠\",\"三碧\",\"二黑\",\"一白\",\"九紫\",\"八白\",\"七赤\",\"六白\"],\"taiYuan\":\"己丑\",\"mingGong\":\"辛卯\",\"shenGong\":\"辛卯\"} "
      }
    ],
    "report": "分析下面 分析命理运势 \n \n {\"year\":2011,\"month\":\"10\",\"day\":\"19\",\"solarTerms\":\"寒露\",\"lunarMonth\":\"九月\",\"lunarDay\":\"廿三\",\"lunarMonthDigit\":9,\"lunarDayDigit\":23,\"isLunarLeapMonth\":false,\"leapMonth\":0,\"chineseYear\":\"辛卯\",\"chineseMonth\":\"戊戌\",\"chineseDay\":\"丁未\",\"chineseTimes\":[\"庚子\",\"辛丑\",\"壬寅\",\"癸卯\",\"甲辰\",\"乙巳\",\"丙午\",\"丁未\",\"戊申\",\"己酉\",\"庚戌\",\"辛亥\"],\"week\":\"3\",\"animal\":\"兔\",\"constellation\":\"天秤座\",\"chineseFeb\":false,\"hour\":\"8\",\"nayin\":\"木\",\"chineseTime\":\"甲辰\",\"chineseTimesTenGod\":[\"劫\",\"比\",\"傷\",\"食\",\"財\",\"才\",\"官\",\"殺\",\"印\",\"ㄗ\",\"劫\",\"比\"],\"chineseTimeTenGod\":\"財\",\"chineseYearTenGod\":\"比\",\"chineseMonthTenGod\":\"印\",\"chineseDayTenGod\":\"殺\",\"dengGui\":\"辰午\",\"lunarPerMonthHasDays\":[\"30\",\"29\",\"30\",\"30\",\"29\",\"30\",\"29\",\"29\",\"30\",\"29\",\"30\",\"29\"],\"solarTermDistance\":{\"previous\":{\"solarTerm\":\"秋分\",\"diffDistanceDay\":26,\"diffDistanceDetail\":25.28846064814815},\"next\":{\"solarTerm\":\"霜降\",\"diffDistanceDay\":5,\"diffDistanceDetail\":5.104375}},\"purpleWhites\":[\"八白\",\"七赤\",\"六白\",\"五黃\",\"四綠\",\"三碧\",\"二黑\",\"一白\",\"九紫\",\"八白\",\"七赤\",\"六白\"],\"taiYuan\":\"己丑\",\"mingGong\":\"辛卯\",\"shenGong\":\"辛卯\"} "
  }
}

image.gif

4. 管理MCP

同样也是在【设置】的【MCP服务器】中进行同一管理;

50.24-管理MCP 微信图片_20251001231940_152_155.png

       这样,基于MCP协议本身、MCP协议发现以及MCP协议应用都有了一个完整的链条,ModelScope MCP广场、MCP协议本身、以及Cherry Studio 这三者共同构成了一个从资源发现、能力连接到应用构建的完整、高效且开放的现代AI开发范式。

ModelScope MCP 广场:生态的“资源仓库”与“应用商店”

  • 它是MCP Server的官方分发中心,扎根于庞大的ModelScope模型生态。
  • 它解决了“从哪里找到安全可靠的AI工具”这一核心痛点,通过一键安装的极致体验,为用户(尤其是Claude Desktop用户)提供了无限扩展其AI助手能力的入口。它是工具和数据的集散地。

MCP:生态的“底层协议”与“连接标准”

  • 它是连接LLM与外部世界的安全、标准化协议,是数字世界的“USB-C标准”。
  • 它不生产工具,但它定义了工具(Server)与AI应用(Client)之间如何通信。它解决了集成标准化和安全控制的根本问题,是一切可组合性能力的基石。没有MCP,广场上的“商品”就无法被安全地“即插即用”。

Cherry Studio:生态的“集成开发环境”与“制造工厂”

  • 它是一个云原生的低代码AI应用开发平台,是MCP协议的深度实践者和价值放大器。
  • 它将来自ModelScope MCP广场的工具、来自各处的模型,通过可视化的方式编织成复杂的、具备逻辑的、可部署的AI智能体和工作流。它解决了“如何快速、高效地将想法和工具转化为实际应用”的最终落地问题。

五、总结

  • ModelScope MCP广场 是 “货架”,提供了琳琅满目的标准化零件(MCP Server)。
  • MCP协议 是 “零件规格书”和“接口标准”,确保了所有零件都能被安全、通用地使用。
  • Cherry Studio 是 “智能组装工厂”,利用这些标准化零件,快速制造出功能强大的AI应用产品。

       它们共同代表了一个趋势:AI开发正从依赖单一模型能力的手工作坊时代,迈向一个基于开放协议、丰富生态和可视化工具的工业化时代。 我们不再需要从零开始造轮子,而是可以站在巨人的肩膀上,专注于创造力和业务逻辑本身,这将极大地推动AI应用的创新与普及。

相关文章
|
2月前
|
人工智能 JSON 安全
构建AI智能体:四十九、MCP 生态的革命:FastMCP 如何重新定义 AI 工具开发
FastMCP是一个基于MCP协议的高性能Python框架,旨在简化AI模型与外部工具的集成开发。它通过装饰器、类型提示等现代Python特性,将MCP协议的标准化要求转化为Pythonic的开发体验。核心功能包括:工具注册(@mcp.tool)、资源管理(@mcp.resource)和提示词模板,支持自动生成JSONSchema、异步任务调度和错误处理。FastMCP通过三层架构(应用层、核心引擎、协议适配层)实现高效开发,典型应用场景如"AI调用计算器工具"只需简单装饰器即可完成工具
353 1
|
2月前
|
人工智能 自然语言处理 安全
构建AI智能体:四十五、从专用插件到通用协议:MCP如何重新定义AI工具生态
MCP(模型上下文协议)是AI领域的标准化工具调用协议,相当于万能遥控器,让不同AI模型能通过统一接口使用各种外部工具。其核心架构采用客户端-服务器模式:AI客户端负责理解用户意图并整合结果,MCP服务器则专注于工具执行。相比厂商私有的FunctionCall,MCP具有开放标准、跨模型支持、动态发现等优势,能实现真正的"即插即用"。该协议解决了AI模型知识局限、无法执行动作等问题,使AI从"知识库"进化为能操作外部系统的智能助手,可应用于个人
544 7
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
构建AI智能体:三十八、告别“冷启动”:看大模型如何解决推荐系统的世纪难题
协同过滤是推荐系统中广泛使用的技术,其核心思想是利用用户行为数据发现相似用户或物品进行推荐。摘要包括:1)协同过滤基于用户历史行为数据,通过计算相似度(如余弦相似度、皮尔逊相关系数)预测用户偏好;2)主要分为基于用户(寻找相似用户群体)和基于物品(发现相似物品)两种方法;3)面临冷启动、数据稀疏性等挑战,可通过混合推荐(结合内容特征)和矩阵分解等技术解决;4)典型应用包括电商猜你喜欢和流媒体推荐;5)结合大语言模型可增强语义理解能力,提升推荐准确性。
437 9
|
2月前
|
SQL 自然语言处理 数据可视化
构建AI智能体:四十三、智能数据分析机器人:基于Qwen-Agent与Text2SQL的门票分析方案
摘要:本文介绍了一个基于Qwen-Agent和Text2SQL技术的智能门票数据分析系统。该系统通过自然语言交互降低技术门槛,使业务人员可直接查询和分析数据。系统采用分层架构设计,包含用户交互层、智能代理层、工具执行层和数据服务层,核心功能包括自然语言理解、SQL生成、数据查询和可视化展示。文章详细阐述了系统流程、核心代码实现及优化策略,展示了如何通过大语言模型实现企业级数据分析应用的智能化转型,有效解决了传统数据分析流程中响应慢、沟通成本高等痛点。
253 7
|
2月前
|
人工智能 自然语言处理
构建AI智能体:四十一、大模型思维链提示工程:技术原理与行业应用案例分析
本文介绍了思维链提示技术及其应用。思维链提示是一种引导大模型进行逐步推理的提示工程技术,通过结构化提示模拟人类解决问题的逻辑分析路径,使模型能够显式化中间推理步骤,从而提升推理准确性与可解释性。文章详细阐述了思维链提示的关键特征(步骤可解释性、逻辑链条完整性、问题分解能力)和工作原理,并通过数学推理、逻辑分析和多轮复杂问题三个案例展示了其具体应用流程。该技术在教育辅导、商业决策和科研分析等领域具有重要价值,能够突破传统大模型的黑箱推理瓶颈,提高AI系统的决策透明度和可靠性。
487 13
|
2月前
|
存储 人工智能 JSON
构建AI智能体:五十四、智能投资顾问的两种实现:反应式与深思式实践策略对比
反应式与深思熟虑式智能投资顾问架构代表了AI在投资咨询领域应用的两种不同哲学和实践路径。反应式架构以其快速响应、高可扩展性的特点,适合标准化、高并发的咨询场景;而深思熟虑式架构通过深度推理、个性化服务为复杂投资决策提供专业支持。未来智能投顾的发展方向不是二选一,而是通过混合架构实现优势互补。金融机构应根据自身业务特点、客户群体和技术能力,选择合适的架构组合策略。对于追求极致用户体验的机构,可以优先部署反应式架构快速获客;对于服务高净值客户的机构,则应重点建设深思熟虑式架构提供深度服务。
346 8
|
2月前
|
存储 人工智能 安全
构建AI智能体:四十八、从单体智能到群体智能:A2A协议如何重塑人机协作新范式
本文介绍了基于A2A(Agent-to-Agent)协议的智能代理系统在篮球赛安排中的应用。该系统通过多代理协作(天气、场地、日历、通知代理)实现自动化决策,相比传统API具有动态发现、语义化描述和自主决策优势。文章详细阐述了单代理(天气查询)到多代理系统的演进过程,展示了A2A协议在服务发现、任务标准化和安全通信方面的核心技术特性。该系统采用分级决策机制,优先检查天气安全条件,再验证场地和参与者可用性,最后触发通知流程,体现了分布式智能的协同效应和业务敏捷性。
182 2
|
2月前
|
人工智能 C++
AnythingLLM vs Cherry Studio vs Chatbox:三大AI工具深度横评
本文深入对比三大AI工具:AnythingLLM、Cherry Studio与Chatbox。从易用性、功能丰富度、RAG能力、多模态支持到知识库管理,全面分析各工具优劣,并结合企业知识管理、个人创作学习等场景提供选型指南。最终指出:选择不在于“最好”,而在于“最合适”——AnythingLLM适合企业级知识体系构建,Cherry Studio助力多模态内容创作,Chatbox则以极简体验满足日常对话需求。
|
3月前
|
SQL 存储 自然语言处理
构建AI智能体:三十四、LangChain SQLDatabaseToolkit终极指南:架构、优势与最佳实践
SQLDatabaseToolkit 是 LangChain 框架中的一个核心组件,它不属于一个独立的软件,而是一个工具箱或工具集。它的核心目的是为大语言模型提供与 SQL 数据库进行交互的能力,将大模型的自然语言理解能力与数据库的精准数据存储和检索能力结合起来。它极大地降低了通过自然语言访问和操作 SQL 数据库的门槛,是构建基于 LLM 的数据驱动应用的关键组件之一。
483 10
|
2月前
|
传感器 人工智能 安全
构建AI智能体:五十二、反应式智能体:AI世界的条件反射,真的可以又快又稳
反应式智能体是一种基于感知-行动模式的智能系统,它不依赖复杂的内部模型,而是通过简单的条件-动作规则对环境做出即时响应。文章通过蜜蜂采蜜、膝跳反射等例子,阐述了反应式智能体的核心思想:快速、直接的刺激-反应机制。重点介绍了罗德尼·布鲁克斯提出的包容架构,该架构通过分层的行为模块和优先级仲裁机制,使简单规则组合产生复杂行为。以扫地机器人为例,展示了反应式设计在实时响应、避障导航等方面的优势,同时也指出了其在复杂规划任务中的局限性。
282 4

热门文章

最新文章