程序员海军

在今天这一期，我们将一起学习一种基于 MCP 提高大模型检索外部知识精度的新思路，实测比 RAG 效果要好很多。

因网速太慢我把20M+的字体压缩到了几KB、MasterGo + MCP，借助 AI 实现设计稿转代码、MCP + 数据库，一种比 RAG 检索效果更好的新方式！

初识LangChain4j 官网：LangChain4j 中文文档 | LangChain4j 中文文档 LangChain4j 的目标是简化将 LLM 集成到 Java 应用程序中的过程。 快速上手

上一章我们实现了 RAG 的核心代码逻辑，本章我们就围绕核心代码来慢慢做大做强。既然是本地知识库问答，文档管理是必不可少的。对话聊天记录总不能一直放内存里，刷新就没了。 1. 实现文档管理

基于私有化部署的开源大模型，结合内部知识库的 Code Review 实践，实现一个类似代码评审助手（CR Copilot）

喜欢的朋友记得关注、点赞、转发、收藏，你们的支持就是我最大的动力源泉。 今天课程较长，希望大家可以耐心看完，因为内容干货非常多，实现很多功能，包括页面展示、本地知识库等

## 序言 ​ 这半个月一直在专注于 Figma-to-Code 的相关工作，也在不断思考和调研已有的 D2C（Design to Code）方案。 ​ 目前市面上主流的实现方式，大多是基于 **

今天就来和大家分享一下，如何从零开始开发一个能够操作MySQL数据库的MCP Server。相信很多朋友都有过这样的想法：要是AI助手能直接帮我查询数据库就好了！现在，这个想法完全可以实现。

阅读说明：仅使用国内版 Trae，国际版的Trae 由于没法体验不做比较 总结 Trae 国内版本，在核心能力上跟 Cursor 和 Windsurf 还是有一定的差距，这里面最大的差距应该是模型本身