这个周末，我们举办了N8期的AI编程训练营，现场有 炒股工具、知识工具、科研助手、名胜古迹导游、图像编辑器、个人IP定位、抖音热点追踪、家庭图书馆、文献助手、刷题助手等等，又是满满的不同学科背景的Mix融合，给了我非常多的启发。
在这一期，我们重点介绍了MCP的原理和使用方式，同时，也开始讲解如何开发桌面软件。
每个人都可以制作自己的桌面软件，软件，可以成为每个人能够轻松生产的一种”商品“。
如果你对AI编程感兴趣的话，可以关注我们N9期，或者微信联系我litnmnm
什么是 LLM 智能体？根据 Anthropic 的定义，智能体能够动态控制自身流程和工具使用。
www.anthropic.com/research/building-effective-agents
OpenAI 的 DeepResearch（2025 年 1 月发布）和 Claude Sonnet 3.7，被认为是真正的 LLM 智能体的早期例证。
Alexander Doria 最近发表了关于 AI 智能体（Agent）的思考，认为“真正的 LLM Agents 即将到来”。
LLM 智能体 (agents)，与目前常见的基于工作流的系统有着本质的区别。
这些新型智能体能够进行规划、记忆，并有效地执行多步骤、长期的任务。
与预定义规则和提示的工作流系统不同，真正的 LLM 智能体能够动态地指导自身流程和工具使用，从而克服了传统方法在可扩展性和长期效能方面的局限性，并有望在各个领域带来颠覆性变革。
要实现真正的 LLM 智能体，需要采用强化学习 (RL) 与推理 (Reasoning) 相结合的方法。
没错，还得训练模型，在模型本身实现动态规划的能力。目前，市面上的通过预设和提示工程实现的智能体只是过渡形态。
相关的文章还提到了另一个趋势，
市场和投资趋势，例如预测闭源 AI 模型将在 2-3 年内停止 API 服务，这可能对 AI 行业的商业模式产生深远影
如何连接“未知”知识点，显得更加重要。
奥特曼最新的访谈里提到：我们过去很看重大脑知识的积累量，一个人存储的知识越多就显得越聪明，也更容易获得尊重。
而现在，做点的连接者比知识的收集者更有价值。
确实如此，LLM掌握了大量的知识，我们可以随时调用，但如何连接不同的知识点，这个就因人而异了，如果你都不知道存在某个知识点，那你自然想不到要连接起来。
这就是未知的知识（对个人而言），如何连接在一起，和你熟悉的知识之间有什么连接关系。
现在有了，LLM，我们能尽情探索未知的知识。如果能综合并识别模式，你就有了优势。
这和我在上午AI编程训练营里的即兴演示也有很强的关联度：
“
帮我制作一个知识点工具，要求如下：
输入模块:
文本输入框：允许用户粘贴或直接输入文本。
知识点展示与选择模块:
推荐知识点列表：以列表或其他形式展示从输入文本中提取或推荐的知识点。
知识点选择机制：允许用户勾选或选择感兴趣的知识点。
知识点介绍展示模块:展示所选知识点的介绍，包括类比、比喻和思辨性指引。
保存模块:“保存”按钮：用户点击后触发保存操作。
知识库展示 :提供一个聊天界面，用于从已保存的知识点来答问。
”
我选择了从“知识点”作为核心来构建知识工具，通过LLM来扩充知识点，选择后，调用MCP-Memory Server来进行存储和后续的调用。
MCP-Memory Server 我也做了个优化，现在一个exe文件，同时支持sse和stdio的使用模式。
