工具篇-如何在Github Copilot中使用MCP服务?

优质文章学习记录

— 4 min read
工具篇-如何在Github Copilot中使用MCP服务?

Model Context Protocol (MCP) 是由 Anthropic 公司于 2024 年 11 月推出的一种开放协议标准，目的在于标准化 LLM 与外部数据源、工具及服务之间的交互方式。MCP 被广泛类比为“AI 领域的 USB-C 接口”。

一、vscode的安装

下载vscodeVisual Studio Code - Code Editing. Redefined安装完成打开

选择copilot，这个是AI助手，帮助你编程 
然后注册登录，可以使用GitHub的账号登录，很多工具都可以通过GitHub帐号登录，所以注册一个GitHub帐号是很有必要的。

二、使用MCP

2.1 准备好MCP

先按这篇文章准备好高德地图的MCP：工具篇-Cherry Studio之MCP使用-ZEEKLOG博客

2.2 在Github Copilot中配置 MCP服务 

第一步，Preferences => Settings => 搜索 mcp

把高德的MCP添加进去，其他的MCP类似：

当我在聊天框里启动服务的时候发现mcp-server-time无法启动，于是我就把它删除了，变成这个样子：

三、使用MCP

我们给它一个任务：帮我用MCP，规划一个深圳一日游的路线
开始工作了，可以看到它去调用了我们刚刚添加的MCP，Continue，继续

 

可以看到调用了很多MCP的工具

 

最终给出的结果如下，你们看效果如何：

根据获取的信息，我为您规划了一个合理的深圳一日游路线： 上午 9:00-12:00：深圳世界之窗 地址：南山区深南大道9037号 世界之窗是一个缩小版的世界知名建筑和景点的主题公园，可以在这里看到埃菲尔铁塔、泰姬陵等世界著名景观的微缩版本。 中午 12:00-16:00：深圳欢乐谷 位置：距离世界之窗约1.4公里 交通：可以乘坐M486路公交车（约10分钟） 深圳欢乐谷是一个现代化的主题公园，有刺激的过山车等游乐设施。 傍晚 16:00-晚上：深圳湾公园 位置：从欢乐谷到深圳湾公园约4.7公里 交通建议： 乘坐地铁2号线到科苑站 换乘地铁13号线到后海站 步行约15分钟到达深圳湾公园 深圳湾公园是欣赏日落的绝佳地点，可以看到深圳湾大桥和香港的景色。 交通建议： 全程建议使用深圳通交通卡，可以乘坐地铁和公交 各景点之间有便利的公交和地铁连接 如果觉得疲惫，也可以选择打车 时间安排提示： 建议早上9点开始行程 在世界之窗游玩约3小时 欢乐谷游玩约4小时 深圳湾公园可以选择在傍晚时分到达，欣赏日落景色 其他建议： 建议携带充足的水和零食 准备防晒用品和舒适的步行鞋 记得带上相机记录精彩时刻 建议提前查看天气预报，选择天气较好的日子出行 需要了解具体某个景点的更多信息或详细路线指引，我可以为您进一步查询。

Read more

Windows 环境下 llama.cpp 编译 + Qwen 模型本地部署全指南

在大模型落地场景中，本地轻量化部署因低延迟、高隐私性、无需依赖云端算力等优势，成为开发者与 AI 爱好者的热门需求。本文聚焦 Windows 10/11（64 位）环境，详细拆解 llama.cpp 工具的编译流程（支持 CPU/GPU 双模式，GPU 加速需依赖 NVIDIA CUDA），并指导如何通过 modelscope 下载 GGUF 格式的 Qwen-7B-Chat 模型，最终实现模型本地启动与 API 服务搭建。 1.打开管理员权限的 PowerShell/CMD，执行以下命令克隆代码： git clone https://github.com/ggml-org/llama.cpp mkdir
2025睿抗机器人大赛智能侦查赛道省赛全流程

2025睿抗机器人大赛智能侦查赛道省赛全流程

2025睿抗机器人大赛智能侦查赛道省赛全流程——基础入门 安装好Ubuntu系统和ROS 1. 安装Ubuntu 首先需选择与目标 ROS 版本匹配的 Ubuntu 系统镜像（如 ROS Noetic 对应 Ubuntu 20.04、ROS Humble 对应 Ubuntu 22.04），从 Ubuntu 官网下载正版镜像文件；接着使用 U 盘启动盘制作工具（如 Rufus），将镜像写入空白 U 盘并设置为可引导模式；随后将制作好的 U 盘插入待安装设备（一般选择自己的笔记本电脑），重启设备并通过快捷键（不同的电脑按键不同，大家自行搜索）进入 BIOS 设置 U 盘为第一启动项；进入 Ubuntu 安装界面后，按需选择
AIGC时代的网络安全威胁与应急响应机制构建

AIGC时代的网络安全威胁与应急响应机制构建

文章目录 * 一、AIGC时代的网络安全威胁 * 二、应急响应机制的构建 * 三、代码示例 * 《网络安全应急管理与技术实践》 * 编辑推荐 * 内容简介 * 作者简介 * 目录 * 前言/序言 随着人工智能生成内容（AIGC）技术的迅猛发展，我们正步入一个前所未有的创新与变革的新时代。然而，与这一技术革新相伴的，不仅仅是便利和效率的提升，更有日益严峻的网络安全威胁。AIGC技术在显著提升内容生成效率与质量的同时，也悄然带来了新的攻击面与潜在风险，这些风险若不及时应对，将对个人、组织乃至整个社会造成深远的影响。 一、AIGC时代的网络安全威胁 在AIGC时代，数据泄露与隐私侵犯的风险愈发突出。AIGC技术依赖于海量数据，这些数据中不乏敏感信息，一旦数据保护措施出现疏漏，这些信息就可能被不法分子恶意利用，导致个人隐私泄露、财产损失等严重后果。 此外，恶意代码注入也是AIGC系统面临的一大威胁。在系统的训练或推理过程中，如果输入数据未经严格过滤，就可能被注入恶意代码，进而引发系统瘫痪、数据篡改等安全问题。 算法偏见与歧视同样不容忽视。

ACT++完整指南：机器人模仿学习的终极解决方案

ACT++完整指南：机器人模仿学习的终极解决方案 【免费下载链接】act-plus-plus 项目地址: https://gitcode.com/gh_mirrors/ac/act-plus-plus ACT++是一个基于Python的开源项目，专门为机器人模仿学习领域提供先进的算法实现。该项目整合了ACT算法、Diffusion Policy和VINN技术，为研究人员和开发者提供了一套完整的解决方案，特别是在移动ALOHA场景中表现出色。通过共训练框架，ACT++能够有效提升机器人在复杂环境中的学习效率和决策质量。 🚀 ACT++核心功能详解 强大的模仿学习算法 ACT++实现了最先进的模仿学习算法，通过观察示范数据来训练机器人执行特定任务。项目支持两种控制模式：关节空间控制和末端效应器空间控制，满足不同应用场景的需求。 双仿真环境支持 项目内置了两个核心仿真环境： * Transfer Cube：专注于物体搬运任务 * Bimanual Insertion：针对双手协作插入操作 这些环境通过sim_env.py和ee_sim_env.py模块实现，为算法训