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

【用AI学Agent】Agent入门前置：大模型基础（开发向）

【用AI学Agent】Agent入门前置：大模型基础（开发向）

首先欢迎大家点进文章，其次 申明：本系列内容是作者通过AI学习Agent得到的内容，如若有错误之处，欢迎批评指正 很多想入门AI Agent开发的朋友，例如我，第一步就被“大模型”的各种概念绕晕——上下文窗口、Token、温度、思维链，这些到底是什么？和Agent有什么关系？ 其实不用慌，Agent的核心是“让AI自主做事”，而大模型（LLM）就是Agent的“大脑”——不懂大脑的工作原理，后续学RAG、工具调用、Agent架构都会很吃力。 这篇博客专门为Agent学习者打造，包含开发中能直接用到的大模型基础知识点，从“是什么”到“怎么用”，帮你夯实Agent入门的第一块基石。 一、大模型（LLM）到底是什么？ * 很多人对大模型的理解有误区，觉得它“无所不能”，能像人一样思考、理解世界； * 也有人觉得它“只是个问答机器人”，没必要深入学习。 其实这两种想法都不对。 用最通俗的话讲：

大学生AI写作工具全流程应用指南（从开题到答辩）

说明：本清单按论文写作时间线划分6个核心阶段，明确各阶段工具搭配、操作要点及注意事项，可直接对照执行，兼顾效率与学术合规性。 阶段1：开题阶段（核心目标：确定选题+完成开题报告） 工具搭配：豆包AI + PaperRed 操作步骤： 1. 选题构思：打开豆包AI，输入“XX专业（如汉语言文学）本科论文选题方向”，获取5-8套开题思路；同时用PaperRed的“学术热点图谱”功能，输入核心关键词，查看近3年文献增长趋势与研究空白区，筛选出兼具可行性与创新性的选题。 2. 框架及内容生成：在PaperRed中选择“开题报告”，输入确定的选题，选择自己学校的模板，生成包含“研究背景、目的意义、研究方法、进度安排”的标准框架及内容并且格式也是调整好的，生成基础内容后人工优化，确保逻辑连贯。 注意事项：选题需结合自身专业基础，避免过度依赖AI选择超出能力范围的课题。 阶段2：文献搜集与梳理阶段（核心目标：高效获取权威文献+

DeepSeek-R1-Distill-Llama-8B在数学解题中的应用案例

DeepSeek-R1-Distill-Llama-8B在数学解题中的应用案例 你是否曾经被复杂的数学题困扰，需要一个智能助手来帮你理清思路？DeepSeek-R1-Distill-Llama-8B可能就是你要找的解决方案。这个专门针对推理任务优化的模型，在数学解题方面展现出了令人印象深刻的能力。 本文将带你深入了解这个模型在数学领域的实际应用效果。通过多个真实案例展示，你会看到它是如何一步步解决从初中数学到竞赛级别的各种题目，不仅能给出正确答案，还能提供清晰的解题思路。 1. 模型能力概述 DeepSeek-R1-Distill-Llama-8B是DeepSeek团队推出的推理专用模型，专门针对数学、编程和逻辑推理任务进行了优化。虽然参数量只有80亿，但在数学解题方面的表现却相当出色。 从基准测试结果来看，这个模型在多个数学相关评测中都有不错的表现： * AIME 2024竞赛题：50.4%的通过率 * MATH-500数据集：89.1%的准确率 * GPQA钻石级难题：49.0%的解决率 这些数字意味着什么？简单来说，这个模型能够解决大约一半的高中数学竞赛题目