• 虎虎❤️
    2025-06-09 来自北京
    之前没接触过大模型及工程相关的知识,最近一周刚看了黄佳老师RAG实战这本书,对RAG相关工程在相关工具、技术和框架上有了整体的认识。也感受到了,无论涉及框架还是模型提供了工具和能力,在解决具体企业问题时,还是需要大量的工程和适配工作。今年打算做一些场景的落地尝试,并为企业总结下AI应用开发范式--沉淀重复的工程工作到AI应用平台,让研发力量更专注于业务。 基于目前的了解,市面上的AI应用平台,主要是下沉通用的工程能力,降低开发门槛。目前还没有具体动手,但预感如果简单应用和引入当前的AI应用平台,应该只能泛泛地解决浅表问题。深入的落地,还需要结合企业数据,并借鉴框架和算法的思想,不断调优。 通过最近对MCP和A2A的了解,感觉未来这些具体的优化工作可以沉淀为标准化MCP server的能力。除引入AI应用开发平台外,在企业构建MCP server,推广MCP及A2A协议,也能提升工作的复用。在开发平台上,规范agent实现A2A协议,加上编排能力,有点类似于iPaaS,在不同agent之间碰撞出火花,实现1+1>2的能力。 刚开始接触,希望能够跟着实战并迭代认知。如理解有偏差,请帮忙指正,谢谢。
    展开

    作者回复: 感谢如此深刻的探讨。您的理解是特别到位的。 AI是工具,场景是工具发挥其最大作用的前提条件。 AI成功落地的3大条件: 1. 业务人员对场景需求的超清晰定义; 2. 技术人员对新技术的快速掌握和深刻认知(内核的领悟); 3. 业务人员和技术人员的通力合作,最好合力建立起一套评估体系。 有这样清晰的落地场景,大模型和AI工具就有了腾飞的双翼。

    
    3
  • IT蜗壳-Tango
    2025-06-09 来自江苏
    2025/06/09打卡记录
    
    1
  • Geek_7b634a
    2025-06-09 来自内蒙古
    团队最初写了超过 2000 行的适配器代码;而引入 MCP 之后,所有底层细节都由 MCP 平台统一托管,团队只需保留核心决策和业务流程,代码行数骤降至 500 行以内,开发效率提升了 4 倍以上。 这句话我觉得有一个前提,是具体实现其他人在MCP 平台帮你做好了,不然的话也没东西可以用,MCP只是协议而已
    
    