Merge branch 'master' of http://1.14.96.249:3000/old-tom/obsidian-sync

# Conflicts:
#	项目/盛视科技/人员核查.md

日常学习/大模型/Deepseek/部署显存要求.md

@@ -0,0 +1,3 @@
+![[Pasted image 20250326165958.png]]
+
+

日常学习/大模型/MCP.md

@@ -0,0 +1,81 @@
+MCP Server ([Model Context Protocol](https://www.aisharenet.com/model-context-protocol/) Server)，即模型上下文协议服务器， 是一种基于标准化协议的服务端程序。 它的核心作用是为大语言模型 (LLM) 提供外部数据和功能支持。 可以将其理解为一个标准化的 **工具接口** 。 例如，Fetch MCP Server 能够抓取网页内容，而 Google Drive MCP Server 则可以实现云端文件的读取。
+MCP Server 的关键特点在于其 **被动性** 。 它如同一个工具箱，静静地等待指令，只在接收到明确的调用请求后才会执行相应的操作，并不主动参与决策或推理过程。
+![[Pasted image 20250323110401.png]]
+
+## 一、通信机制
+
+|特性|stdio|HTTP with SSE|
+|---|---|---|
+|协议基础|操作系统管道|HTTP/1.1长连接|
+|消息格式|JSON-RPC 2.0，以换行符分隔 JSON-RPC|2.0，通过SSE事件流传输|
+|连接方向|双向（客户端↔服务端）|客户端通过POST发送请求，服务端通过SSE单向推送响应|
+|错误处理|依赖管道机制|支持HTTP状态码和SSE自动重连机制|
+|适用场景|本地工具链、CLI应用|分布式系统、实时监控、远程服务调用|
+### 1.stdio（标准输入输出）
+`适用于客户端与服务端在同一台机器上的场景。`
+客户端通过启动服务端子进程（如命令行工具），利用操作系统的管道机制（stdin/stdout）进行数据传输。
+是个同步阻塞模型，通信基于顺序处理，需等待前一条消息完成传输后才能处理下一条，适合简单的本地批处理任务。
+
+### 2.HTTP with SSE（Server-Sent Events）
+
+客户端与服务端可部署在不同节点，通过HTTP协议实现跨网络通信。
+是个异步事件驱动。
+- 服务端通过SSE长连接主动推送数据，
+- 客户端通过HTTP POST端点发送请求，
+支持实时或准实时交互，适合分布式系统或需要高并发的场景
+
+## 二、技术实现
+### 2.1 STDIO
+![[Pasted image 20250323110642.png]]
+
+- 消息必须为UTF-8编码的JSON-RPC格式，以换行符`\n`分隔。
+- 服务端通过`stderr`输出日志，客户端可选择处理或忽略。
+- 严格禁止在`stdout`中写入非协议消息，避免解析错误。
+
+ 服务端代码demo
+```python
+async def run_server():
+    async with stdio_server() as (read_stream, write_stream):
+        # read_stream contains incoming JSONRPCMessages from stdin
+        # write_stream allows sending JSONRPCMessages to stdout
+        server = await create_my_server()
+        await server.run(read_stream, write_stream, init_options)
+
+anyio.run(run_server)
+```
+- `read_stream` 来自 `stdin` 的传入 `JSONRPCMessages`
+- `write_stream` 将 `JSONRPCMessages` 发送到 `stdout`
+
+### 2.2 HTTP WITH SSE
+![[Pasted image 20250323113326.png]]
+
+- 服务端需提供两个端点：
+    - SSE端点：客户端通过此建立长连接，接收事件流（如`/sse`）。
+    - HTTP POST端点：客户端发送请求至此（如`/messages`）。
+- 消息推送流程：客户端首次连接时，服务端返回SSE端点的URI；后续所有请求通过POST发送，响应通过SSE事件流返回。
+
+```python
+# Create an SSE transport at an endpoint
+sse = SseServerTransport("/messages/")
+
+# Create Starlette routes for SSE and message handling
+routes = [
+    Route("/sse", endpoint=handle_sse),
+    Mount("/messages/", app=sse.handle_post_message),
+]
+
+# Define handler functions
+async def handle_sse(request):
+    async with sse.connect_sse(
+        request.scope, request.receive, request._send
+    ) as streams:
+        await app.run(
+            streams[0], streams[1], app.create_initialization_options()
+        )
+
+# Create and run Starlette app
+starlette_app = Starlette(routes=routes)
+uvicorn.run(starlette_app, host="0.0.0.0", port=port)
+```
+在 routes 中，只有 `Route("/sse", endpoint=handle_sse)` 是用于长连接的。这个路由设置了一个 SSE (Server-Sent Events) 的长连接终端点，用于持续向客户端推送消息。
+而 `Mount("/messages/", app=sse.handle_post_message)` 则是用于处理客户端发送的 POST 请求，这通常是短连接。

日常学习/大模型/RAG/RAG 概述.md

@@ -0,0 +1,14 @@
+## 一、基本原理
+RAG是一种结合了信息检索（Retrieval）和文本生成（Generation）的混合架构，它允许大模型在回答问题时，不仅依赖于自身训练时获得的知识，还能动态地从外部知识库中检索相关信息，以提高生成内容的准确性和可信度。简而言之，RAG可以被理解为“**先查资料，再回答问题**”的智能问答系统。
+
+RAG通常由两个主要模块组成：
+1. **检索模块（Retriever）**：从外部数据库或文档集合中提取与输入查询最相关的信息。
+2. **生成模块（Generator）**：基于检索到的内容，结合大模型已有的语言能力，生成最终的回答。
+这种方法的优势在于，它可以让大模型具备“短期记忆”能力，使其能够处理时效性强、知识更新频繁或需要引用外部文献的任务。例如，在金融、医疗、法律等领域，RAG可以帮助模型提供更具权威性的答案，而不是仅凭预训练数据“猜测”答案。
+- RAG技术通过检索外部知识库，避免了幻觉问题的困扰。相较于单纯依赖大型语言模型对海量文本数据的学习，RAG允许模型在生成文本时从事实丰富的外部知识库中检索相关信息。
+- RAG技术的时效性优势使其在处理实效性较强的问题时更为可靠。通过与外部知识库的连接，RAG确保了模型可以获取最新的信息，及时适应当前的事件和知识。
+- 与传统的知识库问答（KBQA）相比，RAG技术在知识检索方面更加灵活，不仅能够从结构化的知识库中检索信息，还能够应对非结构化的自然语言文本。
+## 二、实现原理
+
+![[Pasted image 20250326091615.png]]
+

日常学习/大模型/function calling.md

@@ -12,6 +12,10 @@ function Calling 是一种机制，允许大语言模型[动态调用](https://z
 
 # 二、Deepseek function calling
 
+`仅限于火山引擎，Deepseek-r1 原版不支持function calling`
+
+```
+
 1. tools定义
 deepseek 官方定义的格式（最多支持 128 个 function），参考 https://api-docs.deepseek.com/zh-cn/guides/function_calling
 ```json

日常学习/大模型/提示词工程/Cline提示词工程分析.md

@@ -0,0 +1,5 @@
+https://www.ruanx.net/prompt-engineering/
+
+![[Pasted image 20250327190433.png]]
+
+如图，cline将tool 描述加到上下文中，可以实现不使用LLM API执行function call（比如DeepSeek-r1不支持function calling功能）,但缺点在于会上下文token会很长

项目/盛视科技/北京智能建模.md

@@ -3,7 +3,6 @@
 【数据服务UI原型：https://js.design/f/r6o7Iw?p=-06pdY2y4F&mode=design】【金山文档：智能建模开发计划表https://kdocs.cn/l/cqRud3cgOctf】【禅道地址：http://172.31.51.246:81/zentao/bug-browse-104-0-unclosed-0-id_desc.html】【测试环境系统地址：http://172.31.51.134:8080?oauth=YWRtaW58fE1heHZpc2lvbkAxMjM】【测试环境管理员账号：admin/Maxvision@123】
 
 
-
 北京智能建模系统的请求地址和方式为：
 liuhai这个账号：
 [http://172.31.51.134:8080?oauth=bGl1aGFpfHxNYXh2aXNpb25AMTIz](http://172.31.51.134:8080?oauth=bGl1aGFpfHxNYXh2aXNpb25AMTIz)

项目/盛视科技/河口口岸AR.md

@@ -1,3 +1,5 @@
+NTP：192.168.52.249
+
 + 开发环境
 admin/Hkka@6699!