Kite Fly

  模型上下文協定（ Model Context Protocol, MCP ）是 AI Agent (AI助理)技術發展的重要突破，解決了 AI 無法存取外部數據的瓶頸， https://www.ibest.com.tw/news-detail/what-is-mcp/ 指令 有MCP之前 有MCP之後 幫我整理銷售報表 AI 只能說：「請給我數據，我幫你分析。」 你還得自己打開 Excel 上傳。 AI 通過 MCP 連接到你的檔案系統，打開 Excel，整理數據後生成圖表，直接回傳給你。 幫我寫好回覆內容寄信給客戶 好，已經寫好了內容，但我沒辦法寄給客戶。請打開Gmail自己寄吧! AI 通過 MCP 調用 Email 服務，自動起草並發送郵件，同時在 CRM 中更新客戶狀態為「已聯繫」 幫我關燈 我無法連接到你家的燈具，但你可以自己走到開關前面，把燈關閉。 AI 通過 MCP 連接到智慧家庭系統，執行關燈指令，並回覆：「燈已關閉。」   MCP 的架構包含幾個核心部分： MCP 管理員 (Host)：像是一個指揮中心，負責管理 MCP Client與Server的連線。例如，Claude Desktop就是一個 MCP 管理員，它能夠讓Client透過MCP存取你的本地資料庫和本地工具。 MCP 用戶端 (Client)：負責 AI 和 MCP Server之間的溝通，包括傳送AI指令到MCP Server內，以及接收MCP Server回傳的訊息。 MCP 伺服器 (Server)：負責管理本地資料庫要輸出的內容指令(如新增、修改、刪除都是一條不同的指令)，讓Client可以自選指令來運作。這些指令包括可以讓 AI 讀取資料庫、存取檔案，甚至與網頁互動。 本地資料 (Local Data Sources)：自己電腦內的資料，如資料庫、檔案、軟體等 遠端資料 (Remote Services)：網路上的資料庫，如Google Drive、One Drive內的資料 AI Agent与MCP框架入门 https://www.youtube.com/watch?v=uWMC4-dNTY0

 https://www.youtube.com/watch?v=becvdQ9uW1g&ab_channel=%E7%BE%8E%E8%82%A1%E5%A4%A2%E6%83%B3%E5%AE%B6-%E6%96%BD%E9%9B%85%E6%A3%A0  https://www.youtube.com/watch?v=UdGt8olw4MA&ab_channel=%E7%8E%A9%E8%82%A1%E7%B6%B2%E6%A5%9A%E7%8B%82%E4%BA%BA https://roo.cash/blog/stock-pledged-loan-maintenance-rate/

 https://www.youtube.com/watch?v=rAec3mZFhF0&ab_channel=AutomationStepbyStep

(WireMock 在Spring boot 啟動 by chatgpt)  1.在 Spring Boot main 方法中啟動 WireMock Maven: <dependency>     <groupId>com.github.tomakehurst</groupId>     <artifactId>wiremock-jre8</artifactId>     <version>2.35.0</version>     <scope>test</scope> </dependency> 2. 在 Spring Boot main 方法中啟動 WireMock import com.github.tomakehurst.wiremock.WireMockServer; import static com.github.tomakehurst.wiremock.client.WireMock.*; import org.springframework.boot.SpringApplication; import org.springframework.boot.autoconfigure.SpringBootApplication; @SpringBootApplication public class Application {     public static void main(String[] args) {         // 啟動 Spring Boot 應用         SpringApplication.run(Application.class, args);         // 啟動 WireMock 伺服器         WireMockServer wireMockServer = new WireMockServer(8081); //...

 要在 Playwright 自動化測試執行期間，同時呼叫 Mockito 工具來 Mock Java 後端物件（如 prmsService ），需要將兩者環境有效集成。這通常通過啟動一個嵌入式 Java 測試伺服器（如 Spring Boot 測試框架）來模擬後端行為，然後讓 Playwright 測試與這個模擬的伺服器交互。 以下是詳細的分步實作流程： 完整實作步驟 步驟 1: 準備後端環境 引入依賴 確保後端 Java 專案具備以下依賴： xml 複製程式碼 < dependencies > <!-- Mockito --> < dependency > < groupId > org.mockito </ groupId > < artifactId > mockito-core </ artifactId > < version > 5.x.x </ version > < scope > test </ scope > </ dependency > < dependency > < groupId > org.mockito </ groupId > < artifactId > mockito-junit-jupiter </ artifactId > < version > 5.x.x </ version > < scope > test </ scope > </ dependency > <!-- Spring Boot 測試 --> < dependency > < groupId > org.springframework.boot </ groupId > < art...

  https://www.solwen.ai/posts/what-is-rag RLHF 中文全名為「從人類反饋中強化學習」，顧名思義，就是讓 AI 模型在人類的指導下學習。簡單來說，我們將人類的智慧與機器的高效學習能力相結合，從而讓模型變得更加強大。那麼，這個過程是如何運作的呢？ RLHF 就是一種類似的教學過程，但這次你是在教大型語言模型模型，而不是一個真正的人，而 RLHF 可以分為 Reinforcement Learning 和 Human Feedback 階段： 強化學習（Reinforcement Learning）: 這是一種讓 AI 模型學習的方法。你可以想像機器（比如一個機器人或電腦程式）正在嘗試完成一個任務，比如下棋、駕駛車輛或進行對話。每當機器做出好的決策，它就得到一些積分（獎勵）。如果做了不好的決策，它可能得不到積分，或者失去一些積分。這個過程幫助機器學習怎樣更好地完成任務。 人類反饋（Human Feedback）: 這裡的關鍵是有真實的人來幫助指導這個學習過程。人類會觀察機器的行為並給出反饋。比如，在對話視窗中，如果大型語言模型生成了一個回答，人類會評估這個回答是否恰當、是否有幫助，並根據這些評估給予好與不好的評價。 結合這兩者，你就得到了RLHF。機器不僅僅是根據固定的規則學習，它也通過人類的指導來理解更複雜、更細微的部分。這使得機器能夠在很多不同的任務上表現得更好，更貼近人類的期望和行為方式。

  #Generative AI for everyone https://github.com/Ryota-Kawamura/Generative-AI-for-Everyone/blob/main/Week-1/Week-1_Quiz-1.md?fbclid=IwY2xjawGPws9leHRuA2FlbQIxMQABHdrz5REiR7cycmAGa1VDSl5c_r0_m760f0An7R788mnKQ48twF5t7PvGNg_aem_Qgwcp6FY_ZS09ZbEG5sr9g