超详细图文教程:用vscode+copilot(代理模式)便捷使用mcp+一个范例:用自然语言进行3d建模

超详细图文教程:用vscode+copilot(代理模式)便捷使用mcp+一个范例:用自然语言进行3d建模

在vscode使用claude mcp吧!

在vscode更新到最新版本(注意,这是前提)后,内置的copilot可以使用mcp了!!!

关于mcp(Model Context Protocol 模型上下文协议),可以参考我的上一篇文章:

MCP个人理解+示例+集成管理+在python中调用示例,给AI大模型装上双手-ZEEKLOG博客

以下是使用教程:

1.点击左下角的齿轮状设置按钮,点击设置

2.在输入面板输入chat.agent.enabled,勾上勾选框

3.点击Ctrl+shift+P,输入reload,点击重新加载窗口,刷新窗口

4.打开copilot后,在右下角将模式改为代理即可。

5.点击工具按钮,开始安装mcp

先去github找到自己想要添加的mcp服务,以blender MCP为例,打开https://github.com/ahujasid/blender-mcp,可以在readme文档里看到详细的安装过程。可以看到,此mcp的安装过程是uvx blender-mcp

点击copilot下方的工具按钮

可以看到,我已经安装一堆mcp了,点击添加更多工具

选择添加MCP服务器

选择命令

填入uvx blender-mcp,回车确认

给mcp服务起个名称,回车确认

点击用户设置,这样所有的工作区都可以访问

配置完成,自动弹出配置文件窗口,点击蓝色的启动按钮

启动成功

6.安装 Blender 插件

(1)下载插件文件
从本仓库下载 addon.py 文件。

(2)打开 Blender
启动 Blender 应用程序。

(3)进入插件管理界面
点击顶部菜单栏的 编辑 (Edit) > 偏好设置 (Preferences) > 插件 (Add-ons)

(4)安装插件
点击 “安装...” (Install...) 按钮,然后选择下载的 addon.py 文件。

(5)启用插件
在插件列表中找到 “界面: Blender MCP” (Interface: Blender MCP),勾选旁边的复选框以启用。

(6)点击n,选择BlenderMCP,点击连接

点击获取免费试用的api key

7.开始使用copilot进行3d建模

先测试一下mcp,可见运行正常

然后输入提示词:使用blender mcp,建模:一条龙守护一袋金币。我在blender里面配置了api

这时copilot会发出任务请求,我们需要点同意。可见,已经成功了!

打开blender看一下:可以看到,建模成功了?

附录:前往网站生成api

访问fal.ai | The generative media platform for developers

点击 API key

点击Add key

将生成的key复制粘贴到相应位置,选择fal.ai

该网站注册后会送一美元的余额,想多次使用就得花钱了

生成一次0.4美金

另外一个模型申请网站是Get started with Rodin | Hyper3D API Documentation,但是需要成为支持者才能获取api,最便宜的都要12美金一个月。

Read more

EvoMap 全球首个面向 AI Agent 的自进化基础设施

EvoMap 是全球首个面向 AI Agent 的自进化基础设施,核心是一套叫 GEP(基因组进化协议)的开放系统,让 AI 能力像生物基因一样在网络中共享、验证、继承和自然进化。 简单说:它给每个 AI 装上 “数字 DNA”,让一个 AI 学会的技能,全网 AI 都能瞬间复用,不用从零训练。 一、核心定位 * 不是新模型,是底层协议 / 网络:大模型是 “大脑”,EvoMap 是 “DNA 系统”,负责能力的记录、传承与进化。 * 解决的痛点:终结 AI 经验孤岛、重复造轮子、平台依赖,让能力跨模型、跨节点自由流动。 * 口号:AI

By Ne0inhk

AI 编程助手价格与体验对比:Claude Code vs 国产替代(通义灵码 / 文心快码 / MarsCode / 腾讯系)

目录 * 1. 为什么要做这篇对比:开发效率正在被“定价”重塑 * 2. Claude Code 要不要付费?费用结构如何理解 * 3. 国产替代有哪些:定位差异与适用人群 * 4. 对比表格:价格、能力、生态、适配场景一张看懂 * 5. 实战:同一组任务对比补全 / 重构 / 测试 / 审查 * 6. 选型建议:按场景快速决策 * 7. 总结:把“工作流收益”放进预算里 1. 为什么要做这篇对比:开发效率正在被“定价”重塑 AI 编程助手已经从“写几行代码的尝鲜工具”,变成了能够影响交付节奏、代码质量与团队协作方式的生产力组件。Claude Code 代表了国际一线模型能力与工程体验;国产阵营(通义灵码、文心快码、

By Ne0inhk
招聘可以AI面试,那么我制作了一个AI面试教练不过分吧

招聘可以AI面试,那么我制作了一个AI面试教练不过分吧

招聘可以AI面试,那么我制作了一个AI面试教练不过分吧 1.背景 随着AI的发展,面试出现了AI面试,毕设出现了AI查重率,我觉得AI发展的都没那么超级智能化,但是这种东西倒是先出现了,查重率是对比知网得出的结果,我认事实依据,AI查重率都不知道是依据什么,总之降AI率就是就写毕设时的问题,很难受,既然面试招聘可以AI面试,那么我制作了一个AI面试教练,提取预判AI的问题训练自己,不过分吧。 既然企业能用 AI 来筛人,那我为什么不能用 AI 来武装自己? 于是,我开发了一款 AI 面试教练系统: 通过分析目标公司与岗位的历史面经,结合我的简历,智能生成个性化面试准备报告,精准预判问题、优化表达、提升竞争力。 这个想法朴素,但务实——用 AI 对抗 AI,用技术反哺成长。 2.效果展示 功能流程图 核心功能详解 1. 智能面经抓取与分析 用户只需输入“联想 材料工程师”

By Ne0inhk
Flutter 三方库 ml_algo 在鸿蒙 AI 原生生态下的端侧统算适配重构指引:全面引入极效矩阵线性代数决策树分析彻底释放硬件算力无需联网实现安全即时预-适配鸿蒙 HarmonyOS ohos

Flutter 三方库 ml_algo 在鸿蒙 AI 原生生态下的端侧统算适配重构指引:全面引入极效矩阵线性代数决策树分析彻底释放硬件算力无需联网实现安全即时预-适配鸿蒙 HarmonyOS ohos

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 三方库 ml_algo 在鸿蒙 AI 原生生态下的端侧统算适配重构指引:全面引入极效矩阵线性代数决策树分析彻底释放硬件算力无需联网实现安全即时预测 随着移动端算力的提升,在应用内实时运行机器学习算法已成为提升智能化的关键。ml_algo 是一个完全由 Dart 编写的高性能机器学习库,它避开了沉重的 TensorFlow Lite 原生依赖。本文将深入讲解该库在 OpenHarmony 环境下的适配与应用。 前言 什么是 ml_algo?不同于那些依赖 Python 或 C++ 底层加速的库,ml_algo 充分利用了 Dart 的并发能力和矩阵运算优化(配合 ml_linalg),实现了回归、分类以及聚类等核心算法。在鸿蒙操作系统这种注重低时延和长续航的场景中,纯 Dart 的机器学习库意味着更简单的包管理和更可控的内存占用。

By Ne0inhk