适合人群：
具备Python基础，希望转向AI应用落地的全栈工程师； 需深入理解MCP协议底层逻辑的技术负责人； 需集成RAG与LLM的AI工程师； 计划通过Agent架构优化企业工作流的系统设计师
你将会学到：
掌握MCP服务端/客户端开发全流程，解决LLM与外部工具集成、RAG索引构建、Agent化部署等难题
课程介绍
核心内容：
- MCP全栈开发：从零构建MCP服务端与客户端，深入解析协议通信机制
- GraphRAG深度集成：基于知识图谱构建高效索引库，对比传统Tag+RAG方案，解决长文本检索精度低、上下文关联弱等痛点，并通过MCP服务化封装支持多工具协同。
- Agent化部署实战：将MCP客户端嵌入AI代理系统，实现工具自动路由（如本地知识库查询=），完成从需求分析、服务部署到生产环境优化的全链路闭环。
学习成果：学员可独立设计高扩展性MCP服务集群，实现LLM与业务系统的无缝对接，并具备复杂Agent架构的设计与运维能力，满足企业对AI工程化落地的核心需求。
资源目录
- 01-mcp+rag+llm 整体项目实战介绍（免费试看）
- 02-graphrag 的知识回顾及三个实战项目功能介绍 [07:01]
- 03-mcp 的 server 端框架开发 [06:19]
- 04-mcp 的 server 端天气查询功能接口实现 [09:17]
- 05-mcp 服务端功能开发和测试 [07:31]
- 06-mcp 客户端功能开发 [12:22]
- 07 – 将 mcp 封装成 agent 功能开发 [19:04]
- 08-mcp+agent 的完整功能测试 [06:58]
- 09 – 使用 graphrag 构建索引 [15:13]
- 10 – 将 graphrag 索引封装成 mcp 的 server 端服务 [13:42]
- 11-graphrag 客户端集成 agent 实现 [11:20]
- 12 – 基于 langchain 构建本地知识库 [23:48]
- 13-langchain 构建知识库的 mcp server 端开发 [08:14]
- 14-langchain 构建知识库的 mcp 的 agent 开发 [09:29]
- 15-mcp+graphrag+llm 项目实战总结 [02:49]
声明：本站所有资料均来源于网络以及用户发布，如对资源有争议请联系微信客服我们可以安排下架！
