与「MCP工具」相关的搜索结果

对，这是 Claude Code 自己的规则：ANTHROPIC_BASE_URL 不是官方地址时，它默认关掉 tool search，MCP 工具就全部直接发出去。可以在 ~/.claude/settings.json 的 env 里加 "ENABLE_TOOL_SEARCH": "true" 打开。magpie 的网关已经支持 ToolSearch 的 tool_reference，Claude 订阅、Codex、Grok 的模型都试过能用

"高效不是用更少的 token，而是让你用的每一个 token，都花在你真正要的事情上。"--Anthropic工程师Lydia Hallie "99% 的人在优化提示词，账单却是由上下文窗口里躺着的东西决定的。" Anthropic 工程师Lydia 用26分钟讲清了 Claude Code 的钱到底花在哪——模型只占小头。 你的"一句话需求"，实际发送的是：系统提示 + 内置工具 + CLAUDE.md + 全部 MCP 工具名。每一次请求，都是全家桶。每生成一个 token，模型就把整个上下文重读一遍。上下文越长，尾巴越贵。 收藏这条，关注 @ArtistZhou 获取更多

Pi 的作者 Mario Zechner 早期是死硬派的「No MCP」代表：核心只留 4 个工具，公开把 MCP 当反面教材。 结果在逼近 1.0 的 0.99 大版本里，Pi 突然把 MCP 设为了内置功能。 这看起来像妥协，但翻完源码就会发现：Pi 根本不是向 MCP 低头，而是用一层 Codemode 把 MCP 彻底降维驯服了。 传统 MCP 为什么是灾难？直给两组数字： 1. Token 炸弹：挂个 Playwright 吃 13.7k token，Chrome DevTools 吃 18k token。还没开始聊，3 万 token 先没了，首字延迟崩盘，工具疯狂选错。 2. 调度极慢：查 50 个 Issue，传统 ReAct 循环要跑 50 轮完整大模型往返，几十万字节原始 JSON 垃圾全挤进上下文。把大模型当单步 CPU 用，又贵又脆。 Pi 0.99 给出的解法非常干脆：代码即编排（Code-as-Orchestration）。 - Schema 零注入：MCP 工具默认 exposure 全是 codemode，工具定义根本不给大模型看，Prompt 仅留一行摘要，按需用 BM25 在沙箱里搜。几万 token 预载成本瞬间归零。 - 调度权收回代码：大模型不再发单步指令，而是直接写一段 JS 脚本，扔进 QuickJS 沙箱跑。循环、并发（Promise.all）、异常处理毫秒级完成。 1MB 的原始数据在沙箱内存里直接 filter/map，最终只有清洗后的 3 行有效结果才会回到大模型上下文。 MCP 只适合做能力的标准化暴露，从来不该直接当交互界面。 未来的 Agent 架构很明确了：大模型当编译器（自然语言编译成脚本），轻量沙箱当 CPU（跑并发与清洗），MCP 退回底层当系统函数库。

EvoOntology：给数据智能体一个会成长的语义层 数据智能体（Data Agent）面对异构数据时，能“看见”的往往只有表名、列名和文件路径；指标如何定义、实体如何关联、业务上有何约束，这些语义都藏在数据之外。让智能体每次从零探索，代价高且易出语义错误；把人工维护的语义层全量注入提示词，又难以扩展、随数据漂移而失效。这就是论文中的 agent-data gap。 中国人民大学 ruc-datalab 提出的 EvoOntology（arXiv:2609.15779）给出了新解法：首个面向数据智能体的自进化本体层（Self-Evolving Ontology Layer）。核心洞察是把本体当作“可训练的智能体状态”：不更新模型权重，而让语义知识随真实使用持续积累、验证、版本化演进，每次变更可检查、可比较、可回滚。 本体以三层结构封装为 MCP 服务器，供智能体运行时主动查询： · Schema Layer 定义本体的表示边界（节点族、语义关系、引用模式）； · Content Layer 是类型化语义图，由 Terms / Mappings / Constraints / Evidence 四类节点构成，每个语义对象都有工作负载证据支撑，落地验证后才提交； · Tool Layer 仅暴露 browse_semantics 与 resolve_semantics 两个 MCP 工具加紧凑会话 manifest，智能体按需检索当前步骤所需语义，而非全量注入上下文。 本体遵循 Build → Use → Evolve → Evaluate → Publish 生命周期：构建器智能体从真实工作负载推导候选概念并对照原始数据验证；交互轨迹被持续记录；进化时诊断重复行为、归因到具体层级并生成局部补丁；候选版本只有在相同数据、相同智能体、相同解码设置与交互预算的配对评估中可复现地胜过父版本，才会发布。 在 BIRD、DDR-10K、InsightBench 三个基准、四个 LLM 骨干（GPT-5.5 / GPT-5.6-sol / Claude-Sonnet-5 / Claude-Opus-4.8）上，EvoOntology 一致优于无本体 ReAct 与静态初始本体。其中 DDR-Bench 上仅“自进化”环节就贡献了 +7.7（81.8 → 89.5），验证了持续演进相对静态语义层的增量价值。 论文： 代码：

终于有人把这事做了！不用碰 Python，零依赖 JS/TS 直接拿 A股/港股/美股/基金/期货/期权全市场行情 stock-sdk，1.9K stars，内置 92 个 MCP 工具直接喂给 AI。 以前前端想做行情看板，行情工具基本全是 Python 生态，要么自己起后端，要么忍受财经接口 GBK/并发/批量各种坑。 stock-sdk 不一样，v2 架构大改，命名空间 API + 统一符号模型，零依赖，浏览器和 Node 18+ 双端直接跑。 核心能力： 1️⃣ 一套 API 覆盖 A 股、港股、美股、公募基金、期货、期权，实时行情、K 线、分钟线都能直接调 2️⃣ 资金流、龙虎榜、融资融券、大宗交易、涨跌停池、盘口异动、板块资金这些 A 股常用数据也做进去了 3️⃣ 自带 MACD、RSI、KDJ、BOLL、ATR、SAR 等技术指标，还能直接识别指标信号 4️⃣ 内置 Screener + 本地回测，不只是拿数据，筛股和策略验证也能直接做 5️⃣ 筹码分布也已经支持，A 股 / 港股 / 美股都能本地计算获利比例、平均成本和筹码区间 6️⃣ 最关键的是 MCP 已经原生做好了，Claude、Codex、Cursor 可以直接调用这些金融工具，不用你再包一层接口 我觉得它现在最有意思的一点，是已经从“股票数据包”慢慢变成了 Agent 的金融基础设施。 上面 AI 负责研究，下面 stock-sdk 负责行情、指标、选股和回测。 做股票 Agent、AI 投研，或者想给自己的量化系统补一套统一数据层，这个很值得留着。

Google 开源了 "Agent 工作负载的 Kubernetes"「AX」 AX 是为 Agent 设计的声明式编排运行时，你用 YAML 声明一个 Agent 任务，AX 负责在集群中沙箱化、配置环境、管控网络并大规模运行它。 开源地址： 它解决什么问题 项目的立论很清晰：Agent 是一种既有的编排体系都不匹配的新型工作负载。 · 它不像微服务(无状态、常驻)，Agent 会持续积累状态(对话记忆、工作区文件、工具会话); · 它不像批处理作业(跑完即弃)，Agent 大部分时间在等待，等模型响应、等工具返回、等人类审批，期间沙箱空转烧钱; · 它运行的是不可信代码，需要严格隔离；它还调用外部模型 API 和 MCP 工具服务器，需要网络与凭据管控。 架构：四个二进制 + Redis 四个二进制分工：ax(开发者 CLI)、ax-server(无状态 gRPC API)、ax-controller(调和循环)、ax-task-runner(每个任务容器内的 PID 1)。 核心原语：Task / Workspace / Model (+ Gateway) Task 是最小执行单元：带 CPU/内存限制的隔离沙箱。AX 刻意把它做得细粒度、可自由组合：一个任务可以是全部工作,也可以是任务树的根节点。生命周期用 status.phase + Conditions 表达,支持挂起(检查点保存状态)与恢复。 Workspace 是最有产品想象力的一层。它把“环境准备”声明化:列出需要的 Git 仓库、MCP 服务器、技能包,runner 在命令启动前物化好。更激进的是 generative workspace:你可以只写一句自然语言目标("搭一个 Python 3 开发环境"),首次启动时 runner 会派一个引导 Agent(Antigravity,需 GEMINI_API_KEY,默认限时 10 分钟)去实际安装工具链并验证依赖。声明一次,任意任务复用。 Model 把“用哪个模型、什么参数、密钥在哪”抽成命名资源,密钥引用 K8s Secret。轮换密钥、锁版本、调温度只需一次 ax apply。 沙箱与运行时细节 每个任务容器以 ax-task-runner 为 PID 1：启动元数据服务(端口 80,HTTP/1.1+h2c,暴露 /healthz、/readyz 和任务/工作区自省端点——Agent 不需要 SDK 就能读到自己的配置)、按绑定顺序初始化工作区、然后 fork 出 spec.command 并持续监管。命令退出后 runner 仍驻留,所以 ax ssh 和元数据服务在命令结束后依然可用。停机采用 SIGTERM + 10 秒宽限 + 强杀的两级策略。 安全模型有几处值得注意的门控：guest 服务(任意进程执行与文件读写,ax ssh 的底层)默认关闭,只在 debug: true 时开启——ax ssh 连不上未开启的任务是刻意的安全设计,不是故障;Gateway 用显式 allowlist 管控出站流量,并可向入站请求注入凭据,避免把 API key 直接塞进 Agent 环境。 路线图透露的方向 五大方向：Actor 架构深化、空闲检测自动挂起、有状态任务 fork、任务级 SPIFFE 身份做零信任 mTLS、runner 层自动采集 OpenTelemetry 遥测与结构化 Agent 轨迹。

用AI管理服务器，比较好的方法是使用本地电脑（Cursor / Claude Desktop / Cherry Studio / Codex / 豆包 / trae）运行 MCP SSH Server 程序，通过SSH连接远端服务器，AI 在本地调用 MCP 工具，远程在服务器上执行命令。服务器上不需要安装任何软件，只要能支持SSH即可。

卧槽，UUMit 这个项目，我越研究越觉得离谱。 它让你的 AI 真的可以自己接单、赚钱，也可以让你的 agent 请“human agent”帮忙了。 你可以把做好的 Skill、工作流、知识库、行业数据挂成能力，写清楚价格和交付形式。 有人或者别人的 Agent 需要，它就能被搜索、匹配、调用，交付完成后收入自动结算进 Agent 侧的钱包。 你的 AI 在执行任务时，也不用假装什么都会，遇到问题的时候： 1、缺实时数据，它可以调用数据接口； 2、缺行业判断，它可以请真人做复核； 3、自己干不完，还能把其中一部分交给别的 Agent。 UUMit 的人类和 Agent 能力可以进入同一个匹配池。搜索、下单、资金冻结、接单、交付、验收、结算，这一整套流程平台都已经做了，还能通过 MCP 和 A2A 接进 Agent 的工作流。 而且供给方能玩的东西太多了： 1、会做内容，可以把选题方法、审核规则、脚本工作流做成 Skill； 2、会写代码，可以把 API、MCP 工具、自动化程序按次收费； 3、懂某个行业，可以上架数据库、案例库、供应商资料、SOP，甚至自己的专家时间。 当然，这不等于挂几个普通 Prompt 就能躺着赚钱。真正容易被反复购买的，还是独家数据、专业经验、成熟工作流和可靠交付。 但我确实第一次看到，AI 同时拥有了接单、采购、协作和结算这些能力。 这才是 UUMit 最牛逼的地方：你的 AI 不只会替你干活，它也开始有办法自己把活接回来，再找齐需要的人和能力，把事情做完。

Claude Code 会话价值最大化指南 -- 适用于你的 Coding Agents：从缓存、上下文到 Subagent 的成本优化 先看两个问题： 1. 单个 token 的价格由什么决定 2. 一个会话会发出多少 token # Token 单价的三个决定因素 1. 模型 更大的模型对输入、输出都做更多计算。难题/模糊任务用大模型，常规任务用小模型——其余所有优化都会被模型单价放大。 2. 输入 vs 输出 · Prefill：系统提示、CLAUDE.md、你的消息、以及会话中累积的所有内容（读过的文件、命令输出）。 · Decode：思考、工具调用、回复文本。逐 token 串行生成，GPU 占用时间更长，因此输出价格约为输入的 5 倍。 · 输出中很大比例是 thinking token，其数量由 /effort 控制。已知是体力活的会话，可用 MAX_THINKING_TOKENS=0 直接关闭思考。 3. 提示词缓存 · 机制：请求前缀与上次完全相同，则前缀部分直接读取缓存状态，只对新增部分全价 prefill。 · 价格：缓存读取 0.1×，缓存写入最高 2×（写入只发生一次，之后每轮都是 0.1× 读取）。 · Claude Code 自动管理缓存，但以下行为会击穿缓存，导致整个会话重新全价 prefill： · /model 切换模型（含 opusplan 进出 plan 模式） · /effort 切换思考档位 · 开启 Fast mode（且按 fast 价格重新 prefill） · /compact 压缩会话（系统提示部分保留） · 时间过期：订阅 1 小时、API key 5 分钟（ENABLE_PROMPT_CACHING_1H=1 可延长到 1 小时）；恢复旧会话基本必然 miss 结论：不是不能切换，是要选便宜的时机——会话开始时或 /clear 之后，而不是长对话中途。 # 会话 Token 量的成本模型 关键事实：进入上下文的任何内容（读过的文件、命令输出），会在之后的每一轮被重新发送，直到会话结束。虽然有缓存折扣，但便宜不等于免费，还占用模型每轮要"绕着思考"的上下文空间。 1. 什么进入了上下文 · 启动即加载：工具定义、系统提示、CLAUDE.md、MCP 工具定义。用 /context 审计；CLAUDE.md 只留通用指令，流程性内容移到 skills；用不到的 MCP 用 /mcp 关掉。 · 探索成本：说"测试挂了"，Claude 要先 grep、开一堆文件去定位，这些中间结果会留在上下文里。直接说"修 utils.test.ts 里挂掉的测试"省掉搜索；用 @ 提及文件连 Read 调用都省了（文件随第一条消息直接附上，且一次会话只需提及一次）。 · 命令输出：超过 3 万字符会自动落盘只留摘要（BASH_MAX_OUTPUT_LENGTH 可调），真正的杀手是阈值以下的中等输出——比如 400 行逐行打印的通过测试。对策：给命令加 quiet flag、用 subagent、或用 hook 改写嘈杂命令；把高频命令连同静默参数写进 CLAUDE.md。 2. 在上下文里停留多少轮 · 一个长会话比拆成几个短会话贵，且贵得超乎直觉——第 40 轮要重读前 39 轮。 · 任务切换用 /clear，同一任务前半段完成用 /compact；/clear 前可先 /rename 以便找回；/compact 时告诉它保留什么。 · 一个反直觉的省钱技巧：如果最近几轮走偏了，用 /rewind 回滚而不是 /compact——rewind 只砍掉尾部，前缀缓存仍在，成本为零。 · 注意"你不在打字时发生的轮次"：/loop 每次都携带整个会话触发完整一轮，超 1 小时还叠加缓存失效——应在新终端的干净会话里跑。 3. Subagents：隔离上下文的另一手段 · 子 agent 有独立上下文（含系统提示、工具、CLAUDE.md），但不带你的对话；只有最终结论返回主会话，其余全部丢弃。 · 代价是可能要重读主会话已读过的内容，小任务不划算；适合"产出大量你不需要保留的输出"的任务（如翻日志）。 · 固定外包的嘈杂任务，给它定义一个用 haiku/sonnet 的专属 subagent，否则它默认跑在主会话的模型上。 # 可执行清单（按性价比排序） 1. 任务之间 /clear —— 阻断无关上下文持续计费 2. 开工前定好 /model 和 /effort —— 中途切换击穿缓存 3. @ 提及文件代替写路径 —— 省掉 Read 调用和搜索 4. 嘈杂命令加静默 flag 或丢给 subagent —— 命令输出会驻留整个会话 5. 新会话先跑 /context —— 审计启动加载项，砍掉不需要的 6. 离开键盘前 /compact —— 缓存 1 小时过期，趁热压缩便宜得多

这周Agent生态有个明显的转向，从写代码到做内容。视频、幻灯片、质量审查，两周内冒出来的工具几乎全是面向产出而非面向开发。 stackblitz/bolt-slides 用任意Agent直接生成交互式演示文稿。Slidev底座加Bolt组件系统，你描述内容它给你一套完整可播放的slide deck，改一版比打开PowerPoint快。 Vincentwei1021/video-shotcraft 用Claude Code或Codex生成电影级产品视频的skill包，内置106张分镜配方卡片和161个运镜预览，底层跑Remotion。从产品截图到成片，一个prompt走完全程。 pyang5166/gbro-collage-broll 把一句话文案变成半调纸拼贴风格动画的skill，Gemini Omni Flash做首尾帧组装。适合不想露脸又想出有质感B-roll素材的内容创作者。 Wunderlandmedia/launchworthy 给AI搭出来的应用做上架前体检的Claude Code skill。测安全、性能、数据库、认证、SEO五个维度，出打分和可直接复制的修复代码。vibe coding出来的app想上线，先过一遍这个。 yc-duan/fastctx Rust写的MCP工具，给Agent提供文件搜索和代码分析能力但极省上下文窗口。代码仓库扔给Agent分析时不用再纠结token爆了的问题。 livetennisapi/livetennisapi-mcp 网球实时比分和胜率预测的MCP服务器。看起来小众，但把任意领域实时数据接进Agent、让Claude或Cursor变成那个领域分析师这条路线，想象空间不小。 MadsGao/frakio-work Electron写的本地多Agent协作工作台，把Codex、Hermes和Arc浏览器缝在一起用。macOS原生应用，所有数据存本地，不用把项目上下文上传到任何云端。 Agent工具生态到了拐点。半年前大家还在讨论Agent能不能写代码，现在问题变成了Agent能不能独立完成一条视频、一套PPT、一个能上线的产品。工具链正在从代码辅助转向全流程输出，这个变化比大部分预想的快。