类目筛选
Spring AI Alibaba 发布企业级 MCP 分布式部署方案
本文介绍了Spring AI Alibaba MCP的开发与应用，旨在解决企业级AI Agent在分布式环境下的部署和动态更新问题。通过集成Nacos，Spring AI Alibaba实现了流量负载均衡及节点变更动态感知等功能。开发者可方便地将企业内部业务系统发布为MCP服务或开发自己的AI Agent。文章详细描述了如何通过代理应用接入存量业务系统，以及全新MCP服务的开发流程，并提供了完整的配置示例和源码链接。未来，Spring AI Alibaba计划结合Nacos3的mcp-registry与mcp-router能力，进一步优化Agent开发体验。
如何实现 AI Agent 自主发现和使用 MCP 服务 —— Nacos MCP Router 部署最佳实践
Nacos社区推出MCP Router与MCP Registry开源解决方案，助力AI Agent高效调用外部工具。Router可智能筛选匹配的MCP Server，减少Token消耗，提升安全性与部署效率。结合Nacos Registry实现服务自动发现与管理，简化AI Agent集成复杂度。支持协议转换与容器化部署，保障服务隔离与数据安全。提供智能路由与代理模式，优化工具调用性能，助力MCP生态普及。
GraphRAG：基于PolarDB+通义千问+LangChain的知识图谱+大模型最佳实践
本文介绍了如何使用PolarDB、通义千问和LangChain搭建GraphRAG系统，结合知识图谱和向量检索提升问答质量。通过实例展示了单独使用向量检索和图检索的局限性，并通过图+向量联合搜索增强了问答准确性。PolarDB支持AGE图引擎和pgvector插件，实现图数据和向量数据的统一存储与检索，提升了RAG系统的性能和效果。
基于开源框架Spring AI Alibaba快速构建Java应用
本文旨在帮助开发者快速掌握并应用 Spring AI Alibaba，提升基于 Java 的大模型应用开发效率和安全性。
多快好省，Qwen3混合部署模式引爆MCP
本文介绍了MCP（Model Context Protocol）与Qwen3模型的结合应用。MCP通过统一协议让AI模型连接各种工具和数据源，类似AI世界的“USB-C”接口。文中详细解析了MCP架构，包括Host、Client和Server三个核心组件，并说明了模型如何智能选择工具及工具执行反馈机制。Qwen3作为新一代通义千问模型，采用混合专家架构，具备235B参数但仅需激活22B，支持快速与深度思考模式，多语言处理能力覆盖119种语言。文章还展示了Qwen3的本地部署流程，以及开发和调试MCP Server与Client的具体步骤。
通义千问Qwen2.5-Coder 全系列来咯！强大、多样、实用
千问团队开源了强大的 Qwen2.5-Coder 系列模型，涵盖 0.5B 到 32B 六种尺寸，旨在推动开放代码模型的发展。该系列模型在代码生成、修复和推理等方面表现出色，支持多种编程语言，并在多个基准测试中达到 SOTA 水平。此外，Qwen2.5-Coder 还提供了丰富的应用场景，如代码助手、Artifacts 和 Interpreter，满足不同开发者的需求。
通义千问API：让大模型写代码和跑代码
基于前面三章的铺垫，本章我们将展示大模型Agent的强大能力。我们不仅要实现让大模型同时使用多种查询工具，还要实现让大模型能查询天气情况，最后让大模型自己写代码来查询天气情况。
