用户在使用 MCP Python SDK (mcp==1.27.1) 的 streamable_http 传输模式时，通过 ClientSession.call_tool() 或 send_ping 、 list_tools 等调用，在 Windows 11 环境下发现问题。每次串行请求在单一连接上
用户在运行MCP Python SDK服务器（v1.2.0及更高版本）时，通过JSON-RPC请求发送一个未经注册的方法名（例如 invalid/method 或 tools/register ），服务器返回了错误的错误码。该问题在SSE传输协议上也被确认。
在 MCP Python SDK 中使用 streamable_http_client 进行并发 JSON-RPC 请求（例如并行调用多个 MCP 工具时），当其中一个请求收到服务器返回的 HTTP 非 2xx 状态码（如 400 Bad Request）时，该错误会传播到共享的任务组中，导致其他正
![[Feature]: MCP OAuth token endpoint should not fabricate expires_in when upstream omits it](https://www.chat-gpts.plus/wp-content/uploads/2026/06/30298-96794208-768x403.jpg)
用户在使用 LiteLLM 代理（Proxy）功能，通过 MCP（Model Context Protocol）与 GitHub、Linear 等 OAuth App 提供商交换令牌时触发。这些提供商颁发非过期令牌且有意省略 expires_in 字段。问题影响依赖该字段的 MCP 客户端（如 Cl
一款名为“网络研究员 MCP”的 AI 研究助手在 Product Hunt 上线，核心卖点是能诚实引用真实来源、避免 AI 幻觉（如虚构论文或 DOI）。这是针对大模型搜索“胡编乱造”问题的一次具体产品化尝试。
![[人工智能] 分享一下我试用过的几款 AI 套餐](https://www.chat-gpts.plus/wp-content/uploads/2026/06/ai_cover_5-537-768x403.jpg)
一位 V2EX 用户公开了自己在阿里百炼、火山方舟、科大讯飞、小米 TokenPlan 和 OpenCode Go 等平台上的真实使用体验，揭示了当前国内 AI 套餐在额度计算不透明、模型行为干预、资源限制等方面的严重问题。这份吐槽并非个例，而是反映了AI开发者和重度用户在使用国内服务平台时面临的普遍痛点。
![[Bug]: stream_chunk_size on bedrock/invoke models leaks into the request body and Bedrock rejects it with ValidationException](https://www.chat-gpts.plus/wp-content/uploads/2026/06/30239-15c28b58-768x403.jpg)
用户使用 LiteLLM Proxy 路由到 Bedrock 的 invoke 模型（如 Claude Sonnet 4），在流式推理请求中设置 `stream_chunk_size` 参数（ {"stream":true,"stream_chunk_size":2048} ），导致 Bedrock
用户在 Flowise v3.0.5 中通过 Docker 部署，创建一个 Agentflow (v2) 并使用 ChatOpenAI 类型的 Agent 节点。当启用了“Strict Tool Calling”属性，并添加了一个 Custom MCP Tool（例如自定义 get_table_sc
开发者 ptobey 在 GitHub 上开源了 local-memory-mcp ，一个为 Claude、ChatGPT 等 AI 助手提供持久记忆层的本地服务。它通过本地向量搜索（ChromaDB）让 AI 跨会话记住用户偏好和上下文，无需云端、订阅或账户，所有数据保留在本地机器上。
开发者通过对比实验发现，在 Copilot CLI 中使用命令行包装的 MCP（模型上下文协议）工具，比直接加载完整 MCP schema 的代理模式节省约 5k 令牌的初始上下文开销，但实际执行效率和稳定性各有优劣。这项实验揭示了当前 AI 编码代理在“工具发现”阶段的成本分布差异。