Großes Update für ChatGPT/Claude Desktop-Nutzer! MCP-Server in Claude/Cursor bieten noch keine UI-Erfahrung, wie interaktive Widgets. Es ist nur Text/JSON, wie unten: { "product": "iPhone 16 Pro", "price": "$999", "rating": "4.5 Sterne" } Dies als visuelles Element darzustellen, ist nicht unmöglich, aber die meisten MCP-Server zwingen dich dazu, denselben Boilerplate-Code zweimal zu schreiben, einmal für die React-Komponente und erneut, um sie als MCP-Tool zu registrieren. So endest du mit doppelten Schemata, manueller Prop-Zuordnung und einer Menge Registrierungs-Code. Ein vereinfachter Ansatz wird tatsächlich in mcp-use implementiert, einem kürzlich trendenden Open-Source-Full-Stack-MCP-Framework, um mit MCP-Servern, MCP-Clients und KI-Agenten zu bauen. Die Art und Weise, wie mcp-use dies implementiert, ist, dass du React-Komponenten erstellen kannst, die automatisch: - Als MCP-Tools registriert werden (von Claude/ChatGPT aufrufbar) - Als interaktive Widgets gerendert werden - Ein vollständiges React-Ökosystem unterstützen (Tailwind, Bibliotheken, Hooks) - Hot Reload während der Entwicklung ermöglichen Um dies mit einem realen Beispiel zu demonstrieren, haben wir einen Amazon-Produktanalysator gebaut. Das folgende Video zeigt dies in Aktion. So funktioniert es: → Du bittest ChatGPT, ein Amazon-Produkt zu analysieren → Der MCP-Server ruft das SDK von Bright Data auf → Bright Data scrapes die Produktseite → Gibt strukturierte Daten zurück (Preis, Bewertungen, Merkmale, Rezensionen, Spezifikationen) → mcp-use rendert es als interaktives Widget Warum Bright Data? Agenten, die auf das Web zugreifen, haben Schwierigkeiten mit IP-Blockierungen und CAPTCHA. Wir haben Bright Data verwendet, um diese in unserer Demo zu überwinden. Vorteile: - Skalierung des Scraping ohne Blockierungen - Benutzeraktionen simulieren - Apps mit Echtzeit- und historischen Daten erstellen Alles ist 100% Open Source, sodass du die vollständige Implementierung auf GitHub sehen und es selbst ausprobieren kannst. Zuletzt sind die UI-Widgets, die du mit mcp-use erstellst, im MCP-Apps-Standard. Dies ist inspiriert von MCP-UI und OpenAIs Apps SDK, um MCP-Servern zu ermöglichen, interaktive UI-Elemente in konversationalen MCP-Clients oder Chatbots anzuzeigen. Ich habe das GitHub-Repo in den Antworten geteilt!

4 Strategien für das Training mit mehreren GPUs, visuell erklärt:

Der ultimative Full-Stack AI Engineering Fahrplan, um von 0 auf 100 zu gelangen. Dies ist der genau geplante Weg, was es tatsächlich braucht, um vom Anfänger → Full-Stack AI Engineer zu werden. > Beginne mit den Grundlagen des Programmierens. > Lerne Python, Bash, Git und Testing. > Jeder starke AI-Ingenieur beginnt mit den Grundlagen. > Lerne, wie man mit Modellen interagiert, indem du LLM-APIs verstehst. > Das wird dir strukturierte Ausgaben, Caching, System-Prompts usw. beibringen. > APIs sind großartig, aber rohe LLMs benötigen immer noch die neuesten Informationen, um effektiv zu sein. > Lerne, wie LLMs normalerweise mit mehr Informationen/Mustern ergänzt werden. > Das wird dir die Grundlagen des Fine-Tunings, RAG, Prompt-/Kontext-Engineering usw. beibringen. > Starke LLMs sind ohne Kontext nutzlos. Da kommen Retrieval-Techniken ins Spiel. > Lerne über Vektor-DBs, hybrides Retrieval, Indexierungsstrategien usw. > Sobald das Retrieval solide ist, gehe zu RAG über. > Lerne, Retrieval- + Generierungs-Pipelines, Neurangierung und mehrstufiges Retrieval mit beliebten Orchestrierungs-Frameworks zu erstellen. > Jetzt, gehe zu AI Agents über, wo AI vom Antworten zum Handeln übergeht. > Lerne über Gedächtnis, Multi-Agenten-Systeme, Human-in-the-Loop-Design, agentische Muster usw. > Lerne, wie man in der Produktion ausliefert mit Infrastruktur. > Das wird dir CI/CD, Container, Modell-Routing, Kubernetes und Deployment in großem Maßstab beibringen. > Konzentriere dich auf Beobachtbarkeit & Bewertung. > Lerne, wie man Evaluierungsdatensätze erstellt, LLM als Richter, Tracing, Instrumentierung und kontinuierliche Evaluierungs-Pipelines. > Sicherheit ist entscheidend. > Lerne, wie man Schutzmaßnahmen, Sandboxing, Prompt-Injection-Abwehr und ethische Richtlinien implementiert. > Schließlich, erkunde fortgeschrittene Workflows. > Dies umfasst Sprach- & Sichtagenten, CLI-Agenten, Robotik, Agentenschwärme und selbstverfeinernde AI-Systeme. Dies ist die tatsächliche Reise, um ein Full-Stack AI Engineer zu werden und nicht nur "AI" zu nutzen, sondern vollständige AI-Systeme zu entwerfen, die in der Produktion bestehen können. Was habe ich verpasst? Poste in den Antworten!