1 Obidian 开发 Obsidian 基于 Electron 框架开发（开发者可以使用 Web 技术构建桌面应用，Google 的 Flutter 也是类似的框架），主要使用 HTML、CSS 和 JavaScript。后端则依赖 Node.js（Node.js 是基于 Chrome V8 引擎的 JavaScript 运行环境），使 JavaScript 能在服务器端运行。 开发 Obsidian 插件时，需要掌握 JavaScript 和 Node.js。比如，利用 Node.js 提供的模块和 API 进行文件操作、访问系统资源、处理网络请求等。 2 开发环境 我的开发环境是：VSCode + Node Docker + Copilot。这样不仅不会影响我的宿主机环境，开发起来也很舒适，还可以利用辅助编码工具。 如果想开发 Obsidian 插件，就需要安装 Node.js 环境。Node.js 提供了 JavaScript 的运行环境和许多内置模块；同时，安装 Node.js 也会安装 npm，用于管理插件项目的依赖项。 推荐使用 Node.js 的第 18 版： 12$ ...

2025 年 1 月 24 日，OpenAI 发布了其首款 AI 智能体 Operator。这是一款能够在浏览器上执行简单在线任务的网络应用，例如预订音乐会门票和在线购买杂货。 Operator 由新模型 Computer-Using Agent（CUA）驱动，该模型基于 GPT-4o 构建。目前，该应用仅面向订阅每月 200 美元 ChatGPT Pro 服务的美国用户开放，未来将逐步向其他用户推广。 官方介绍: https://openai.com/index/computer-using-agent/ 原理： 将 GPT-4 的推理能力结合视觉功能，用于操作电脑桌面（类似于操作浏览器）。 基于桌面解析和文字识别技术，可以控制键盘和鼠标，并在沙箱环境中进行操作。 问题： 安全问题：适合操作商场中机器人，对于个人数据/公司数据可能涉及安全问题。 目标用户是谁：像 Dify，扣子也有此问题。 应用场景： 浏览器使用：语法检查、退款总计、更新许可证、客户查询。 电脑使用：下载讲座、合并 PDF、压缩图像、计算价格、导出图像。 其它： 要 200 刀的 pro 才能用，而 ...

1 简介 MCP（Model Context Protocol，模型上下文协议）是 Anthropic 在 2024 年底推出的一种开放协议，旨在实现大语言模型（LLM）与外部数据源、工具和应用程序之间的安全、高效互动。 MCP 使得不同 AI 模型能够轻松连接到外部工具和数据源，而无需单独整合多个 API。传统上，整合外部工具需要处理各个 API 的代码、文档、认证方式、错误处理以及后续维护，增加了开发复杂度。MCP 的特点在于其“即插即用”功能，工具只需封装一次，即可与多种大模型 API 组合使用。 2 现有方法的问题 常用方法： 方法一：将数据上传到服务器 将数据存储在他人服务器中，存在安全风险。 上传过程中，数据大小和类型受到严格限制。 方法二：给予大模型本地管理员权限，自动处理本地数据。 同样存在安全隐患。 例如：Open Interpreter、CUA。 MCP 的优势： 统一协议：MCP 作为统一接口，只需一次集成即可连接多个服务。 动态发现：AI 模型能够自动识别并使用可用工具，无需提前固定每个接口。 双向通信：支持数据拉取和操作触发。 安全性：确保只有授 ...

1 MCP Server 1.1 准备 12pip install mcp# 安装后就可运行 mcp 命令 1.1.1 提供本地服务 12345678910111213141516171819202122# server.pyfrom mcp.server.fastmcp import FastMCP# Create an MCP servermcp = FastMCP("Demo")# Add an addition tool@mcp.tool()def add(a: int, b: int) -> int: """Add two numbers""" return a + b# Add a dynamic greeting resource@mcp.resource("greeting://{name}")def get_greeting(name: str) -> str: """Get a personalized g ...

1 资源分类 MCP 服务主要包括以下几种： 搜索：搜索和爬虫功能 数据：本地文件、GitHub 工具：为已有工具提供 MCP 调用方法 2 mcp.so 收集了大量 MCP Servers，可在 mcp.so 上使用，而无需本地安装，只需简单配置（如配置 API Key），即可通过 URL 访问各种 MCP Server。 截至目前，http://mcp.so/ 已提供超过 4000 项服务（250328）。 3 tavily 功能：网络搜索 & 智能提取 申请 apikey：https://tavily.com/ 3.1 SSE 方式 使用 host 方式访问，需要设置 https://mcp.so/server/tavily-mcp 3.2 本地方式 123456apt install npmgit clone https://github.com/tavily-ai/tavily-mcp.gitcd tavily-mcpnpm installnpm run buildnpx build/index.js # 运行试试 3.3 注意事项 在本地调用时，请勿将 ...

1 Manus 1.1 概述 官网： https://manus.im/usecases 根据 Manus 发布会的数据，Manus 的功能覆盖了 76% 的垂直类 Agent 项目。其官网展示了 50 多个用例，主要应用于数据分析、调查研究和效率提升。工程方面，Manus 付出了大量努力，整体交互比其他产品优化了许多。 从个人体验来看，Manus 的推广和设计非常出色，与浏览器的整合也令人印象深刻。它有效填补了市场空白，市面上虽有众多开源的 agent 工具，但普遍缺乏易用性；即便是 coze 的图形化界面模块拼接，也存在一定的使用门槛。 Manus 的另一大优势在于其示例表现。一句简单提问，即能获得优质输出。在国内，类似体验的产品有 kimi（检索）和 deepseek-R1（推理），但它们通常只处理单个简单问题。而 Manus 不仅可以在线搜索数据，还能够进行多步操作，解决复杂问题。这一特点似乎填补了市场空白。不过，其实际效果及成本如何，尚需进一步观察和讨论。 1.2 用户交互 界面：打开网站上的实例，可以清晰看到工作过程，左侧展示模型思考，右侧展示工具调用，左右分区的交互流畅。 ...

1 取值 role 有 3 个取值： system: 设置 AI 助手的行为指南和身份定位 user: 用户输入的内容 assistant: AI 的回复内容 2 示例 123456messages = [ {"role": "system", "content": "你是AI助手"}, {"role": "user", "content": "你好"}, {"role": "assistant", "content": "你好，我能帮你什么?"}, {"role": "user", "content": "解释下Python"}] 3 说明 system 消息设定 AI 的行为规范和专 ...

1234567英文名称：Search-R1: Training LLMs to Reason and Leverage Search Engines with Reinforcement Learning中文名称：Search-R1：训练大型语言模型进行推理并利用搜索引擎的强化学习链接: http://arxiv.org/pdf/2503.09516v2代码: https://github.com/PeterGriffinJin/Search-R1 (1.4K Star)作者: Bowen Jin, Hansi Zeng, Zhenrui Yue, Dong Wang, Hamed Zamani, Jiawei Han机构: 伊利诺伊大学厄巴纳-香槟分校，马萨诸塞大学阿默斯特分校日期：2025-03-12 1 读后感 由于大语言模型（LLM）的知识更新不够迅速，LLM 结合搜索的应用场景变得非常普遍。未来的发展趋势可能会是“小而美”的 LLM 与强大的 Agent、工具、搜索、RAG 等结合，而不是追求“大而全”的 LLM 来解决所有问题。 这篇文章主要探讨大模型与搜索的结合策略：如何 ...

1 录制实感 今天想分享一些录视频过程的感受：一种技不如人的“羞愧感”。 录几个视频介绍我开源工具的用法，这个任务已经列在我的周计划里，可能都有十周以上了，但一直没有录。一方面是因为界面一直在更改，一方面是我对录视频这件事非常抵触。别提把人录上了，哪怕只是录个声音，我都感到很有压力。 可能是平时看视频的时候，给我推荐的都是一些顶尖 UP 主的视频，质量很高，我就觉得别人的水平都很高。录的时候会不自觉地预测别人的反馈，注意力没办法集中在内容上，就更加磕磕绊绊的；要么就是需要录很多次，或者花费大量精力来调整自己的注意力。 每一次对自己录的效果都不满意，这种纠结和负面情绪对之后再做这件事来说，又是一个减分项。 可能很多刚开始录视频的小伙伴都有这种感觉。 这次更新之后，界面的操作确实有些复杂，还包含了很多细节，录视频确实是最直观的方法。只好咬牙又重新开始录制。但仍然有磕巴，停顿，口头语，声音忽大忽小的问题…… 忽然想起去年年底开发了一个视频编辑工具，当时因为忙其他事情，也没怎么用。这次才真正开始用上。 2 借助工具 流程如下： 使用视频会议录屏并导出 mp4 也可以用其他方法进行录屏 ...

1 简介 TabPFN（Tabular Prior-Data Fitted Network）是由 Meta AI 团队开发的针对表格数据的神经网络分类器。 1.1 主要特点是 无需超参数调优：TabPFN 与 XGBoost、LightGBM 等传统树模型不同，它即插即用，不需调整超参数。 极快的推理速度：TabPFN 训练和预测时间不到一秒，远超深度学习模型。 基于 Transformer：尽管规模小，它在预训练时利用大量合成数据，实现对新数据集的良好泛化能力。 适合小型数据集（<10K 样本）：TabPFN 在小数据集上表现出色，但对大规模数据暂不是最佳。 1.2 适用场景 对于小型表格数据集，希望能够快速获得高质量的分类结果。 不希望投入太多时间在参数调优上，需要一个即插即用的分类器。 2 原理 TabPFN 通过元学习（Meta-Learning）预训练一个 Transformer，让其学习各种合成数据的模式，从而可以在新数据集上实现零训练和极速推理。对于小型表格数据分类任务，它是一个开箱即用且无需调参的强力工具。 3 阶段 预训练阶段（Offline Lear ...