Gemini CLI，一个命令行AI工作流工具，可以连接你的工具，理解你的代码，并加速你的工作流程。
使用 Gemini CLI，可以：
在我的Code Server(Ubuntu 24.04)上初次体验Gemini CLI。
...模型上下文协议（MCP）建立在灵活且可扩展的架构之上，实现了大语言模型应用(LLM Applications)与各种集成(Integretions)之间的无缝通信。
本文将详细介绍MCP的核心架构组件和基本概念，了解MCP如何连接客户端(Client)、服务器(Server)和大语言模型(LLM)。
...目前许多大型语言模型（LLMs）还不具备获取天气预报和灾害天气预警的能力。让我们使用MCP来解决这个问题！
在本文中，我们将构建一个MCP Server，暴露两个工具(tools)：get-alerts（获取预警）和get-forecast（获取天气预报）。
uv的文档“Environment variables”中详细的给出了uv自己定义使用的和uv遵循使用的环境变量。
这里记录个人平时经常使用的一些环境变量。
UV_PYTHON_INSTALL_MIRROR
#uv管理的Python安装包是从python-build-standalone项目下载的。
环境变量UV_PYTHON_INSTALL_MIRROR可以设置为镜像URL，以使用不同的Python安装包源。提供的URL将替换https://github.com/astral-sh/python-build-standalone/releases/download在下载链接中的部分。例如，链接 https://github.com/astral-sh/python-build-standalone/releases/download/20240713/cpython-3.12.4%2B20240713-aarch64-apple-darwin-install_only.tar.gz。
最近在开发MCP Server时，注意到MCP官方Python教程推荐使用uv作为包管理器。uv是一个用Rust编写的高性能Python包和项目管理工具，它不仅能替代pip、pip-tools、pipx、poetry、pyenv、twine和virtualenv等多个工具，还能提供10-100倍的性能提升。作为一个poetry的长期用户，决定趁着这次学习MCP的机会，将个人Python开发环境从poetry迁移到uv。
...在使用LangChain的ChatOpenAI访问LLM的API时，有时会遇到需要通过HTTP代理访问LLM API的场景，或者由于本地网络环境、公司内网等原因，需要关闭SSL证书验证。本文将介绍如何通过httpx客户端在LangChain中实现这两个需求。
...在使用LangChain进行结构化数据抽取时，常见的两种方式分别是OutputParser和Structured Output。二者在调用OpenAI API时的请求报文和底层机制存在明显差异。本文通过具体代码示例，详细对比这两种方式的实现细节、API请求体、响应内容，并分析各自的优缺点和适用场景，可根据实际需求做出选择。
...Prompt template、Chat Model、Messages、Output parser、Structured output是LangChain框架的重要组件和概念。通过有效地组合这些组件，可以构建出简单的LLM应用。
可以以通过两种方式组合这些组件：
...近期我们对两个环境中的OpenTelemetry Collector进行了版本升级，从v0.114.0升级到了v0.121.0。这次升级涉及一些配置变化，本文将记录一些升级过程中的关键点和经验总结。
这两套环境采用了相同的部署架构:首先通过Helm安装opentelemetry-operator，然后利用OpenTelemetry Collector的CRD(自定义资源定义)创建OpenTelemetryCollector资源。opentelemetry-operator会根据这些资源定义，在Kubernetes集群的每个节点上以DaemonSet的形式部署OpenTelemetry Collector Pod，实现分布式的遥测数据采集。
安装环境信息如下:
安装过程如下:
...