aiDotEngineer

@aiDotEngineer

还没有填写个人介绍

注册于 2026-07-01
MCP应用 - 如何工作、如何构建以及如何分发

什么是 MCP Apps、它们如何工作、如何构建以及如何分发。在这次演讲结束时,你将掌握加入这场竞赛所需的一切知识! MCP Apps 不仅仅是附带了 UI 的 MCP 服务器。它们是一个完整的交互层:双向、有状态、由宿主渲染,模型和 UI 共享实时上下文。 本次演讲围绕以下内容展开: **MCP Apps 究竟是什么。** 架构:如何通过 `ui://` 资源声明一个 App,宿主如何在沙盒化的 iframe 中渲染它,基于 postMessage 的 JSON-RPC 传输如何工作,以及状态如何在模型和 UI 之间流动。 **让它们成为现实的原语。** `ui/update-model-context`:App 无需用户消息即可将实时状态推入模型的上下文窗口。`ui/message`:App 在未经提示的情况下主动向对话中回传消息。App Tools:模型调用 App 注册的工具接口。 **现已上线的 MCP Apps 展示。** 具体的演示,而非关于“可能实现什么”的幻灯片。早期构建者发现了什么,难点在哪里,以及实际中的交互模式是怎样的。 **分发与发现。** 商店如何运作,如何提交,不同宿主上的展现形式是什么,以及安装/发现用户体验对构建者意味着什么。 **为什么企业需要行动** 任何通过 UI 供人类使用的产品都需要一个 MCP App 版本,否则它将被那些越来越习惯于通过代理完成所有事情的人绕过。 只要还有人使用这些系统,MCP Apps 就是答案。对于其余的情况,有 MCP 就够了。 **视频 AI 总结**:该视频由 Manifest 联合创始人 Pietro 主讲,深入介绍了 MCP(模型上下文协议)应用(MCP Apps)的核心概念、构建方式、分发机制及其重要性。MCP 已成为 AI Agent与外部工具交互的标准,而 MCP Apps 在传统 MCP 基础上增加了 UI 组件能力,允许工具返回交互式 Widget,实现更丰富的用户体验。视频详细讲解了 MCP Apps 的多种通信原语(如状态更新、消息发送、流式渲染等),并展示了在 ChatGPT、Claude、Cursor 等主流客户端中的实际应用案例。最后,强调了 MCP 商店作为新的分发渠道的重要性,以及如何利用这些商店实现动态发现和用户获取。 **主要内容**: - MCP 从 2024 年提出,发展到 2025 年引入 UI 元素,最终演变为 MCP Apps,成为官方扩展协议。 - MCP Apps 核心机制:工具调用返回沙箱化 iframe 中的 UI 组件,实现比纯 JSON 更丰富的交互。 - 通信原语包括:set state(更新模型对 UI 状态的认知)、UI message(从 Widget 向模型发送消息)、流式更新(动态填充工具参数并渲染 UI)、从 Widget 调用其他工具、隐私控制(仅向模型暴露部分信息)。 - 客户端支持:ChatGPT、Claude(Co-work、Desktop)、Codex、Cursor 等均已支持 MCP Apps。 - 开发工具:Manifest 的 MCPUs SDK 提供 React 组件编译、模板创建等功能,简化开发。 - 分发渠道:ChatGPT、Claude、Cursor 均开放了 MCP 应用商店,支持自提交审批流程,实现一键安装。 - 动态发现:Claude 已实现根据用户意图自动搜索并推荐合适的 MCP 连接器,ChatGPT 也将跟进。 - 未来展望:AI 应用将成为新浏览器,MCP 则如同新网站,开发者应尽早构建和发布 MCP Apps。 演讲者: - Pietro Zullo (Manufact, Inc):Pietro 是 Manufact (YC S25) 的联合创始人。Manufact 创建并维护了 mcp-use,一个在 PyPI 和 npm 上累计下载量超过 800 万的 MCP 框架,是当今领先的 MCP 开发框架之一。Manufact 是 MCP 的云平台。你可以将 Manufact / mcp-use 视为垂直聚焦于 MCP Apps 和服务器的 Vercel / Next.js。 X/Twitter:https://x.com/pietrozullo LinkedIn:https://www.linkedin.com/in/pietrozullo/ GitHub:https://github.com/pietrozullo

58 0 0 2026-07-08
构建可长时间运行 Agent 的实践与思考

**视频 AI 总结**:本视频来自 Anthropic 应用 AI 团队的工程师 Ash 和 Andrew,分享了构建能够长时间运行(数小时甚至数天)的 AI Agent的实践与思考。他们回顾了 Claude Code 从一次性编码工具到支持多日持续运行的演进历程,分析了长时代理面临的上下文有限、规划困难、自我评价偏差等挑战,并重点介绍了他们采用生成器-评估器对抗模式(类似 GAN)来提升代码和设计质量的实验性方法。视频还讨论了如何设计评估器、使用 Playwright 进行自测试、通过文件系统管理状态以及根据模型能力演进简化 harness 设计。 **主要内容**: - 长时运行代理的三大挑战:上下文有限(记忆缺失、上下文腐烂、焦虑)、规划能力差、模型难以客观评判自身输出。 - 应对策略:通过模型权重提升(如 Opus 4.6 支持 12 小时连续运行)和改进 harness 工具(如 Agent SDK、检查点、技能、服务器端压缩)协同进化。 - 核心模式:生成器-评估器对抗模式,将构建与评价分离,让评估器通过 Playwright 实际操作用户界面进行测试和评分。 - 引入计划器角色,将模糊需求分解为高层次规范,并通过生成器与评估器协商达成具体合同(contract),确保测试可量化。 - 实际案例对比:同样指令“构建一个复古游戏编辑器”,简单循环仅能生成半成品游戏(点击无响应),而对抗式 harness 生成了完整可玩的游戏,并包含 AI 辅助功能。 - 调优经验:手动阅读代理运行日志是调试的关键,通过记录评价标准(设计、原创性、工艺、功能)并权重调整来提升品味。 - 模型演进对 harness 的影响:随着模型能力提升(如 Opus 4.6 消除上下文焦虑),可以简化 harness(减少会话重置、降低评估频率),但对抗式评价模式仍然重要。

71 0 0 2026-07-01