大家好！Weekly Gradient 第 45 期内容已送达！### MCP 专题

模型上下文协议(Model Context Protocol, MCP)是一种正在迅速普及的协议，它允许AI客户端与外部服务和工具服务器进行交互。MCP让AI客户端不再局限于对话和信息检索，而是能够采取实际行动，比如发送电子邮件、部署代码更改、或发布博客文章等。我在周刊的30、35、43、44期都有介绍。

1. 在MCP的最新更新，

   • 基于 OAuth 2.1 的身份验证框架
   • 将之前的 HTTP+SSE 传输方式替换为流式 HTTP 传输
   • 支持 JSON-RPC 批处理
   • 工具注解，用于更好地描述工具行为

2. Cloudflare 推出远程 MCP Server部署功能：Cloudflare 提供了四个核心组件来简化远程 MCP Server 的构建过程，它们共同简化了远程 MCP Server的构建和部署过程。首先，workers-oauth-provider 作为一个 OAuth 2.1 库，简化了用户认证和授权流程，使得开发者无需自行实现复杂的 OAuth 认证。McpAgent 类集成在 Cloudflare Agents SDK 中，负责处理远程传输，使得 MCP 服务器能够接收和处理来自 MCP 客户端的消息mcp-remote 是一个适配器，它允许本地 MCP 客户端使用远程 MCP 服务器，让这些客户端能够连接和使用远程服务器。AI playground 作为一个远程 MCP 客户端，提供了一个在线聊天界面，允许用户通过 Internet 连接到远程 MCP 服务器，并进行必要的认证检查，从而使得用户可以直接在网页上与远程 MCP 服务器交互和测试。

   

3. Zapier 推出MCP全流程方案：Zapier MCP 通过一个动态的 MCP 端点将 AI 助手与 Zapier 的广泛集成网络连接起来，实现了对超过 8000 个应用的直接访问。它允许 AI 执行真实动作，如发送 Slack 消息或管理 Google Calendar 事件，从而将 AI 从简单的对话工具转变为应用程序的功能性扩展。提供了一个安全和可靠的平台，让开发者能够专注于编码，同时由 Zapier 管理身份验证、API 限制和安全性。

3. 在微软官方介绍 Copilot Studio 中借助 MCP 连接现有知识服务器和数据源。

4. AWS官方介绍如何创建一个 MCP 客户端来与 Amazon Bedrock 集成

5. OpenAI 的 Agents SDK 支持 MCP，允许使用各种 MCP 服务器为 Agent 提供工具。MCP 服务器分为两种：基于标准输入输出（stdio）的服务器和基于 HTTP 超文本传输协议（HTTP over SSE）的服务器。使用 MCPServerStdio 和 MCPServerSse 类可以连接到这些服务器。

6. 通义千问网页端有 MCP 调用入口，高德地图提供 MCP Server，百度地图核心API现已全面兼容MCP协议。

   

7. 详解 MCP：Agentic AI 中间层最优解，AI 应用的标准化革命：文章认为MCP 生态下创业公司的三个主要机会

   • Agent OS：在 MCP 生态系统中，Agent OS 是一个重要的创业机会。随涉及到为 Agentic AI 构建操作系统，使得 AI 能够更有效地管理和执行任务。

   • MCP Infra：MCP Infra 提供了基础设施支持，允许创业公司构建和维护 MCP 相关的基础设施，为 AI 应用提供支持和资源。

   • MCP Marketplace：MCP Marketplace 是一个平台，它允许用户发现、共享和贡献 MCP Server，为创业公司提供了一个展示和分销产品的渠道。

8. a16z 探讨了 MCP 的发展前景、使用案例、挑战以及对 AI 工具链和基础设施的潜在影响。

   

论文

1. BizGen：生成高质量信息图表

   BizGen 视觉文本渲染流程：

   • 信息提取：BizGen 首先从文本中提取关键信息，这是生成准确信息图表的基础。
   • 智能匹配：根据提取的信息，模型通过智能算法匹配最合适的视觉元素和图表类型。
   • 视觉元素生成：利用计算机视觉技术，将提取的信息转换为视觉元素，如图表、图形等。
   • 自适应图表选择：自动选择与文本内容相匹配的图表类型，如柱状图、线图、饼图等。
   • 视觉布局优化：通过视觉布局优化，确保信息图表的美观性和视觉效果，同时保证信息的准确性和清晰性。

2. 推理模型在Agents场景的能力分析：结论是将LLMs的执行效率与LRMs的推理深度相结合，可以实现更优的Agent性能，DeepClaude从一开始就这么做的。

   LRMs 在推理密集型任务中优于 LLMs。

   LLMs 在执行驱动任务中表现更好。

   混合配置：LLMs 执行 + LRMs 推理优化性能

   LRMs 在推理密集型任务中成本高、时间长

   混合架构：结合 LLMs 执行效率和 LRMs 推理深度

3. 全面系统的分析 9 个GraphRAG 方法后提炼的统一框架：该框架分为四个阶段：图构建、索引构建、算子配置和检索与生成。这个框架能够覆盖现有基于图的RAG方法，具体如下图所示。

   • 图构建：将外部知识库分割为文本块，利用语言模型（LLM）等工具提取实体和关系，构建图。常见图类型包括段落图、树结构和知识图谱等。段落图示例：每个文本块作为节点，若两节包含相同实体超过阈值，则两节点之间建立边。知识图谱通过提取实体与关系构建，实体代表对象，关系表示对象间的语义联系。例如，美国总统选举知识图谱中，“拜登”和“特朗普”等候选人为节点，相关关系如“竞选对手”或“获胜者”。

   • 索引构建：为高效在线查询设计索引。索引分为节点索引、关系索引和社区索引，存储节点、关系或社区信息。节点索引通过文本编码模型（如 BERT）生成节点嵌入向量，存储于向量数据库中以便快速检索。例如，用户查询“ย登的竞选对手是谁？”系统通过节点索引快速检索到“拜登”和“特朗普”。

   • 算子配置：配置操作符以灵活检索与用户查询相关信息。常见操作符包括节点类型、关系类型、块类型和子图类型操作符。例如，用户查询“拜登和特朗普的竞选关系”时，系统检索到“拜登”和“特朗普”，并确定它们之间的关系。

   • 检索与生成：在图RAG（Graph-based RAG）方法中，这个阶段分为问题转换和信息检索与生成。问题转换：用户输入的问题转化为检索系统理解的格式。策略包括实体提取、向量编码或直接使用原始问题。信息检索与生成：根据检索原语从图中检索相关信息，并输入大语言模型生成答案。生成方式包括直接生成和分步聚合。直接生成将检索到的信息与问题拼接后直接生成答案；分步聚合则是先生成部分答案，再汇总成最终结果，适用于复杂问题。

     

4. τ-bench：现实领域工具-Agent-用户交互基准：这个基准测试是我目前见过设计最合理的，特别是对于垂直领域 Agent 要在对话交互过程中动态调用工具的情况，像Berkeley函数调用排行榜（BFCL）、ToolBench和MetaTool等，仅包含单步用户交互，实际情况中 Agent 需要在长时间范围内与人和API进行无缝交互以收集信息和授权，准确遵循复杂的领域规则和策略，并在大规模交互中保持一致性和可靠性。用户状态包括初始系统提示和任务指令以及用户和Agent之间的整个对话历史，但用户消息往往是随机的，Agent的消息附加到聊天记录后，需要从语言模型中采样新的用户消息，以匹配用户的身份、意图和偏好。

   $\tau$-bench的设计细节

   1. 模块化框架：$\tau$-bench采用模块化设计，包括数据库、API工具、领域策略和用户指令。这种设计允许灵活地添加新的领域或更新现有数据。
   2. 数据库和API工具：每个领域都有多个数据库和API工具，模拟真实世界的数据和功能。数据库的状态是隐藏的，只能通过API工具进行读取和写入操作。
   3. 领域策略：每个领域都有一个详细的策略文档，描述了Agent必须遵循的规则和限制。这些策略帮助模拟真实世界中的复杂规则和约束。
   4. 用户模拟： 使用语言模型（如gpt-4）来模拟用户的行为，生成自然语言的对话。这种方法可以产生多样化的用户输入，模拟真实世界中的不确定性。
   5. 评估过程：通过比较对话结束时的数据库状态与预期的目标状态来评估 Agent 的表现。这种方法确保了客观性和一致性。

   模拟真实世界交互的原因

   1. 动态对话：通过模拟用户和Agent之间的自然语言对话，$\tau$-bench能够捕捉到真实世界中复杂的交互模式。 2. 规则遵循：Agent 需要在遵循领域策略的同时完成任务，这模拟了现实世界中对规则和政策的遵守。 3. 多样性和复杂性：使用语言模型生成的多样化用户输入和复杂的数据结构，使得基准测试能够模拟真实世界中的多样性和复杂性。

   与其他评测的区别

   1. 交互类型： $\tau$-bench强调Agent与人类用户和API的交互，而其他一些基准测试可能只关注Agent与环境的交互。
   2. 规则遵循： $\tau$-bench特别关注Agent在遵循领域策略方面的能力，而其他基准测试可能更侧重于简单的指令遵循或工具使用。
   3. 用户模拟： $\tau$-bench使用语言模型来模拟用户，生成自然语言的对话，而其他基准测试可能使用规则驱动的用户模拟器或真实用户。
   4. 任务多样性： $\tau$-bench的任务设计更加开放和多样化，能够模拟多种现实世界场景，而其他基准测试可能更专注于特定的任务类型。

工程

1. 常见的 AI 模型格式：一篇扫盲文章，介绍了常见 AI 模型格式，包括 GGUF、PyTorch、Safetensors 和 ONNX，并分析了它们的优缺点、使用场景以及硬件支持情况。

   • GGUF：是一种二进制格式，用于快速加载和保存模型，易于阅读。它支持灵活的量化方案，通常用于语言模型，但也适用于其他类型的模型。GGUF 的优点包括简单、快速、高效和便携性，但也有其他格式需要转换的缺点，以及在模型保存后修改或微调不便利。
   • PyTorch：使用.pt或.pth扩展名保存模型状态。PyTorch 格式基于 Python 的 pickle 模块，它允许序列化和反序列化 Python 对象，但也有局限性，如安全性问题、效率问题以及可移植性问题。
   • Safetensors：由 Hugging Face 开发，解决了传统 Python 序列化方法中的安全性和效率问题。它支持延迟加载和部分数据加载，但在量化方案上不如 GGUF 灵活。
   • ONNX：提供与供应商无关的机器学习模型表示方法，包括模型的计算图。它适用于跨平台和硬件部署，但在量化张量的支持上有限。

2. 万相Wan2.1视频LoRA训练指南：作者介绍了如何使用 LoRA 来个性化训练万相视频生成模型，从基础概念到实际操作，指导如何根据不同的生成任务和应用场景选择合适的 LoRA 模型，包括文本到视频 LoRA（T2V-LoRA）和图像到视频 LoRA（I2V-LoRA）。此外，还提供了环境准备、数据集准备、训练参数调整等相关信息，以及如何开始训练。

3. Qwen 团队开源多模态模型 Qwen2.5-Omni-7B，它能够无缝处理多种形式的输入（文本、图像、音频和视频），并实时生成文本与自然语音输出。Qwen2.5 Omni 采用了新的 Thinker-Talker 架构，支持跨模态理解，并通过 TMRoPE 技术实现了视频与音频输入的精准同步。该模型在实时音视频交互、自然流畅的语音生成以及全模态性能优势方面表现出色，超越了许多现有的流式和非流式替代方案。在端到端语音指令跟随能力和多个领域的基准测试中，Qwen2.5 Omni 均表现出色。

4. pdf-craft：一个专注于处理扫描书籍 PDF 文件的工具，它能够将 PDF 文件转换为 Markdown 或 EPUB 格式。使用 DocLayout-YOLO 算法提取书页正文，并过滤掉页眉、页脚等元素，确保文本的语义通顺。对于 EPUB 格式的转换，PDF craft 会将 OCR 识别的数据传输给 LLM，并构建书本的结构，最终生成带目录的 EPUB 文件。在使用过程中，需要配置 LLM 服务，此外，PDF craft 还支持将 PDF 转换为 Markdown 格式，并将插图、表格、公式以图片形式插入到 Markdown 文件中。

5. Agno 提供了一个标准化的代码库，用于构建和管理 Agentic 系统：通过标准化的代码库（工作区），可以更快地构建和部署高质量的 Agentic 系统。这些工作区包含了多年的实践经验，为开发者提供了一个极好的起点。Agno 建议在本地环境中实验和完善代理系统，直到达到 6/10 的质量标准，然后再转向生产环境进行迭代和完善，最终达到 9/10 的质量标准。

   

产品

1. OpenAI 推出4o Native Image Gen，原生多模态模型，通过精确的图像和文本结合，提升图像生成的实用性。集成在 GPT-4o 中，能够根据用户的需求生成具有特定风格和情境的图像，例如高质量的游戏角色外观、高级别的文本渲染、多图生成等。此外，OpenAI 还提供了一系列的示例和指令，展示了如何通过自然语言指令来优化和创造图像。同时，OpenAI 也承认了模型的局限性，包括处理非西班牙语文本、维护图像一致性和细节渲染等方面的挑战。

   效果太强了，大家最好使用英文测试，OpenAI 这次数据做的十分扎实，因为只有 OpenAI 和谷歌早早就开始在原生多模态上进行投入，前有 gemini-2.0-flash-exp-image-generation ，现有 4o 图像生成，这个能力其他家其实都不太好追，当然也可以像字节一样的进行工程上的取巧。

2. DeepSeek-V3 模型进行了小版本升级，推出了 DeepSeek-V3-0324 版本：新版本在推理任务上表现更佳，超过 GPT-4.5 的得分，在数学、代码任务上也有所提升。同时，新版本在中文写作、前端开发能力上也有显著提升，特别是在 HTML 等代码前端任务上的代码可用性和视觉效果。此外，新版本的中文搜索能力优化，能够在联网搜索场景下提供更详细准确的结果。DeepSeek-V3-0324 模型的参数约为 660B，支持的上下文长度为 128K，模型参数已开源。

   

3. 谷歌发布 Gemini 2.5 Pro：

   

   • 复杂任务处理：Gemini 2.5 Pro Experimental 版本在 LMArena 人类偏好榜单上大幅度领先。
   • 推理和编码能力：Gemini 2.5 Pro 在常见的编码、数学和科学基准上展现出卓越的性能，特别是在不适应推理的情况下。
   • 人类知识和推理的边界：Gemini 2.5 Pro 在人类最后的考试（Humanity’s Last Exam）数据集上达到了 18.8% 的水平，这证明了其在捕捉人类知识和推理的能力上的显著提升。
   • 编码性能：Gemini 2.5 Pro 在创建视觉效果丰富的 Web 应用和代码应用方面有显著提升，并在 SWE-Bench Verified 基准上使用自定义代理设置得分达到了 63.8%。
   • 多模态和长上下文窗口：Gemini 2.5 Pro 展现出卓越的性能，能够理解和处理来自不同信息源的复杂问题，包括文本、音频、图像、视频甚至整个代码仓库。

4. Linkloud 与 Cartesia 官方合作，可免费体验价值 299 美金的最高等级套餐 “Scale” 一个月（包含 800 万 Credits 及容纳 15 条并发请求）！

   Cartesia之前介绍过，“高拟人” TTS目前是国内外做的最好的产品，就是国内流式传输时延迟有点高。

   

市场

1. 图解四部门《人工智能生成合成内容标识办法》及配套强制性国标与指南：鉴别部分设计很多技术细节，这次政府效率蛮高，我强烈支持，否则内容污染下去就玩完了。

2. 2025面向决策者的负责任AI指南智能应用最佳做法：微软出品，就咨询公司那一套说辞。

3. 2025年B2B企业AISEO实战策略报告：面向 AI 搜索做内容建设的策略。

4. 2025年AI新时代内容营销行业洞察：沙利文出品，也是面向 AI 的品牌建设，更细致一点。

   

观点

1. 真正的LLM Agent：依旧是上一期观点部分模型即产品（The Model is the Product）的理念的延续。

   1. Agent的核心价值。 Agent的核心价值在于它们能够自主规划和执行任务，而不是简单依赖预设的工作流程。
   2. Agent的发展方向。 未来的Agent将通过强化学习（RL）与推理（Reasoning）的结合，实现自主决策和工具使用。
   3. Agent的定义。 Agent是指能够在没有外部提示的情况下，自主内部完成任务的系统。
   4. Agent的独立性。 Agent能够在内部自主完成任务，而不是依赖外部调用或人工流程干预。
   5. Agent的训练方式。 Agent的训练是通过「草稿」（draft）来完成的，即通过模型自主生成的草稿进行评估和优化。
   6. Agent的「苦涩教训」。 Agent的设计注重自主搜索、规划和行动的能力，而不是依赖简单的提示（prompt）和规则约束。
   7. Agent的商业化。 未来几年内，Agent将不再仅是API服务，而是作为产品直接提供给市场。
   8. Agent的潜力评估。 市场尚未充分认识到Agent的强化学习（RL）潜力，这是一个需要重视的新兴领域。

2. 对 Anthropic MCP 当前状态的不足分析