KDnuggets

Build Your First MCP Server in Python (Stateless Spec Edition)

文章介绍 2026-07-28 版 MCP 规范将协议核心改为无状态，并说明官方 Python SDK 已升级到 v2 稳定版、提供高层 MCPServer API。教程用 Python 逐步演示如何在 Streamable HTTP 上构建一个无状态的开发者知识库 MCP 服务器，并暴露工具、资源与提示三种原语。

文章围绕 2026 年夏季发布的 2026-07-28 MCP 规范展开，指出该规范使协议核心变为无状态：现代客户端无需先建立协议会话即可发起请求，服务器在普通请求中也不再依赖 Mcp-Session-Id，从而更易在标准 HTTP 基础设施上扩展。同时官方 Python SDK 已进入 v2 稳定线，提供高层 MCPServer API，可用普通 Python 函数定义工具、资源和提示。文章以 uv 或 pip 安装 mcp[cli] 起步，要求 Python 3.10 以上，构建一个仅含 server.py 与 client.py 的开发者知识库服务器，暴露 search_kb 工具、kb://articles 资源和 draft_support_reply 提示，并通过 Streamable HTTP 运行、用 Python MCP 客户端连接。

10 Free AI Tools That Replace Expensive Software for Data Scientists

KDnuggets 发表文章列举 10 款可替代昂贵企业软件的开源 AI 工具，覆盖本地推理、AI 编程、AutoML 等数据科学全流程。正文详述了前三款：Ollama 配合 Open WebUI 替代商用 LLM API，Tabby 替代 GitHub Copilot Business 与 Tabnine，AutoGluon 替代 DataRobot 与 H2O Driverless AI。

KDnuggets 发表文章，按数据科学工作流的十个环节（本地推理、AI 辅助编程、AutoML、自然语言数据探索、RAG、数据集标注、可视化分析、实验追踪、本地分析、LLM 可观测性）各推荐一款免费开源工具，用以替代对应的昂贵企业级软件。文章指出企业数据科学栈成本高昂，例如 DataRobot 单席位年费可超过 5 万美元、Tableau Creator 约 900 美元/用户/年，商用 LLM API 按 token 计费可能导致每月数千美元推理支出且无上限。正文完整介绍了三款工具：Ollama 支持在本地硬件运行开源权重模型并搭配 Open WebUI 提供浏览器聊天界面，以替代 OpenAI、Anthropic 等商用 API；自托管的 Tabby 在 VS Code、JetBrains、Vim/NeoVim 中提供代码补全，替代 GitHub Copilot Business（19 美元/用户/月）和 Tabnine（59 美元/用户/月）；AutoGluon 用于替代 DataRobot 和 H2O Driverless AI。

Bridging Algorithmic Design and Regulatory Standards in Enterprise AI

文章指出企业 AI 的采纳速度已远超治理能力，援引 Stanford 与 Trustmarque 的数据说明多数企业尚未把 AI 治理嵌入开发流程，并提出将隐私保护与可解释建模融入机器学习全生命周期的分阶段框架。

KDnuggets 发表文章论述企业 AI 算法设计与监管标准的衔接问题。文章援引 Stanford 2025 AI Index Report 指出 2024 年 78% 的企业已采用 AI（前一年为 55%），并引用 Trustmarque 的 AI Governance Index 说明英国 93% 的组织使用 AI 但仅 8% 将 AI 治理完全集成进软件开发生命周期。文章以 GDPR 和 CCPA 等隐私法规为背景，提出应将隐私保护、可解释建模等治理要求嵌入机器学习生命周期各阶段的分阶段框架。

Building AI Agents with Docker Agent

Docker Agent 是 Docker Engineering 打造的开源 Apache 2.0 CLI 插件，用声明式 YAML/HCL 配置定义 AI 智能体，支持多厂商模型、多智能体编排和 OCI 注册表分发，核心理念是像运行容器一样运行 AI 智能体。文章是一篇从零安装到多智能体团队的手把手教程。

2026 年起，Docker Engineering 推出开源 Apache 2.0 许可的 CLI 插件 Docker Agent，目标是让用户像运行容器一样运行 AI 智能体。该工具用 YAML 或 HCL 声明式配置定义智能体，兼容 OpenAI、Anthropic、Gemini、AWS Bedrock、Mistral、xAI 及本地模型，内置工具并支持任意 MCP server，可实现多智能体编排，产物可推送至 OCI 兼容注册表。其能力建立在此前基础上：2025 年 7 月 Docker 扩展 Docker Compose 支持智能体与 AI 模型，Docker Model Runner 提供无需云 API Key 的本地模型运行方式。文章给出从 Docker Desktop 4.63+、Homebrew 或二进制安装，到配置云 API Key 或本地模型的完整教程。

7 Best Resources to Learn About Self-Evolving AI Agents

文章整理了 7 个学习「自进化（自我改进/递归自我改进）AI 智能体」的优质资源，涵盖 Hugging Face 智能体课程、斯坦福 CS329A 课程、两篇综述论文、以及收录相关论文的 Awesome 系列仓库，帮助读者理解智能体如何在部署后通过失败学习、记忆积累、技能复用与提示词改进来提升自身。

KDnuggets 发布了一篇题为《7 Best Resources to Learn About Self-Evolving AI Agents》的清单式文章，指出 AI 智能体正从「接收指令、调用工具、返回答案」向自我进化方向演进，即通过经验改进自身。文章按顺序推荐了 7 个学习资源：Hugging Face Agents Course（入门基础，涵盖 Think/Act/Observe 循环、smolagents、LangGraph、LlamaIndex、智能体 RAG、函数调用微调、可观测性与评估，免费且含实践作业）；Stanford CS329A: Self-Improving AI Agents（围绕研究论文组织的学术课程，涵盖 Constitutional AI、验证器、测试时计算、强化学习、工具使用、记忆、多步推理与规划、评估框架及应用）；A Comprehensive Survey of Self-Evolving AI Agents（将进化定义为智能体、环境、系统输入与优化器构成的反馈回路，讨论模型、记忆、提示词、工具与多智能体组织等可进化部分）；

ML Engineer, AI Engineer, or LLM Engineer: Which Role Actually Builds What in 2026?

文章对比 2026 年 ML Engineer、AI Engineer 与 LLM Engineer 三类 AI 岗位，指出招聘标题相似但实际负责构建的内容差异明显，并分别界定三者各自交付什么。

KDnuggets 发布一篇行业分析文章，比较 ML Engineer、AI Engineer 和 LLM Engineer 三类 AI 岗位的实际职责差异。文章指出许多招聘帖标题相近、职责描述几乎一致，但具体技能要求分化为 LangChain、LoRA 微调或调用 API 并编写评估代码三类。文章按“实际构建什么”定义三者：ML Engineer 从数据出发训练并部署模型，AI Engineer 把已训练好的大模型接入真实产品，LLM Engineer 是 AI Engineer 更窄的分支并额外承担微调职责。文章主张求职者应依据职位描述中的实际交付内容而非岗位标题来做职业决策。

I Tested 5 AI Coding Assistants for a Month: Here’s What I Actually Found

文章作者用一个月时间在真实任务（遗留代码重构、新建 API、调试）中实测五款 AI 编程助手 Cursor、GitHub Copilot、Claude Code、Windsurf (Devin Desktop) 与 Replit Agent，指出它们各自代表对 AI 辅助编程的不同押注，实际表现比厂商演示更复杂。

作者在一篇产品评测中，历时一个月对五款主流 AI 编程助手进行真实任务测试，任务包括遗留代码重构、全新 API 构建以及若干调试会话，涉及工具为 Cursor、GitHub Copilot、Claude Code、Windsurf (Devin Desktop) 和 Replit Agent。作者指出这些工具体现不同的产品哲学：Cursor 要替换整个编辑器，GitHub Copilot 增强现有编辑器，Claude Code 在终端协同，Windsurf 追求自主长时间运行，Replit Agent 力求在浏览器内从空白画布直达部署 URL。文章给出 Cursor 与 GitHub Copilot 的具体测试结论，指出其优势场景与局限。

Who Pays for AI Data Centers?

The fight is usually framed as whether data centers get built. The harder question underneath it is "who pays and who decides?" The costs are intertwined.

5 Best Practices for Building Robust Python AI Libraries

This article covers building robust Python AI libraries specifically, Python AI SDK best practices, and what separates a production-ready AI package from one that only survives in its own demo.

Meta Muse Explained: What It Is, How It Works, and What It Can Do

2026 年 9 月 8 日 Meta 推出个人 AI 智能体 Muse，可浏览网页、连接应用、发邮件、购物并管理长周期目标，其推理引擎为 Muse Spark 1.3，每个用户运行在隔离的 Linux 虚拟机中。

2026 年 9 月 8 日，Meta 正式发布个人 AI 智能体 Muse，用户可通过 Muse 应用或 WhatsApp 以聊天方式下达目标。Muse 由推理引擎 Muse Spark 1.3 驱动，专为长周期智能体工作流训练，能够保留先前信息、调用工具、生成子智能体并行处理任务；每个用户在隔离的 Linux 虚拟机上运行工作区、浏览器与工具，并通过 connectors 连接邮件、日历、购物等服务。Meta CEO Mark Zuckerberg 宣布该产品，称其可 24/7 替用户完成任务。Muse 迅速登上美国 App Store 榜单，同时其执行真实操作的能力引发了隐私、可靠性、安全与控制权方面的讨论。

Python Foundations for Engineering: A KDnuggets Cheat Sheet

This is the Python material that does not get left behind. Almost none of it is replaced by a framework later. Learn it, and keep this cheat sheet close by as a handy reference.

Forward Deployed Engineer: AI’s Hottest New Career, or Consulting With a Better Title?

The forward deployed engineer: is this the hot new AI career, or has the hype cycle rebranded?

5 Proven Techniques for Token Compression and Prompt Optimization

Reduce costs, improve response quality, and build leaner AI applications with these prompt engineering strategies.

BrowserAct AI Web Scraper in 2026: Build Once, Run Repeatedly

Describe your data needs in plain language and turn websites into a continuous source of fresh data.

From Messy Documents to Structured Data with Docling

Docling takes documents in whatever inconsistent format they arrive in, and converts them into one unified, structured representation that both people and AI systems can work with reliably, rather than everyone downstream having to guess at what a wall of extracted text actually meant.

How to Use Marimo for Interactive Data Analysis

Learn how to use Marimo for interactive data analysis with Python, Pandas, and Altair, and turn a reactive notebook into a simple shareable dashboard.

10 Python One-Liners That Will Make Your Code Cleaner and Faster

Get work done, and have seconds added back to your life since you won't be writing second, third or — *gasp!* — fourth line follow-ups to your impeccable typed line numero uno.

Did AI Just Solve One of Mathematics’ Biggest Problems?

OpenAI’s agents reached a proposed solution in 88 hours. But the human research that came before, and the controversy that followed, raise a harder question: what actually counts as an AI discovery?

How to Turn Excel Data Into PowerPoint Presentations With AI

Learn how to use Julius AI to analyze Excel data, verify key findings, and turn them into an editable PowerPoint presentation.

5 Free Courses to Learn AI Engineering

Learn LLM fundamentals, AI engineering, RAG, MLOps, fine-tuning, and deployment with five practical courses designed to help you become a stronger AI and machine learning engineer.