解密企业级大模型智能体Agentic AI 关键技术：MCP、A2A、Reasoning LLMs- MCP内幕解析

解密企业级大模型智能体Agentic AI 关键技术：MCP、A2A、Reasoning LLMs- MCP内幕解析

其实现在大家如果你看网络上的很多的实现的时候，很多大的一些厂商，例如docker MCP，大家可以看啊，基本上都在全力的去支持MCP。因为它本身基于我刚才描述的这些核心价值。例如说这边你假设说你要有一些支付功能，这边有MCP stripe。这个是docker官方已经验证了verify一些。非常高质量的MCP的实现。但这边还有line，还有我对notion ，这个在 在我们企业中也有使用，到另外一个也就在我在的所有公司中都有使用的，就是现在的这个MCP redis，他已经推出。其实他推出没有多久的时间，但他一经推出，我们企业就立即把这个MCP redis部分投入了使用。

这里面有很重要的原因，其中一个很其中一个原因是，因为如果你使用docker的方式，你可以在虚拟环境下，就类似于这个沙箱的这个机制可以进行隔离。这对于安全，但另外一方面对资源的更有效的利润带来非常大的价值。还有一点就是大家可以看一下这个cloud flare MCP。大家可以看啊，这也是在你做企业级的这个产品的部署或者运维的时候，非常重要的一个平台。关于这个cloud的flair本身我就不说太多了。

因为大家如果作为一个开发者，肯定是多少都会有所接触的，那我们使用MCP的时候，可以借助这样的一个平台，来完成他的隔离和资源的最有效的应用。大家可以看在这边他谈到all of，然后这边MCB agent remote等等之类的，但这里面其实我们可以稍微看一下。

LLM的经典预训练Pipeline是怎样的？
答：基于Transformer decoder的LLM ，如ChatGPT、LLaMA等 ，一般先有预训练base模型 ，再用RLHF微调得到Chat模型。
Chat模型训练主要分三步：一是预训练，让模型从海量无标注文本数据集中学习通用知识；二是有监督微调（SFT） ，优化模型使其更好遵循特定指令；三是利用对齐技术，让LLM更安全有效地响应用户提示。