Neo4j 博客介绍智能体如何通过巩固层将分散的学习片段转化为可复用的技能和用户画像。任务学习通过任务模式分组，形成包含步骤、陷阱和验证方法的技能；用户偏好则整合为个人画像，随用户跨项目迁移。技能和画像通过 MCP 工具按需发现，避免上下文膨胀。源学习在整合后从普通召回中排除，但保留图谱关联，便于后续修正。系统通过钩子、阈值和冷却机制自动触发整合，无需人工干预。
推荐理由：原文详细说明了如何将分散的学习片段转化为可复用的技能和用户画像，读者可据此理解智能体持续学习的结构化路径。
LangChain 发布对 Model Context Protocol (MCP) 的新版支持，将 MCP 功能整合进主包 langchain.mcp，基于 FastMCP 构建，支持无状态协议、客户端缓存和中断式 elicitation。
推荐理由：原文给出了能力变化和开放入口，读者可以据此判断它会怎样改变现有工作流。
Weaviate 博客发布教程，介绍如何利用内置 MCP 服务器构建代码助手，通过 RAG 技术检索代码和文档，支持 Claude Code、Cursor 和 VS Code 连接，提供从部署、数据分块、索引到客户端配置的完整步骤。
推荐理由：原文提供了从部署到连接多个客户端的完整步骤，读者可直接复用以构建基于 Weaviate 的代码助手。
fal 推出 MCP Server，让 Claude、Cursor 等 AI 助手能直接搜索、运行和串联 fal 平台上的 1000 多个生成模型。该服务器提供 9 个工具，涵盖模型发现、执行和文件上传，用户只需配置 API 密钥即可在对话中完成图像生成、视频制作、语音合成等复杂工作流。服务本身免费，按标准 fal 定价支付模型调用费用。
推荐理由：通过 MCP 协议将上千个生成模型直接接入 Claude、Cursor 等 AI 助手，简化了多模态创作的工作流。