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

LLaMA-Factory微调多模态大模型Qwen3-VL

LLaMA-Factory微调多模态大模型Qwen3-VL

LLaMA-Factory微调多模态大模型Qwen3-VL 目录 LLaMA-Factory微调多模态大模型Qwen3-VL 1. 显卡驱动 2. 模型微调 3. 模型导出 4. 模型部署：vLLM服务 5. 测试效果 1. 显卡驱动 * 显卡型号：NVIDIA GeForce RTX 3090 24G * 显卡驱动：NVIDIA-SMI 535.171.04             * CUDA: 12.2 ,Driver Version: 535.171.04   微调Qwen3-VL-2B模型，至少需要12G显存 2. 模型微调 项目采用大型语言模型工厂（LLaMA-Factory）对大模型微调，目前可支持Qwen3 / Qwen2.5-VL / Gemma 3 / GLM-4.1V / InternLM

从 0 到 1：解决 VsCode 远程连服务器后 Github Copilot 无法使用问题

从 0 到 1：解决 VS Code 远程连服务器后 GitHub Copilot 无法使用问题 当您使用 VS Code 的远程功能（如 SSH 或容器）连接到服务器时，GitHub Copilot 可能无法正常工作，这通常是由于远程环境中的网络、扩展安装或身份验证问题导致的。我将一步步引导您解决这个问题，确保过程清晰可靠。请按照顺序操作，并测试每个步骤。 步骤 1: 确认本地 Copilot 正常工作 在开始远程连接前，先确保 Copilot 在您的本地 VS Code 中工作正常。 * 打开本地 VS Code。 * 创建一个新文件（如 test.py），输入一些代码（如 def
本地部署 Kimi K2 全指南（llama.cpp、vLLM、Docker 三法）

本地部署 Kimi K2 全指南（llama.cpp、vLLM、Docker 三法）

Kimi K2 是 Moonshot AI 于2025年7月11日发布的高性能多专家语言模型（MoE），支持最大 128K 上下文，激活参数规模为 32B，具备极强的推理、代码生成与多轮对话能力。自从其权重以多种格式开源以来，许多开发者希望将其部署在本地，以获得更高的私密性和灵活性。 本文将详细介绍三种主流本地部署路径，并提供完整的配置步骤和使用建议。 📦 准备工作（通用部分） 在进行部署前，请准备如下环境与资源： ✅ 最低硬件配置建议： 项目要求存储空间≥ 250 GB（用于量化模型，若使用 FP8 请预留 1 TB）内存≥ 128 GB RAM（越大越流畅）GPU≥ 24 GB 显存，推荐多卡（如 2×A100、H100）操作系统Linux（Ubuntu 推荐）

SOONet实战手册：视频格式转码建议（H.264 MP4）、分辨率适配最佳实践

SOONet实战手册：视频格式转码建议（H.264 MP4）、分辨率适配最佳实践 1. 项目概述 SOONet是一个基于自然语言输入的长视频时序片段定位系统，它能够通过一次网络前向计算就精确定位视频中的相关片段。这个系统在处理长视频内容时表现出色，可以处理小时级别的视频文件，为视频内容分析和检索提供了强大的技术支持。 在实际使用过程中，视频格式和分辨率的选择会直接影响SOONet的处理效果和效率。合适的视频格式能够确保模型正确读取和处理视频内容，而恰当的分辨率设置则能在保证精度的同时提升处理速度。本文将重点分享视频格式转码和分辨率适配的最佳实践，帮助你充分发挥SOONet的性能优势。 2. 视频格式转码建议 2.1 推荐使用H.264 MP4格式 经过大量测试，我们发现H.264编码的MP4格式是SOONet兼容性最好、处理效率最高的视频格式。这种格式具有以下几个优势： * 广泛兼容性：H.264是目前最通用的视频编码标准，几乎所有视频处理工具都支持 * 压缩效率高：在保证视频质量的前提下，文件体积相对较小 * 硬件加速支持：现代GPU和CPU都对H.264解码