ChatGPT与大模型研究

本章直面“氛围式编码（vibe coding）”与 AI 辅助工程中的关键问题——如何确保在 AI 协助下产出的代码安全、可靠且可维护。如果最终软件漏洞丛生或动辄崩溃，再快的开发速度与生产率也毫无意义

本章将视角从“通过提示快速做原型”转向“在 AI 协助下开发完整的 Web 应用”。Web 应用通常包含三个部分：前端（常用框架如 React、Angular 或 Vue）、后端（API、数据库、服务

本章将探讨 AI 驱动的 vibe 编码 如何加速软件开发的原型阶段。原型制作的核心在于快速把想法变成可运行的模型；借助 AI 助手，开发者能把原本需要数天的工作压缩到数小时，并高效地对概念进行迭代。

你已经学会了如何通过提示让 AI 生成代码，而且此时多半也用这些技巧产出了些代码。接下来进入关键阶段：确保这些代码正确、安全、且可维护。 作为开发者，你不能拿到 AI 的输出就稀里糊涂地上线。你需要审

你已经看到，像 Cursor、Cline、Copilot 与 Windsurf 这样的 AI 编码助手如何改变了软件构建方式，承担了大量的繁琐工作与样板代码——大约 70% 的工作量。[1] 但把“玩

基于 AI 的编程工具在某些任务上好得惊人。[1] 它们擅长生成样板代码、撰写常规函数，并把项目推进到“大部分已完成”的状态。事实上，许多开发者发现，AI 助手往往能先实现一个覆盖大约 70% 需求的

在氛围编码中，提示（prompt）就是新的源代码。 你向 AI 传达意图的方式，直接决定了它生成代码的质量。编写优质提示既是一门艺术，也是一门科学，通常被称为提示工程（prompt engineeri

AI 正在重塑我们构建软件的方式，引入从自由式提示到结构化辅助的新范式。想象一下，仅需用自然语言描述你希望软件完成的功能——几乎像在与队友交流——AI 就能将这些想法翻译成代码。这便是“氛围编码”（v

你做到了！欢迎来到《Practical MCP：Python 开发者指南》的最后一章。 在过去的七章里，你走过了一段精彩旅程： 第 1 章从宏观出发，理解了为什么 MCP 会成为 AI 的游戏规则改变

在上一章中，你迈入了高级服务器架构的领域：学会了将 MCP 服务器集成进标准 ASGI 应用，编写强大的中间件来拦截并处理 MCP 事件，甚至还能从 OpenAPI 规范自动生成整套工具。你已从构建独

在上一章中，你已经掌握了将 MCP 服务器推进到生产环境的要点：你学会了用 JWT 进行身份验证来保护工具，并将应用部署到现代的无服务器平台和传统虚拟机上。你已经构建、加固并部署了独立的 MCP 服务

在上一章中，你深入探索了 MCP 的核心，把服务器从简单的“命令—响应”系统升级为能与 LLM 协作的上下文感知伙伴。你学会了用 Resources 暴露只读数据、用 Prompts 引导 LLM，并

在前两章里，你已经取得了巨大的进步：第 2 章里，你从一片空白起步，构建了第一个 MCP 服务器，掌握了本地与远程通信；第 3 章里，你把自定义工具与 Anthropic、Google、OpenAI

在上一章里，你已经掌握了基础：你构建了第一个 MCP 服务器、定义了工具，并学会用本地（STDIO）与远程（HTTP）两种传输方式与之通信。你还结识了你的新挚友——MCP Inspector。 现在，

在上一章中，你了解了模型上下文协议（Model Context Protocol，MCP）的高层概览。你明白了它为何具有颠覆性：它能把孤立的 LLM 变成能够与世界互动的强大代理。你也看到了 MCP

你之所以来到这里，是因为你已经见识过 Claude、GPT、Gemini 等大型语言模型（LLM）的非凡威力。你或许用它们做出过很棒的东西，见过它们生成有创意的文本，甚至写出出乎意料的好代码。 但你八

现在你已经理解了图学习流水线及其传统 ML 方法，本章将介绍我们的开源图机器学习库 PyGraf。它是我们用于构建企业级稳健图学习生态的框架。 在本章中，我们将带你了解该库的架构与核心模块，并用第 3

在本章中，我们将探索应用于图的传统与非传统机器学习方法。随后，我们会在第 2 章奠定的基础之上，深入传统的基于图的机器学习。我们将先讨论图数据表示的细微差别，从通用方法过渡到对亚马逊共购（copurc

在第 1 章中，我们带你初探了企业环境中的图学习世界，讨论了其多种用例，并在章节结尾强调了它所带来的挑战。随着本书的推进，我们将对整条将要深入探讨的 GML 流水线做一个高层概览。这条流水线从头到尾覆

企业级图学习与推理的强大能力 图是表示各种自然现象的基础工具，在生态网络和水文网络中尤为明显。在生态网络中，如图 1-1 所示的食物网，节点代表不同物种，边则表示捕食–被捕食关系或营养级联系。同样，在