huangyihe@newtype.pro ~ $

MCP

AI笔记法

Key Takeaway

  • AI正在改变学习和笔记方式，NotebookLM等工具改变了从文档获取知识的方式。
  • Basic Memory项目旨在解决AI长期记忆问题，通过Markdown格式本地保存笔记，并用MCP连接AI，实现自然语言交互。
  • 作者的AI笔记系统采用“漏斗结构”，由AI笔记库（Basic Memory创建和管理）和个人管理笔记库（Obsidian）组成。
  • AI笔记库由AI自动创建文件夹和标签，作者只负责下达指令和筛选有价值笔记。
  • 强调利用AI的智能和效率，将先进生产力引入个人体系，拉开人与人之间的差距。

Full Content

AI正在完全改变我们学习的方式。

比如，能联网搜索的Chatbot，以及更强大的Deep Research，改变了我们从互联网获取知识的方式。

一枝独秀的NotebookLM，改变了我们从文档里获取知识的方式。

现在，我们记录思考，或者说做笔记的方式也将发生改变。我给你们演示一下。

左边是Cursor，右边是Obsidian。我让它帮我记录这条笔记：

开源模型的价值体现在本地化的场景中。但是本地化场景里最重要的是数据和业务流改造，而不是模型。

接到请求后，Cursor调用了一个MCP，完成了笔记的创建。在右边可以看到，它根据笔记的意思，创建了一个文件夹，并且还给笔记打上对应的标签。

那既然它能记录笔记，当然也能完善笔记。比如当我有一些不太成熟的想法时，就可以这么做。

我跟Cursor说，帮我记录并完善这条笔记，关于如何提升AI产品性能。你看，它不仅把我想的东西补充完整了，还根据它自己的知识添加了两点。

我再演示一个很常见的场景。我们平时会遇到一些概念、观点之类的，觉得有价值，但是又不知道它们的确切意思。这个时候就可以让AI帮忙解释，然后记录下来。

比如，“数据中心是新的计算单元”，这个是老黄的观点。我让Cursor解释并且记录。

在这个时候，Cursor先调用了Sequential Thinking这个MCP，进行多步骤推理，确保解释的完整性。当它觉得逻辑完整了，就会开始记录。在右边的Obsidian里，咱们可以看到，它对这一句话做了很详细的拆解。

刚才这些只是非常简单的演示。在实际使用当中，我还加上了搜索的MCP，让AI的信息获取能力更强。而那个帮我记笔记的MCP，叫作Basic Memory，就是我今天要推荐给大家的项目。

哈喽大家好，欢迎来到我的频道。谦虚地说啊，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西比教程更值钱。记得点一波关注。如果想链接我，就来newtype社群。已经有超过1000位小伙伴付费加入啦！

回到今天的主题：Basic Memory。

这个项目主要是想解决AI长期记忆的问题。我们平时跟AI对话，很多东西聊完就过去了、丢掉了，挺可惜的。于是，Basic Memory的想法就是，用笔记的方式存下来。

第一，所有笔记都以Markdown的格式保存。这种格式，人类看得懂，AI也看得懂，再合适不过了。

第二，所有笔记都保存在本地，不用担心隐私泄露。而且有需要的话，可以用其它工具处理，比如Obsidian、Cursor。

第三，笔记仓库和AI之间，用MCP连接。AI可以自动创建笔记、读取笔记。而且由于是MCP，所以完全支持自然语言交互，你直接发号施令就可以。

我其实没想这么多，完全不care什么长期记忆之类的。我的需求很简单：当我跟AI聊到什么有价值的东西，或者我脑子里冒出什么新想法的时候，我希望AI能充当记录员、小秘书的角色，帮我记录、帮我补充。

要安装Basic Memory很简单，一共就两步，有手就行。

第一步，在终端里运行uv tool install basic-memory这行命令。

我来解释一下。这个uv是一个快速、轻量级的Python包管理工具。大家经常安装开源项目的话，肯定有用过pip，比如pip install、pip list等等命令。uv的好处是，速度更快，功能更全。比如包管理、虚拟环境、工具管理，它全都有，不用再装一堆其它工具了。

类似的还有npm，只不过它针对的是JavaScript，这个我就不多说了。

当我们通过刚才那行uv命令安装完毕之后，就可以进入第二步，把这几行贴到配置文件里。

这个uvx是刚才介绍的uv的一部分，属于子命令。用它可以运行Python包里的命令。而且它有一个好处，是可以自动创建一个临时的虚拟环境，很方便。

我是在Cursor里使用的，所以就在Cursor的MCP配置文件里，把这几行贴进去，然后保存。在MCP服务器列表里就可以看到这个项目了。

Basic Memory用起来很简单，就像最开始演示的那样。我重点谈谈我对它的定位和思路。

现在我会有两个笔记库：一个是原来的Obsidian Vault，完全由我亲手创建、亲手管理。另一个是新增的，由Basic Memory创建和管理的AI笔记库。

对于这个AI笔记库，我是完全放手，绝不干预。比如，里边的文件夹设置，每条笔记的标签，都交给AI去搞。我只做两件事：

第一，下达指令。有什么需要记录的，随时跟AI说。

第二，筛选笔记。AI笔记库承接了日常我跟AI对话中有价值、值得记录的内容。我会定期从里边筛选笔记，或者让AI帮我挑，然后放到由我管理的笔记仓库里。

这其实就是一个漏斗结构。AI笔记库是最上边那一层。我要发挥AI的智能、AI的效率，帮我先过一道。

这些是我目前的思路，供大家参考。今天AI发展非常快，不管是模型还是各种工具，都在飞速迭代。所以咱们一定要多动脑子，想想怎么把这些先进生产力引入到自己的体系中来。

你相信我：人和人之间的差距，就是这么拉开的。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

Cursor就是最强知识库应用，没有之一

Key Takeaway

  • Cursor作为编程软件，天生具备RAG能力，能对本地文件进行索引和处理，使其成为强大的知识库应用。
  • Cursor与Obsidian的本地化存储特性完美结合，用户可以通过Cursor直接操作和利用Obsidian的笔记文件。
  • 通过创建cursorrules文档，用户可以自定义Cursor的工作方式，例如优先检索本地文档、进行联网搜索，并调用特定的MCPs（如Markitdown用于PDF转换，Sequential Thinking用于复杂问题拆解）。
  • Cursor的Composer功能和聊天功能可以对笔记进行总结、提炼和扩写，充当Obsidian的“超级AI插件”。
  • 这种组合工作流能够兼顾本地知识和网络信息，提供逻辑性强的答案，极大提升知识管理和创作效率。

Full Content

最好用的知识库应用，就是Cursor，没有之一！

你们经常看我发的视频就知道，过去一年多，我用了太多太多知识工具。越用越发现：大道至简，用Cursor就可以了。

你想嘛，RAG能力Cursor本来就有。它是个编程软件。既然要编程，肯定得了解所有代码的情况。所以，当Cursor打开文件夹之后，就会对文件夹内的所有文档进行索引和哈希处理。像Markdown之类的文件，它会进行切块、嵌入向量。

所以，知识库应用该有的RAG能力，Cursor天生就有。不管是代码还是纯文本，它都能一样处理。而且，因为它要写代码，所以肯定要有创建文档、修改文档的能力。这就意味着，它可以帮我们直接写笔记、写文章，对吧？

这还没完。Cursor本身具备搜索能力。你不用特意添加什么工具，它就可以联网搜索，甚至直接打开一个网页。

最后，只要出现了最先进的模型，Cursor一定会第一时间支持。所以这20美元的订阅，我个人认为是非常非常划算的。当然，如果你不想用Cursor的模型，也可以填自己的API Key进去。

那么，我们该怎么用Cursor配合自己的文档进行工作呢？

我的经验是，一定要创建一个cursorrules文档。这个文档放在根目录下，用来告诉Cursor必须遵守哪些项目规则。我给你们演示一下。

你看，我在文档里规定了：

第一，回答之前都必须首先检索文件夹内的所有文档，看看有没有相关的内容可以作为上下文。

第二，光查了本地文档还不够，还得联网搜索，这样信息才齐全。

除了这两个基本要求，我还给Cursor配了两个MCP：

如果遇上PDF文档，就用Markitdown这个MCP做转化。不然Cursor就得写个Python脚本进行处理，就非常麻烦了。

如果问题有点复杂，那就用Sequential Thinking进行拆解、组织内容，这样逻辑性才强。

这两个MCP的用途和触发条件，我都给Cursor写明白了。

最后，我还附上了一个示例，包含每一步怎么处理，清清楚楚。AI绝对可以理解。

有了这一大套底层规则，Cursor就知道怎么跟我配合了。

比如我问它：如何在本地部署知识库？

首先，它花了几秒钟思考这个问题。因为我把Thinking选项打开了。

接着，它把文件夹内的文档检索了一遍。

然后，联网搜索，进一步补充信息。

最后，用Sequential Thinking对所有内容进行梳理，把逻辑整理清楚。

你看，使用这种方法，这样的流程跑下来，知识库里的内容和网上的内容都兼顾了，获得的答案逻辑性也很强。这个就是我说Cursor 最强知识库应用的原因。

我刚才演示的规则是我的需求。大家可以根据自己的需求做修改。其实你让Cursor帮你写也是可以的。

OK，以上就是本期内容。想交流AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

DeepSeek新模型太适合MCP了！

Key Takeaway

  • DeepSeek新模型V3 0324在MCP调用方面表现出色，性价比极高，性能接近Claude-3.7 Sonnet。
  • DeepSeek模型具备清晰的思考和规划能力，能将用户需求拆解为明确任务，并判断所需工具。
  • DeepSeek在工具调用能力上显著提升，结合其成本优势，将推动MCP的进一步普及。
  • 文章预测Agent发展趋势将从任务编排模式转向模型自由发挥，以超强模型为核心，搭配海量原子化工具。
  • DeepSeek的进步，加上MCP协议，预示着AI行业将迎来飞速发展。

Full Content

DeepSeek新出的模型V3 0324可能是跑MCP性价比最高的模型。它在性能上接近Claude-3.7 Sonnet，调用MCP很丝滑，但是成本却低了非常非常多，真的是白菜价了。我给你们看一下就明白了。

这个是我目前用得最多的MCP客户端Cline。DeepSeek最新模型，它已经支持了。我这边选的是付费版。平台虽然也提供免费版，但是不建议用。我前边试过了，速度太慢，而且步骤一多就容易中断，就挺闹心的。所以咱还是老老实实花钱吧。

我的需求很简单：谷歌发布Gemini 2.5模型。这是他们的官方博客。我让DeepSeek帮我把内容扒下来，翻译成中文，并且在开头加上总结，最后存进文档里。

你看，DeepSeek先做了四步规划：

第一，把用户需求拆成明确的任务；

第二，判断需要用哪些工具，包括Tavily MCP里的提取工具，以及写入文件的工具；

第三，当前的环境是，文件已经存在，用户也允许直接进行操作；

第四，给自己设定执行步骤。

这个就是AI比人类强的地方。你想嘛，有几个人能做到这么清晰思考和规划的？

整个过程花了两三分钟，我就不具体展示了。当文档写入完成后，整个任务结束，一共花了0.0358美金。

接下来，咱们加点难度。我让它调用两个MCP：一个是Sequential-thinking，步骤尽可能多。另一个是Tavily，负责联网搜索资料。每一步思考之前，都要搜一次资料，再结合搜到的内容思考。

像这种需求就特别考验模型。因为它既要懂得拆解问题，还得根据实际搜到的信息随时调整思考方向，以及下一步需要搜什么，而且还要频繁调用MCP、不能出错。

我建议大家看完视频也这么去测试，不管是测试模型还是测试客户端都可以。然后你就知道该怎么选了。

咱们回到DeepSeek这边。整个推理过程花了三分多种。DeepSeek一共做了六步思考，最终给出了答案。但是我觉得下边的要点还不够详细，于是让它进一步完善。最终，花了0.039美金，DeepSeek完成了这个回答。

通过这两个例子可以看出，DeepSeek新版本模型在使用MCP方面已经没问题了，而且价格很低。说实话，我这段时间用Claude跑MCP，已经在API上花了十几美金了。日常高频使用的话，真的会肉痛。

高性价比，就是我推荐DeepSeek的原因。官方在公众号文章里介绍了这次小版本升级。模型能力提升包括这几个方面，比如推理任务表现提高、前端开发能力增强、中文写作升级，等等。

其实我最看中的，以及我认为最重要的，是工具调用能力的提升。还是之前说过的逻辑：

AI发展的两条路径，一是获取更多信息，二是调用更多工具。

如果只能处理文本，搞不了多模态，那么AI的世界就是黑白的。这是我看好Gemini的原因。

如果只局限于推理，用不了更多工具，那么AI就只有大脑、没有手脚。这是我看好Claude的原因。

现在DeepSeek终于把工具调用能力提升上来了，叠加它本来就很强的成本优势，肯定能推动MCP进一步普及。

最后，说一下我对今年Agent发展的判断：

以Dify、Coze为代表的任务编排模式会逐渐被取代。这种做法虽然精确度高，但是太费人力，门槛也很高，而且非常限制模型的发挥，所以只适合企业生产环境。

我认为，最优解一定是：人类只需要设定起点，也就是Context、上下文，以及终点，也就是目标。在起点和终点之间一切，都交给模型自由发挥。

一个超强的模型作为单核，搭配海量、原子化的工具，就是AI行业今年发展的重点。

现在，我们已经有Claude和DeepSeek这样的模型了，也有MCP这样的中间层协议了。万事俱备，一切都将飞速展开。

OK，以上就是本期内容。想了解AI，来我们newtype社群。那咱们下期见！

Dify × MCP：让工作流不再是孤岛

Key Takeaway

  • Dify新增“双向MCP”功能，允许用户在Dify中添加MCP服务器，并可将Dify工作流转换为MCP服务器对外输出。
  • 该功能解决了工作流“孤岛”问题，使其能融入日常通用场景，极大扩展了Dify的工具范围。
  • 作者重新关注Dify，认为工作流应原子化，作为组件强化特定场景效果。
  • 文章通过Deep Research工作流的演示，展示了Dify与MCP结合后，AI客户端可调用特定MCP服务器解决特定需求，提升效率。
  • Dify的MCP功能与提示词结合，可实现基于MCP工具和Prompt的工作流自动化，提升个人生产力。

Full Content

Dify最近上了个新功能：双向MCP。这是个非常重要的功能。因为它让原本只针对特定场景的工作流可以融合到我们日常的、通用的使用场景中。

什么叫“双向MCP”？

一个方向是进来，也就是你可以在Dify里边添加现成的MCP服务器。这个好处是，可以极大扩展Dify的工具范围，把越来越丰富的MCP服务器纳入进来。

另一个方向是出去，也就是你可以把自己创建的工作流转换成MCP服务器，对外输出。比如我用AI客户端，把工作流MCP添加进去。平时在对话中就可以直接调用。

这样一来，你搭建了半天的工作流不会被限制在某些使用场景和情况下使用，不再是孤岛。这个是非常大的进步。

哈喽各位好，欢迎回到我的频道。谦虚地说，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西远比教程更值钱。记得点一波关注。如果想链接我，就来我们newtype社群。这个社群已经运营500天，有超过1500位小伙伴付费加入啦。

回到今天的主题：Dify的MCP功能。

我记得去年就出过视频介绍Dify。但是从那之后，我就不再关注这些工作流平台了。两个原因：

第一，上手难度高。这些工作流看起来好像在画布上随便搭一搭就行，但其实难度挺高的。既要懂技术，还得懂业务。一家公司能有几个这样水平的人？

第二，适用场景窄。每一条工作流都是针对某些场景、解决某些特定问题而存在的。在早期很有用，因为大模型能力不强，所以把人类的经验编排成工作流，去指导模型。但到了今天，你再把固定的工作流硬塞给模型，就有点限制它了。

那我为什么现在会重新捡起Dify，会看中这次的更新？

因为工作流不是变大了，而是变小了。它可以变成一个一个原子化的组件，融入到我的工作流里边来，去强化特定场景下的效果。这个就是MCP服务器应该有的价值。

我给你们演示一下就明白了。

这个是我在Dify里找到的现成工作流，Deep Research。我把里边的模型改成GPT-4.1，然后发布。因为发布之后，才能把MCP服务器功能打开。

点击左边这个按钮，在左下方把这个选项打开，就可以把这个工作流转变成MCP服务器。这一行就是服务器地址。因为我是在本地运行的，所以地址开头是localhost。

打开AI客户端，我这边用的是免费的Cherry Studio。新建一个MCP。连接方式选HTTP。然后把服务器地址填进去就搞定了。

我们来做一个对比。

我先使用模型内置的搜索工具，搜一个问题：什么是Context Engineering？这个是它的回答。

然后我开个新窗口。这次使用刚才接入的Deep Research MCP服务器。还是同样的问题，什么是上下文工程。

稍等几分钟，模型给出了回答。对比两次的输出，可以明显看到，使用了外挂MCP服务器的效果要好得多。

你看，这个就是我刚才说的，到了特定场景、特定需求的时候，你调用特定的MCP服务器去满足、去解决。你不需要换一个工具，还是用原来的AI客户端，这个真的很方便。

我演示用Deep Research是为了让大家好理解。其实工作流是特别定制化的。接下来，我会针对我自己的需求搭好多个工作流，然后统统转化成MCP服务器。

所以，就像我在社群里说的，现在有两套系统可以满足我们的定制化需求：一是提示词，二是基于工作流的MCP服务器。并且，这两套系统还可以用我做的产品——Prompt House进行统一调度。

这样配置下来，我相信，我的个人生产力又会有一次大的提升。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

最强AI编程工具Claude Code，五个使用Tips

Key Takeaway

  • Claude Code被认为是地球上最强的AI编程工具，因为它与Claude模型深度适配和优化，且不计较上下文长度消耗。
  • /init命令用于初始化项目，创建CLAUDE.md文件，记录项目背景信息，提高效率和上下文一致性。
  • Plan Mode允许用户在执行复杂功能前，让Claude Code进行规划，尤其适用于不确定如何操作的场景。
  • /ide命令支持Claude Code与VS Code、Cursor等IDE集成，提供更好的代码修改和提示体验。
  • 用户可以自定义命令，将常用操作（如解释代码）转化为快捷命令，提高工作效率。
  • /cost命令用于查看API消耗，并可通过/model命令切换模型以节省成本。
  • 作者强调，模型能力相同时，拥有更多工具的AI生产力更高，鼓励用户积极使用和探索MCP。

Full Content

地球上最好的AI编程工具，肯定是Claude Code。而且它接下来还会越来越好。

为什么它最强？我在社群里发过这么一段话：

如果把Claude模型比作引擎的话，那么，虽然各家公司都可以买到这个引擎，然后组装成赛车，但是只有Anthropic能发挥出它的究极实力。

大概率，Anthropic在训练Claude 4的时候，就已经把Claude Code内置的十几种工具给它用上了，对它做针对性的强化训练。

也就是说，这款引擎在研发阶段就已经跟底盘等等系统做适配、做优化了。它们就是最佳组合。其他厂商又怎么可能跟得上。

而且为了效果，Anthropic现在特别豪气，可以不计较上下文长度的消耗。相比之下，Cursor他们就得精打细算过日子，导致有时用户体验会很差。

Claude Code这么强，但是国内介绍得不多。原因很简单：中国的自媒体水平太差了。他们就只会喊“震惊”、“放大招”。碰上这种复杂的工具，还是命令行，而且还需要配置纯净的住宅IP，他们就不知道怎么下手了。

没有关系，我会出一系列视频深度介绍这款工具。今天先来五个非常实用的Tips，帮助大家用好Claude Code。

/init

当你开始一个新的项目，或者让Claude Code中途参与某个项目的时候，一定要先运行/init这条命令，也就是initialize，初始化。

这条命令最主要的作用，是创建一个CLAUDE.md文件。这个文件会包含项目所有的背景信息，包括：项目的核心概述和目标；重要的代码约定和风格指南；关键的文件和工具函数列表，等等。

有了这份文件，每次你启动Claude Code，它就会自动加载，这样它就明白整个项目的情况，不需要你重复说明。另外，当你的项目开发有了任何进展，也可以让Claude把进展写进这个文档。

所以，这行简单的命令，以及它生成的CLAUDE.md文件对于提高效率、保持上下文一致性非常重要。大家记得用起来。

Plan Mode

大部分情况下，我们都是让Claude Code在那边“自动驾驶”。但是，当有一些比较复杂的功能想要实现，或者我们自己也没想好究竟该怎么做的时候，可以切换到Plan Mode，让Claude Code先帮我们做好规划，然后再执行。

要切换到Plan Mode很简单，按快捷键shift加tab就行。比如，我想要提升高并发、服务器断连的应对能力。我自己想了一些解决方案，比如搞个API Key的备用池子等等。我把这些告诉Claude Code，让它帮我完整规划。

接到需求后，它会把需求有关的代码全部过一遍，然后给出非常详细的方案。如果觉得OK，可以让它照着开始执行。

说真的，这个模式挺好用的。当你拿不准的时候，记得让Claude帮你规划。

/ide

虽然Claude Code主要通过命令行界面，也就是CLI进行交互，在终端里运行，但是它也支持跟VS Code、Cursor集成，让用户在IDE的环境中获得更好的体验。

比如，集成之后，你可以看到文件中代码的改动，就像在Cursor里看到的一样。另外，当你选中几行代码之后，Claude Code那边也会有提示。

那么，要做到这一点，你需要做两件事，非常简单：

第一，安装Claude Code插件。这个搜一下就有，然后点击install安装。

第二，运行/ide命令，然后选择对应的IDE，比如我这边是Cursor。然后回车就搞定了。

Custom Command

Claude Code有很多现成的命令可以使用。除此之外，其实你也可以根据自己的需要去自定义命令。

用提示词组成工作流

Key Takeaway

  • Prompt House是一款用于提示词管理和调用的工具，通过MCP协议实现模型自动获取和使用提示词，从而串联组成工作流。
  • 作者通过Mac版Prompt House演示了如何在一个提示词中嵌套多个MCP工具和提示词，实现复杂任务的自动化。
  • Prompt House的核心价值在于将MCP工具和提示词结合，形成基于Workflow的自动化能力。
  • Mac版Prompt House相比网页版具有数据本地存储、更强大的AI润色功能（支持本地模型或自定义API Key）和更快的速度。
  • 文章强调了AI时代产品应“水涨船高”，通过产品传递方法论，并持续开发新功能以满足用户需求。

Full Content

我终于把Mac版的Prompt House做出来了。

搞这个Mac版可比开发网页版麻烦多了。花了我小一周的时间，两百美元成本，用目前最先进的编程模型Claude Opus 4怼出来的。

我老婆说我鬓角多了两根白头发。我说，白头发OK，没秃就行。

过程中的困难我在这边就不多说了。之前在社群内发过好长的一段总结，大家可以自己去看。那么，我之所以废了这么大力气搞出网页版和Mac版，是因为我有一套提示词进阶用法，但是市面上没有这样的工具能实现。那我就自己做咯。

我给你们演示一下，你们就明白它的价值了。

我在Prompt House里事先准备了两份提示词：

1、深度研究：明确要求使用两个MCP工具——Sequential Thinking和Tavily进行至少三轮的轮拆解、分析、搜集。当完成后，使用另一份提示词“总结报告”完成最终输出。

2、总结报告：要求逻辑清晰、结构合理、表达简洁等，并且每个小结都必须有明确结论和支撑。

来到客户端（我这边用的是ChatWise），我@prompthouse，要求进行深度研究。

于是，模型知道两点：第一，要使用Prompt House MCP；第二，要获取关于深度研究的提示词。

所以，模型先调用第一个工具获取Prompt House上所有提示词的列表，从中找到“深度研究”提示词，然后获取这份提示词的完整内容。

因为在这份提示词里，我明确要求组合使用两个MCP工具进行多轮研究，所以模型开始调用Sequential Thinking和Tavily，一个分析、一个搜集，把需要的资料收集齐。

当资料都搞定之后，就该输出最终的报告了。

因为我在“深度研究”这份提示词的结尾明确要求了，如果要输出报告，就必须使用另外一份“总结报告”提示词。于是，模型再次调用Prompt House MCP，拿到“总结报告”提示词，根据里边的详细要求，完成整份报告的输出。

你看，在Prompt House的串联下，模型自动跑完了一整个工作流，里边涉及到多个MCP工具的调用，还涉及到多份提示词。

今天有那么多的MCP工具。那么，什么时候用什么工具？工具之间如何组合使用？这些都可以在一份提示词里交代清楚。

你也不需要在一份提示词里把所有工作都交代完成。完全可以拆成小的子任务，放在多份提示词里边。然后根据需要，灵活挑选几份、组合使用。

有了Prompt House作为调度枢纽，我们就有了一个基于MCP tools + Prompts的Workflow，足以自动化完成一些复杂任务。

我之前在社群内说过，所有工具、所有SaaS的核心，是方法论。通过Prompt House这个产品，我把我关于提示词的方法论充分表达，分享给大家。

模型调用工具的能力越强、上下文长度越大，这套方法论和工具能实现的价值就越大。我坚信，AI时代，一定要做水涨船高的产品。

如果你get到了，欢迎登录prompthouse.app这个网站使用。网页版免费。

如果你想长期使用，建议购买Mac版。点击网页左下角的Purchase就可以购买，9.98美元。我想了一下，还是不搞订阅制了。采用买断制，大家都舒服。

为什么要花这9.98美元呢？使用Mac版有这三个好处：

第一，数据全都存在本地，你不用担心隐私的问题。

第二，“AI润色”功能更强大。网页版用的是我的API Key。为了节省成本，我选择GPT-4o mini。性能差一些，但是白菜价。

到了Mac版这边，大家有两个选择：可以使用Ollama调用开源模型。或者，用自己的API Key，选择更好的模型，比如GPT-4.1。

“AI润色”功能不仅可以帮你润色提示词内容，还可以生成标题和标签。这样你就不用花心思去想这些了。对模型来说，准确的标题、丰富的标签能显著提升它的筛选效率和准确率。

第三，速度更快，体验更好。毕竟是一款软件，用起来肯定比网页顺畅。而且MCP服务器是在本地，所以连接速度也更快。

目前功能都是Prompt House的MVP功能。在此基础上，从下周开始，我还有好几个功能会陆续开发。比如，提示词的推荐功能。我会持续搜集好用的提示词，通过产品推送给用户。用户点个收藏就能保存进自己的提示词仓库里。

给AI全局记忆

Key Takeaway

  • “全局记忆”对于提升AI对话连贯性、实现个人助理功能以及构建全球知识共享工具至关重要。
  • OpenMemory项目通过独立存储聊天记录并利用MCP协议，实现了跨客户端和跨对话的AI记忆共享。
  • OpenMemory的功能实现依赖于大模型（用于语义理解和检索）、本地化存储（确保隐私、数据可移植性和扩展性）以及MCP协议（实现不同客户端间的内存共享）。
  • 作者强调了上下文对于AI创造价值的重要性，并指出“全局记忆”领域为创业者提供了开放和发展的机会。
  • 建议将知识库的存储与调用分离，本地存储数据，通过MCP调用，从而获得更自由的模型选择。
  • 智能是吸引用户的手段，而数据才是长期留住用户的关键。

Full Content

虽然我经常喷OpenAI，不过他们关于“全局记忆”的判断和观点我是非常认同的。

往小了说，“全局记忆”关系到对话的连贯性。这是今天AI在体验上的一大痛点。

你回想一下，今天大多数的AI客户端，你每开一个新的对话，是不是就好像在跟一个陌生人对话。因为你们过去交流的，它都不知道，你又得重新聊一遍。

这么搞，效率很低，而且工具感很强，你不会觉得这是个有智能的生命。

往大了说，“全局记忆”不只覆盖所有的历史对话，还可以、也应该包括用户的各种资料，甚至包括更广的知识库。

一旦技术成熟，把AI打造成为一个全面的个人助理、一个全球知识共享工具是很有可能的。这个就是OpenAI的野心。

当然啦，这个愿景有点远。不过站在今天，我们还是可以先体验一下的——通过OpenMemory这个项目。

简单来说，OpenMemory的作用就是把聊天记录单独存储。任意一个客户端里聊的东西都可以存进去。然后通过MCP进行调用。任意一个客户端都可以调用任何记录。我给你们演示一下就明白了。

我已经安装OpenMemory，并且通过SSE的连接方式与客户端ChatWise连上了。可以看到，这个MCP一共有四个tools，分别是添加、查询、检索、删除。

我这边准备了一段话，让AI把这些关于Prompt House的内容保存。LLM接到请求后，通过MCP调用add_memories这个tool，成功把那一段话保存起来了。

这时，在同一个对话框，我提出问题：记忆中都有哪些内容？可以看到，LLM很顺利把刚才保存的那条记录调出来了。

接下来，我们打开一个新的对话框，看看AI是否还“记得”刚才的内容。问题很简单：Prompt House主要解决哪两个问题？通过list_memories和search_memories两个tools，LLM把刚才存进去的内容调出，并基于内容完成回答。

同一个客户端的不同对话框，LLM能够自由存储和调用记忆。那么，跨应用呢？我这边打开Cursor，同样的问题：Prompt House主要解决哪两个问题？Claude Sonnet 4也是使用search_memories这个tool，把记忆取回。

你看，无论是跨对话框还是跨客户端，OpenMemory MCP都能实现记忆的存储和调取。

为了实现这些功能，OpenMemory做了三点：

第一，调用大模型。

要把用户的对话存储起来，首先要做的就是“理解”——先理解语义，才能区分哪些是噪音，哪些是重要信息。

不仅如此，在存储的时候，还需要大模型去区分记忆当中的冲突，完成更新。在检索的时候，也需要大模型在语义层面进行检索，而不只是关键词检索。

默认情况下，OpenMemory用的是OpenAI的模型，需要我们输入OpenAI API Key。不过它也支持别家的模型，包括开源大模型。如果你对隐私安全非常非常重视的话，可以连接Ollama。

第二，本地化存储。

为了让用户放心，OpenMemory把所有信息都存在本地。它采用双数据库架构，一个负责存储记忆的向量嵌入，一个存储结构化元数据。

这么设计的好处，一是完全本地化，敏感信息不会上传到云端；二是数据可移植，可以轻松备份和迁移整个数据目录；三是扩展性高，可以切换不同的大模型提供商，或者用本地模型。

第三，MCP。

任何支持MCP协议的客户端都可以通过SSE连上OpenMemory。它的MCP提供四个工具：添加，检索，查看，删除。

有了这四个工具，不同客户端就可以共享同一个内存。上下文就可以在不同客户端之间无缝传递。

我非常看好“全局记忆”这个方向。虽然巨头在做，但是，创业者也有很大机会。

因为，既然是“全局”，那就不能一家独大，就必须开放。在现阶段，有哪家能做到？这不就给了创业者生存、发育的窗口吗？

而且，现在巨头的主要精力还是放在提升模型能力上。所以，几个月前我就在社群里分享了一个思路：

把知识库的存储和调用分开。存储就放在本地，用Cursor创建一个Milvus向量数据库。调用就通过Milvus MCP。当时看大家挺感兴趣的，我还特意出了一期社群专属视频，介绍怎么搭建。

站在用户的角度看，这套思路的好处是，模型的选择会更加自由。谁的模型牛逼，我就对接过去。

站在做产品的角度看，最终留住用户的，不是智能，而是数据。智能只是一个钩子，把用户吸引过来，完成数据的迁移。

而且，智能要发挥作用、要创造价值，一定离不开上下文。这个就是我之前在社群内说的：Context Matters。

回过头来看，过去几个月我分享的那些零散的思路，还有我最近的尝试，全都串起来了。

OK，不多说了。我要继续做产品去了。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。我所有的感悟和认知，都会在社群内分享。那咱们下期见！

让AI自动生成工作流

Key Takeaway

  • 作者分享了如何利用AI（特别是Claude）自动生成n8n工作流的方法。
  • n8n是一个开源的工作流程自动化工具，具有高度灵活性和广泛集成，并支持JSON格式的工作流导入导出。
  • n8n的MCP Trigger功能可以将工作流转化为可被外部系统调用的服务，实现“工作流即服务”。
  • 通过配置n8n MCP，Claude可以生成JSON格式的工作流，实现AI生成、AI使用的闭环。
  • 即使是复杂的工作流，如果出现错误，也可以通过将错误信息反馈给Claude进行修改。

Full Content

不会搭建工作流也没有关系，完全可以让AI自动生成。

你看这是我让Claude帮我搭建n8n的工作流。它会直接生成JSON文件。完成之后，我把文件里的代码复制，回到空白的n8n工作流里粘贴。最后把一些节点配置一下，这个工作流就可以使用了。

国内的小伙伴可能没怎么听过n8n。它是一个开源的工作流程自动化工具。n8n的灵活度非常高，而且集成非常广泛，从常见的Slack到各种数据库、CRM，它几乎是无所不包，所以在国外非常受欢迎。

对我来说，如果要用工作流的话，我首选就是n8n。除了刚才说的灵活性和高度集成之外，还有两个原因：

第一，n8n支持JSON格式的导入和导出。也就是说，整个工作流，包括节点、配置和连接，都可以被导出为一个JSON文件。同样，你也可以直接把将一个JSON文件导入进去，从而完整地复现一个工作流。

第二，n8n支持把工作流转化成MCP服务器。它在三个月前推出MCP Trigger功能。你只需要在开头添加一个MCP Server Trigger节点，工作流就变成了一个可以被外部系统通过MCP调用的服务，也就是：工作流即服务。

这两点结合在一起，就是一套AI“自产自销”的用法。就像我开头演示的那样，Claude可以直接生成JSON文件。把JSON文件导入，一个工作流就有了。然后，再把这个工作流转成MCP服务器输出给AI客户端使用。

AI生成，AI使用。这不就闭环了吗？

哈喽各位好，欢迎回到我的频道。谦虚地说，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西远比教程更值钱。记得点一波关注。如果想链接我，就来我们newtype社群。这个社群已经运营500天，有超过1500位小伙伴付费加入啦。

回到今天的主题：让AI自动生成工作流。

要实现让Claude自动生成n8n工作流，需要安装n8n MCP。你可以把它理解为就是一个超大型n8n攻略。给Claude配上之后，它具备所有背景知识了。

要配置这个MCP非常简单，有手就行。

第一步，运行npx n8n-mcp这行命令。

第二步，在Claude的配置文件里，把几行贴进去。其中，链接和API Key替换成你自己的。

第三步，到Claude里创建一个项目。在Project Instructions里边，把这一大坨都复制粘贴进去。它的作用是，告诉Claude该怎么搭建工作流。

这三步完成之后，我们就可以开始生成了。为了演示，我直接从官方的Template里边挑了一个简单的工作流：

用户输入YouTube链接；通过Apify的服务获取Transcript；最后调用一个大模型对Transcript做总结。

回到Claude这边，把需求贴进去。Claude会先分析，并且提出问题，让咱们补充。等它获得所有信息之后，就会把项目的架构搭建好，然后开始生成JSON文档。

基本上简单的工作流一次就能搞定。复杂的工作流，如果出现报错的话，就把报错贴回来，让Claude修改。

等Claude生成和验证完毕之后，可以点击右上角的Copy按钮。回到n8n，直接粘贴，一个工作流就导入完成了。

而我们需要做的，就是把里边某些节点的配置完善了。比如Apify和OpenAI的节点，需要配置Credential才能运行。

你看，整个过程就是这么简单、直接。这就跟AI编程一样，只有你的需求清晰，Claude都可以搞定。我这边用的是Sonnet模型。大家还可以试试Opus模型，会更给力。

OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！

通用Agent长啥样

Key Takeaway

  • 命令行Agent是AI发展的重要方向，它结合了庞大的工具生态、经典的Unix组合哲学和现代AI调度能力。
  • Unix哲学（一切皆文件、专注做好一件事、程序间协作）与AI模型的ReAct框架（思考与行动循环）高度契合。
  • 通用Agent的核心能力包括感知、思考、行动和循环验证。
  • 大模型负责“思考”，命令行Agent负责“行动”。
  • MCP是实现“感知”和“循环验证”的关键。
  • 通用Agent的“骨架”是一个善于思考的AI大脑，嫁接在拥有海量工具的命令行身躯之上，并辅以MCP的敏锐感知。

Full Content

问你一个问题：

为什么Anthropic和Google这些大厂都在做基于命令行的编程工具？

想象一下，我们花了几十年时间，才从这种满是代码的“小黑窗”，进化到了今天这样漂亮、直观的图形界面。我们已经习惯了用鼠标，但是，诡异的事情发生了：

Anthropic发布的Claude Code，Google发布的Gemini CLI，这些最顶尖的AI工具在一夜之间集体“退化”回了那个“石器时代”。

这究竟是在开历史的倒车，还是这些顶尖高手，看到了我们普通人完全没看懂的未来？

本期视频，我会拆开来跟你们讲透。一旦你理解之后，就能看清楚通用Agent发展方向了。

我建议大家先点个收藏，因为内容可能有点深，需要多琢磨几遍。

首先我们要理解，这些大厂做的Claude Code、Gemini CLI究竟是什么。

一个词：命令行Agent。

为什么要用命令行Agent？它有什么价值？

我认为：

命令行Agent = 庞大的工具生态 + 经典的Unix组合哲学 + 现代的AI调度能力

大家放心，这个公式里的每一个概念我都会详细解释。咱们先从一个最基础的开始，也就是：

命令行是什么东西？

简单来说，在那个上古年代，用户是通过输入一行命令来给计算机下达指令，而不是像我们现在用鼠标在图形化的界面上跟计算机进行交互。

那么，用户在哪里输入命令？在一个叫终端的东西上边。不管你是用Windows还是macOS，都可以找到终端。它其实就是一个界面，用户可以输入，也可以看到计算机的反馈。

接下来，命令输入之后，计算机需要对它进行“翻译”。为什么要翻译？因为语言不通嘛。

我们通过命令行输入的东西，是文本字符串组成的，是给人看的，而机器根本看不懂。于是就了Shell、外壳这个概念，专门负责翻译。

当Shell完成翻译，就会把命令发送到内核，也就是Kernel。

所以，从命令Command Line到终端Terminal、到Shell外壳，最后到Kernel内核，这一串就是非常经典的处理流程。

这套流程中，最先进的地方，就是把外壳和内核分离。为什么要分离？

打个比方，有一家顶级餐厅：

内核就是后厨，可以做出任何菜，但它不直接跟客人说话。

外壳就是金牌服务员，他懂后厨的“行话”，也懂客户的“人话”。客户点菜，他负责翻译、下单给后厨。

而终端就是客户坐的餐桌，它是客户和服务员交流的场所。

所以，“外壳和内核分离”这个天才设计，就好比规定了：服务员不能进后厨做菜，后厨师傅也不能出来点菜。

大家各司其职，餐厅才能高效运转。一是安全，服务员摔倒了（外壳崩溃），不会影响后厨出餐（内核运行）。二是灵活，服务员可以随时根据客户的口味设计新菜单（开发者可以随时开发新命令），而不需要改造整个后厨（修改操作系统）。

这个命令行工具生态，从当年的Unix系统开始，一代一代发展、延续下来，已经变成了一个非常宝贵的资源库。

这就是前边那个等式里边，“庞大的工具生态”的意思。像Claude Code之类的命令行Agent，直接用各种各样的命令行来直接下达命令，效率非常高。

那么，后边的“经典的Unix组合哲学”是什么意思？

Unix是一个非常牛逼的操作系统。它的“子孙后代”无处不在，包括Linux、macOS，以及BSD家族。我特别喜欢它的三条设计哲学：

第一，一切皆文件（Everything is a file）。在Unix里边，无论是硬件设备、进程、还是网络连接，都可以被抽象成文件。然后你就可以用同一套简单的操作，比如open、read、write，来进行统一的交互。

第二，做一件事，并把它做好（Do One Thing and Do It Well）。程序应该保持简单，专注于一个核心功能。于是，命令就是程序；一条命令就专注干好一件事。

MCP实用指南

Key Takeaway

  • MCP（Model Control Protocol）是模型的超级外挂，能显著提升AI生产力，例如通过结合Claude和MCP实现低配版Deep Research。
  • Sequential Thinking MCP有助于模型进行多步骤推理，保持逻辑性和连贯性；Tavily MCP则提供优化过的搜索引擎功能。
  • MCP.so是寻找和托管MCP服务器的首选平台，其核心竞争力在于MCP Server Hosting。
  • 推荐关注三类MCP服务器：搜索相关（如Perplexity, Tavily）、数据相关（如Filesystem, GitHub）和工具相关（与特定应用打通）。
  • MCP的通信方式取决于服务器部署位置：本地运行使用stdio（标准输入输出流），云端运行使用SSE（基于HTTP的远程通信）。
  • 即使MCP服务器在本地运行，也可以通过调用远程API实现联网功能。
  • 建议新手通过实践Tavily（SSE方式）和Filesystem（stdio方式）来理解和掌握MCP的使用。

Full Content

MCP就是模型的超级外挂。装上之后，你会发现，原来AI生产力可以这么高。

举个例子，我给Claude-3.7 Sonnet配上两个MCP，它就成了一个低配版的Deep Research应用。

一个MCP是Sequential Thinking。它是一种标准化的思考模式，可以让模型在处理多步骤推理任务的时候，保持逻辑性和连贯性。比如，把复杂任务分解成清晰的步骤。当有新的信息出现时，还能灵活调整思考路径。

另一个MCP是Tavily。这个之前介绍过，就是一个对模型优化过的搜索引擎。

有了它俩之后，你看，Claude就会边搜索、边思考；根据搜到的内容，调整思考的路径，然后进行下一轮搜索；当它觉得信息足够了，逻辑也完整了，就会输出最终的报告。

这么一大套流程下来，我用1美元的成本，换来了更高质量的回答。这说明了两点：

第一，OpenAI的Deep Research真的是贵有贵的道理。你看刚才那个思考和搜集的过程就知道，太费Token了。OpenAI那边肯定更复杂。

第二，MCP真的有用。我可以给你们看看对比。我把Sequential Thinking拿掉，只留联网搜索。同样的问题，模型给出的答案简单许多。

这个就是我最近一直在推MCP的原因。那么，我们要去哪里找MCP？找到之后又怎么使用呢？本期视频，我给大家做一个详细解答。

哈喽大家好，欢迎来到我的频道。谦虚地说啊，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西比教程更值钱。记得点一波关注。如果想链接我，就来newtype社群。已经超过1000人付费加入啦！

回到今天的主题：MCP实用指南。

咱们先说第一个问题：MCP哪里找？

如果你想用现成的MCP的话，那么，MCP导航网站就是你的首选。在这个领域，目前排名第一的，就是MCP.so。

MCP.so是国内明星开发者idoubi的项目。他之前做了好多项目，比如AI搜索引擎ThinkAny。我上期视频说，有人已经开始做MCP基础设施，指的就是他。

在MCP.so，已经有超过3000个服务器被收录。其实，它的核心竞争力不是导航——导航谁都能做，技术含量不高，它的核心竞争力是MCP Server Hosting。

对咱们用户来说，面对这么多服务器，该怎么挑呢？我建议，有这三种类型的服务器大家可以留意一下：

第一，搜索相关的。比如，Perplexity、Tavily都是搜索。Fetch、Firecrawl都是爬虫。

第二，数据相关的。比如，Filesystem能让模型调用本地文件，GitHub能让模型接入代码仓库。

第三，工具相关的。比如，Blender、Figma、Slack这些，你看名字就知道是跟什么应用打通了。

OK，现在大家知道去哪找，以及怎么挑MCP了。那么，如何接入、使用？

这个其实很好理解。你想嘛，既然它叫“服务器”，那么，这个服务器放在哪里，就决定了通信方式。

如果放在本地，跑在你自己的机子上，就用stdio；如果是跑在云端，比如MCP.so上边，就用SSE。

stdio就是标准输入输出流，通常用于本地通信。比如，Cursor、Claude、ChatWise之类的MCP客户端跟跑在同一台机子上的MCP服务器之间，通过标准输入（stdin）和标准输出（stdout）进行通信。

SSE则是一种基于HTTP的远程通信方式。MCP服务器远程托管。你本地的客户端通过SSE实现跨机器通信。

不太理解也没关系。我给你们看看实际的样子。

以ChatWise为例。在设置里的“工具”页面，点左下角的加号按钮，可以添加MCP服务器。在“类型”中，咱们可以选择stdio和SSE两种通信方式。

比如Sequential thinking，我是用stdio的方式。命令中的这一串其实就是GitHub上要求写的参数。因为它不需要API Key之类的东西，所以下边的环境变量就空着。

对于一些需要填写环境变量的MCP，比如Tavily，那就把API Key填进去。点击“查看工具”，ChatWise会尝试连接，然后把这个MCP下所有的工具都列出来。

那么，SSE是什么样的呢？

比如Firecrawl，我就是用SSE的方式。这个就简单多了，只需要把链接填进去。那么，链接哪来的？

还记得我刚才说的吗？如果MCP服务器跑在云端，那就通过SSE的方式连接。MCP.so就提供了这样的云端服务。

来到这个网站的Firecrawl页面，在右边填入你的API Key，点击“Connect”，它就会生成一个专属的链接。把这个链接复制下来，贴到ChatWise里边就搞定。