本文是 T 系列的第 03 篇，主要介绍 MCP 如何实现持久化记忆。
T 系列为技术文章翻译系列，加以本人的一些拙见，如有雷同，实属正常，如有不同，欢迎交流。
尽管 LLM 在处理和生成文本方面非常强大，但它们本质上是无状态的。每次 API 调用都被视为一个全新的独立请求，无法保留之前交互的任何记忆。要使 Chatbot 或虚拟助手真正有用，它必须具备记忆能力，能够记住用户的姓名、偏好或多轮对话的上下文。传统方法试图通过将整个聊天历史打包进 LLM 的提示中来解决这一问题，但这种方法效率低、成本高且容易出错。本文探讨了一种更稳健且可扩展的解决方案：利用模型上下文协议（MCP）将记忆实现为外部、可管理的工具。这种方法使 Agent 即使保持无状态，而有状态的工具则提供持久的记忆功能。
本文是 T 系列的第 02 篇，主要介绍 Chatbot UI 如何基于 MCP 构建可查询的 Chatbot。
T 系列为技术文章翻译系列，加以本人的一些拙见，如有雷同，实属正常，如有不同，欢迎交流。
本文是 T 系列的第 01 篇，主要介绍 Chatbot UI 如何与 MCP Server 进行通信。
T 系列为技术文章翻译系列，加以本人的一些拙见，如有雷同，实属正常，如有不同，欢迎交流。
Chatbot 的用户界面（UI）正从简单的文本显示演变为一个动态客户端，能够与复杂的后端系统进行通信，而该后端通常由模型上下文协议（MCP）Agent 驱动。本文探讨了基于工具的聊天界面架构，重点分析前端与后端之间的通信流程。我们将逐步介绍用户请求的路由、调用外部工具以及实时流式响应的全过程。目标是清晰理解支持这些复杂交互的协议和设计模式，从而超越基础的请求-响应模型，构建出更稳健、可扩展且更易用的系统。
本文是 T 系列的第 00 篇，主要介绍下一代 Chatbot：MCP 扩展对话。
T 系列为技术文章翻译系列，加以本人的一些拙见，如有雷同，实属正常，如有不同，欢迎交流。
放在以前，单个这个标题，我一般就直接关闭了。因为我会想：
“7 天开发一个系统，哪怕二次开发、CURD 也要半个月吧，做出来也是个没用的系统。”
现在，对上述的观点，我保留一半，能不能用要在后续的开发中持续验证。
最近一直在捣鼓 AI 工具，想着说给我的开发工作提供强有力的帮助，但在使用的过程中，token 成本太高是我急需解决的一个问题。
这让我想起了 Ollama，网上也查了相关资料，Claude Code 通过配置是可以和本地的大模型进行通信的，所以有了这篇文章。
昨天在本地搭建了 Agent 协作平台 Multica，并且我目前也在开发一款生信可视化桌面应用 BioScope，正好可以试试 Multica，看看实际效果。
经同事介绍，了解到 Multica 平台，故希望在本地部署并对接已知大模型，看看具体的效果，并希望在未来的工作中能派上用场。
本地化部署的教程详见 https://github.com/multica-ai/multica/blob/main/SELF_HOSTING.md ，在部署中的过程，我也会详细介绍其中的一些具体工作。
Connectivity-based Outlier Factor，连通离群因子算法是 2002 年提出的改进 LOF 算法的无监督异常检测算法。LOF 算法的局限在于：它是基于“球形局部密度”假设，对带状、曲线、链式、流形连续分布的数据缺陷极大，会把长条簇两端的正常样本误判为离群点。