VSCode扩展工具Copilot MCP使用教程【MCP】

优质文章学习记录

— 3 min read
VSCode扩展工具Copilot MCP使用教程【MCP】
在这里插入图片描述


MCP（Model Context Protocol，模型上下文协议） ，2024年11月底，由 Anthropic 推出的一种开放标准，旨在统一大型语言模型（LLM）与外部数据源和工具之间的通信协议。本文章教你使用VSCode扩展工具Copilot MCP快速上手MCP应用！

1. VSCode中安装Copilot MCP

在这里插入图片描述


Copilot MCP是一个适用于 VSCode 的 MCP Client。

2. Copilot MCP使用

安装之后会出现Coplilot授权，并在左侧菜单中出现MCP Server按钮

在这里插入图片描述

3. Add Server

点击Add Server，MCP Server分为两种建立方式，Process和SSE

在这里插入图片描述


以Process为例，输入必要信息：

在这里插入图片描述


其中Server Name是你给Server起的任意名字，需要注意的是Start Command。
这里我的输入为：

npx -y @modelcontextprotocol/server-filesystem /path

注意path修改为自己的文件路径，并确保你已安装node.js从而可以使用npx命令
这个Command怎么来的呢？
可从来自MCP Server官方社区获得自己想要的Server：

https://github.com/modelcontextprotocol/servers?tab=readme-ov-file
在这里插入图片描述


以Filesystem为例，点进去可查看其调用方式，以NPX为例：

在这里插入图片描述


其要求我们输入npx命令，并附加上文件路径，可以为多个文件路径，显然，Command格式举例如下：

npx -y @modelcontextprotocol/server-filesystem /path

注意path修改为自己的文件路径，并确保你已安装node.js从而可以使用npx命令。
在Start Command中输入以上命令即可。
输入完成后点击 Add Server
成功后列表显示刚刚添加Server，不显示意味着添加失败。

在这里插入图片描述


点开后可查看该Server提供的Tools列表：

在这里插入图片描述

4. 调用Server

准备一个测试文件，我在/path下创建了个mcp_test.txt文件,里面包含一句话：

在这里插入图片描述


之后，在VSCode 右侧Copilot对话框中出入：

@mcp <内容>
在这里插入图片描述

例如：

@mcp 请读取"/root/xxx"下的“mcp_test.txt”中的内容
在这里插入图片描述

发送后得到回应：

在这里插入图片描述

成功！！！

Read more

无人机植物病害目标检测数据集（1500 张图片已划分、已标注）| AI训练适用于目标检测任务

无人机植物病害目标检测数据集（1500 张图片已划分、已标注）| AI训练适用于目标检测任务

无人机植物病害目标检测数据集（1500 张图片已划分、已标注）| AI训练适用于目标检测任务 引言 随着人工智能技术的快速发展，计算机视觉在农业领域的应用越来越广泛。尤其是在精准农业和智慧农业的发展背景下，通过自动化技术对农作物进行实时监测和病害识别，已经成为现代农业管理的重要方向。传统的农业巡检主要依赖人工观察，这种方式不仅效率较低，而且在大面积农田环境中难以做到持续、全面、精准的监测。 近年来，无人机遥感技术与深度学习算法的结合，为农业智能监测提供了全新的解决方案。无人机可以在短时间内对大范围农田进行低空巡检，获取高分辨率农田图像，而基于目标检测模型的视觉算法则能够自动识别作物健康状况、病害区域以及异常生长情况。 为了支持相关算法研究与工程应用，本文整理并发布 无人机植物病害目标检测数据集（1500+张图像）。该数据集面向 农业病害识别、作物健康状态评估以及无人机巡检算法训练 等任务构建，适用于 YOLO、Faster R-CNN、SSD 等主流目标检测模型训练。 本文将对该数据集进行详细介绍，包括数据来源、数据结构、标注方式、适用任务以及在智慧农业中的应用价值。
FASTLIVO2算法解析与实战（一）：SLAM领域的新标杆，如何让机器人“看得更清、跑得更稳”

FASTLIVO2算法解析与实战（一）：SLAM领域的新标杆，如何让机器人“看得更清、跑得更稳”

FASTLIVO2系统概述 1. 背景介绍 1.1 传感器特性 FASTLIVO2 系统融合了三种互补的传感器：激光雷达（LiDAR）、相机（Camera）和惯性测量单元（IMU）。它们在感知方式、输出数据和环境适应性上各具特点，通过融合实现优势互补。 特性激光雷达（LiDAR）相机（Camera）IMU工作方式主动发射激光，通过反射测量距离和方位被动接收环境光，捕捉 2D 图像信息主动测量自身运动感知内容环境几何结构（深度、形状、表面）环境纹理与颜色（语义、细节、动态物体）自身运动状态（姿态、速度、加速度）数据输出3D 点云（精确深度）2D 像素矩阵（RGB 或灰度）6 自由度运动参数优势- 直接深度测量，精度高- 不受光照影响- 在结构化环境中鲁棒-

把 AI 小助手接入企业微信：用一个回调接口做群聊机器人实战篇

你也许已经有了一个「看起来还挺像样」的 AI 小助手服务，比如： * 有 HTTP 接口 /v1/chat； * 能识别不同 Skill（待办、日报、FAQ 等）； * 甚至已经有网页版前端。 但现实是：同事们每天真正打开的是企业微信，很少会专门去打开一个新网页跟机器人聊天。 这篇文章就做一件很实用的小事： 在不动你现有 AI 服务核心逻辑的前提下， 用一个企业微信“回调接口”， 把它变成「群聊里的 @ 机器人」。 一、整体思路：后端不重写，只加一层「翻译器」 假设你现在的 AI 服务长这样： * 接口：POST /v1/chat 返回： { "answer": "上午开会，下午写代码……"
（10-1）大模型时代的人形机器人感知：视觉-语言模型在机器人中的应用

（10-1）大模型时代的人形机器人感知：视觉-语言模型在机器人中的应用

本章内容聚焦大模型时代人形机器人的感知体系升级，系统介绍了视觉—语言模型、多模态Transformer与3D大模型在机器人中的核心作用，详细讲解了文本、视觉、点云与语音等信息的语义对齐与融合机制，介绍了从语言指令到视觉目标的Grounding、任务分解与意图理解方法，并通过闭环感知与决策联动，展示了大模型支撑机器人在复杂真实场景中的理解、规划与实时行动的用法。 10.1  视觉-语言模型在机器人中的应用 视觉—语言模型（Vision-Language Model，VLM）通过统一建模视觉与自然语言，使机器人具备“看懂并理解语言”的能力，是大模型时代机器人感知与认知融合的核心技术。VLM不仅能够完成图像识别、目标检测等传统感知任务，还可以直接理解语言指令、进行语义推理，并将高层语义映射为可执行的感知与行动目标，在人形机器人中广泛应用于交互理解、场景认知和任务执行等环节。 10.1.1  CLIP/BLIP/Flamingo等模型简介 随着大规模多模态数据与Transformer架构的发展，视觉—语言模型逐渐从“跨模态对齐”演进为“多模态理解与推理”。CLIP、BLIP与Flam