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

别被“会聊天”的AI骗了！真正的数字助理，应该是ToClaw这样的

别被“会聊天”的AI骗了！真正的数字助理，应该是ToClaw这样的

这段时间 OpenClaw 很火，火到不少人第一次开始认真讨论一件事： AI 到底该只是陪你聊天，还是应该替你把事完成？ 从官方说明看，OpenClaw 更偏向个人开源 AI 助手路线，推荐通过终端里的 onboarding wizard 完成配置，Windows 侧也建议走 WSL2。这种路线很酷，但对大多数普通办公用户来说，还是意味着一定的学习和折腾成本。 也正因为这样，我反而更能理解 ToDesk 推出 ToClaw 的价值：它不是想让每个人都去研究怎么“部署一个龙虾”，而是想把 AI 直接变成一个你登录 ToDesk 后就能随时使唤的数字助理。 真正的差别，不是会不会聊天，而是会不会接任务 现在很多 AI 工具都已经“很会说”了。写总结、写标题、润色文案、翻译内容，基本都不难。但问题在于，真实工作并不是一个纯聊天场景。
用 Python 搭建本地 AI 问答系统：避开 90% 新手都会踩的环境坑

用 Python 搭建本地 AI 问答系统：避开 90% 新手都会踩的环境坑

欢迎文末添加好友交流，共同进步！ “ 俺はモンキー・D・ルフィ。海贼王になる男だ！” * 前言 * 一、整体架构概览 * 二、新手踩坑分布图 * 三、环境搭建：最容易翻车的第一步 * 3.1 用虚拟环境隔离，别污染全局 * 3.2 PyTorch 安装：版本对齐是关键 * 3.3 依赖管理：用 requirements.txt 锁定版本 * 四、模型下载：别让网络毁了你的心情 * 4.1 使用 Ollama 管理本地模型（强烈推荐） * 4.2 用 Python 调用 Ollama * 五、搭建 RAG 问答系统 * 5.
AI的提示词专栏：使用 “Penalty” 控制模型重复或废话

AI的提示词专栏：使用 “Penalty” 控制模型重复或废话

AI的提示词专栏：使用 “Penalty” 控制模型重复或废话 本文聚焦大语言模型输出中常见的重复、冗余问题，深入解析 “Penalty（惩罚机制）” 的应用。首先阐述模型重复输出的根源，包括概率生成的路径依赖、训练数据的重复模式迁移及上下文理解边界模糊；接着详解 Repeat Penalty（抑制连续重复片段）与 Frequency Penalty（抑制高频重复 token）两大核心参数的原理、范围及差异；随后提供长文本报告、营销文案、多轮对话等 6 大场景的实战配置策略，搭配可复用的 Prompt 示例；还指出盲目提高系数、忽视指令协同等 4 大误区及避坑方法，推荐 3 款辅助工具。最后总结实践建议，帮助读者通过 “适度约束” 平衡避免重复与文本自然度，提升 Prompt 输出质量。 人工智能专栏介绍     人工智能学习合集专栏是 AI 学习者的实用工具。

AI【应用 04】FunASR离线文件转写服务开发指南（实践篇）

FunASR离线文件转写服务开发指南（实践篇） * 1.是什么 * 2. 快速上手 * 2.1 docker安装 * 2.2 镜像启动 * 2.3 服务端启动 * 2.4 客户端测试与使用 * 3. 客户端用法详解 * 3.1 python-client * 3.2 cpp-client * 3.3 Html网页版 * 3.4 Java-client * 3.4.1 Building for Linux/Unix * 4. 服务端用法详解 * 4.1 启动FunASR服务 * 4.2 关闭FunASR服务 * 4.3 修改模型及其他参数