#AI应用开发 springAI是如何实现mcp的工具调用的，在springai中，工具调用被抽象成了一个toolcallback，无论是我们自己写的工具调用，还是mcp提供的，最终都会变成这个类的实例，然后再大模型返回的结果里，如果有工具调用，就会调用toolcallback的call方法，来执行真正的工具调用

#AI应用开发 今天学习了如何利用springAI来开发mcp server以及mcp client。开发mcp client很简单，只需要引入依赖，配置一下就好。开发一个mcp server也是一样 先要引入一个依赖，然后手动注入toolcallbackprovider这个bean就行了。需要利用tool注解来自定义需要对外提供的工具

#AI应用开发 今天学习了toolcall，本质还是给大模型提供上下文信息，让其生成调用。在传递给大模型的消息中有一个额外的字段叫做tools，里面定义了工具的声明。在模型的响应中有一个字段叫做tool_calls里面定义了要调用哪些工具。 工具的定义要清晰明了，参数结构尽可能的简单，不要试图在一次请求中拼装复杂的工具链。满足需求的情况下，越简单，越清晰越好

#AI应用开发 springAI实现短期记忆（会话内记忆）的实现是基于chatmemory来实现的，chatmemory这个接口专注于我要把那些消息交给大模型，而chatmemoryrepostory 这个接口专注的是会话中产生的消息怎么存? 存哪里? 是数据库还是内存?

#AI应用开发 springAI中 目前学习了两套api，一个是chatmodel，一个是chatclient。 chatmodel是封装了大模型提供商的chat请求，让我们可以很方便的调用模型，而不需要手写http请求。他提供了两个方法 一个是call，一个是stream 对应chat请求的两套模式，一个是非流式输出，一个是流式输出。所以这个更像是对大模型的抽象。 chatclient是基于chatmodel的封装，提供了更多的api，方便我们快速搭建相关的功能。 springAI 提供了prompt来抽象给chat的请求内容，不仅仅包含消息列表，还有一些模型配置，但是我感觉prompt这个名字不好，我宁愿叫chatrequest，也不叫prompt，因为一段小文本就是prompt

prompt评测 因为prompt是自然语言，那么针对prompt的评测就和学生时代，老师看作文一样，存在很强的主观性。 基本上就是从几个维度考虑，比如准确性，逻辑性，安全性等。 在当下这个时代，我们完全可以把大模型当人看，所以我们同样可以把prompt的测评工作交给大模型

什么是prompt? 大模型的底层原理是预测，但是预测需要有一段原始数据，基于这个原始数据来进行预测。这段原始数据就是我们说的prompt，又因为大模型是大语言模型，借助自然语言进行预测，所以我们的prompt也就是自然语言

关于AI编程的几个点 1. 干净的上下文 2. 跨会话的记忆 3. 你需要知道AI明白了你的意图 4. AI编程就是声明式编程 5. 在AI时代我们只需要干两件事情 结构化表达意图（清楚即可）证明AI真的实现了意图

我目前的工作流是这样的 先使用grill-me和AI确认需求的边界，基于我们确认好的边界让AI生成一份分阶段实现的文档，然后让AI基于这份实现文档开subagent 分阶段实现，分阶段review。 我这样子感觉很快架构就腐朽了 开始逐渐bug多起来了[捂脸][捂脸][捂脸] 想请教各位大佬的工作流是怎么样的[捂脸]

你是否也只把 MySQL 当作一个“只会存取数据”的黑盒？前端发请求，你查数据库，看似简单，但当查询变慢、死锁频发时，你是否因为不懂内部原理而无从下手？ 本文不讲晦涩的源码，而是像拆解玩具一样，带你钻进 MySQL 内部：从连接器到存储引擎，看清一条 SQL 到底经历了什么；从 Redo Log 到两阶段提交，搞懂数据是如何被安全写入的。别再只做“CRUD”工程师了，今天带你真正看透 MySQL 的本质！ 原文如下：https://mp.weixin.qq.com/s/f6loMKH25VWPfkJYl2yAxg