ginobefun

统计数据

248

文章

0

粉丝

0

获赞

2953

阅读

7个月前

真正的高手，不是那个能解决所有问题的人，而是那个知道哪些问题值得被解决的人。这是关于资源如何精准投放的大学问，别把时间浪费在即将消失的问题上。

#高手 #问题解决 #资源投放 #大学问 #时间管理

7个月前

感觉自己像颗快被拧坏的螺丝，疲惫、迷茫，甚至有点暴躁？这往往是内心在呼唤：嘿，我们该换个活法，找回真正的自己了。心理咨询师陈海贤老师说，这种感觉，往往是因为我们“丢失了旧的自己”。别急，这里有10个心法，帮你重塑一个更自在、更有力量的新自我。 1. 讨厌的人？让他从你的世界“缩水”。工作中遇到让你“如上坟”般难受的同事或伙伴？别让他定义你的心情和选择。你讨厌他，这感受很真实，接纳它。但如果为了他，你连热爱的工作、晋升的机会都想放弃，那他岂不是“太重要”了？真正的“报复”，是让他变得无足轻重。你的舞台，你的精彩，远比他重要。他，不配占据你人生的C位。 2. 内心的苛责声太响？去“暖气片”旁边待着总觉得自己不够好，像有个声音在脑子里不停挑错？这多半是过往某个“权威”（如严厉的父母、老师）的声音内化了。那时你小，不得不听。现在你长大了，可以选择。怎么选？去找那些欣赏你、宽容你的人——你的“暖气片”。在他们温暖的目光里，你会慢慢学会宽容自己，让心里的冰碴子融化。 3. “躺平”还是“内卷”？别让选择题定义你的人生想休息又怕落后，想努力又觉疲惫，于是卡在中间，反复拉扯？我们都贪心，都“既要又要”。破局点在于：别把对一件事的态度（比如“我要躺平”或“我要奋斗”）上升到整个人生态度。享受闲暇时就全身心投入，工作学习时也全力以赴。人生是动态平衡，不是单选题。 4. 自卑感挥之不去？切换到“我们”频道老觉得自己不如人，像活在排行榜里，赢了短暂得意，输了就自卑？这是“排序思维”在作祟。试试切换到“联结思维”：把身边的人看作森林里的树，各有姿态，共同成长，相互支持。你不是孤军奋战的斗士，而是伟大生态系统里不可或缺的一员。为他人的优秀鼓掌，因为我们是“我们”。 5. 害怕犯错？“错”只是个路标，不是判决书怕自己做不好，怕别人做不好，心里总悬着一块石头？这种恐惧，往往源于对“对错”的执念。如果事情搞砸了，不代表“你不行”，只代表“这里有经验值得吸取”或“有人受伤了，需要安抚和解决”。把“错误”看作导航中的“前方转弯”提示，而不是“你已失败”的终点。 6. 内向是弱点？不，它是“深度思考”的静音模式。不爱说话，不擅交际，就觉得自己格格不入？内向的人，往往因为说得少，所以想得多。一旦开口，话语可能更有分量。如果你想和陌生人交流，不妨真诚点：“我有点内向，不太会聊天，但我很想认识你。”这份笨拙的真诚，有时比油滑的客套更能打开心扉。 7. 愤怒时想“爆炸”？先看看“炸”的目标是什么压力大到想对全世界发飙？其实，愤怒本身不是坏东西，它说明你还有反抗的能量，你的边界受到了侵犯。关键在于，发脾气是“方式”，不是“目的”。问问自己：我发火，到底想得到什么？保护自己？表达不满？还有没有更好的方式能达到这个目的？ 8. 与父母的关系剪不断理还乱？立好“篱笆”，才能种好“花园”。一边觉得亏欠父母，一边又对他们满腹抱怨？试试两件事：首先，和父母之间要有清晰的“边界”。这道“篱笆”既保护你，也保护他们。有关爱和安慰，而不是无尽的纠缠和怨恨。其次，如果原生家庭没给够你想要的爱，那就学着“重新养育”自己，给自己那份缺失的爱。 9. 总为别人操碎了心？试着“演砸”一次。是不是觉得自己像个超人，照顾着所有人（父母、伴侣、孩子），他们反而乐得清闲？你的能干值得点赞，但也可能正是你的“无所不能”，让他们变得“无能”。试着“放手”，允许自己“手忙脚乱”一下，别把所有事都扛起来。当你不再是大包大揽的“家长”，他们才有机会长大，成为真正的“伙伴”。 10. 失去旧我，才能“孵化”新我。那些痛苦的经历、迷茫的情绪，让你感觉失去了自我？恭喜，这正是转变的开始。重要的东西，往往在失去中孕育。旧模式像一个“壳”，破壳而出虽然痛苦，却是成长的必须。你心中的那些“为什么”、“怎么办”，就是引领你探索的北极星。保留旧自我里最珍贵的核心（那是种子），用它去培育一个更真实、更强大的新自我。希望这10个“心法”能像一缕清风，吹散你心头的一些迷雾。找回自己，不是回到过去，而是勇敢地走向一个更整合、更自由的未来。记住，你远比你想象的更有力量。端午安康，愿你享受假期，更享受成为自己的旅程。

7个月前

愤怒是边界被侵犯的信号，恐惧是对冲突的排斥，自卑是排序思维的产物。每种负面情绪都有其正面信息，关键是学会翻译。

#情绪管理 #心理健康 #情绪翻译

7个月前

#BestBlogs 超越 GoF：现代 AI 系统实用设计模式 | InfoQ 中文文章探讨了超越 GoF 的现代 AI 系统实用设计模式，涵盖提示、责任、UX、Ops 和优化等方面。摘要：文章指出，现代 AI 系统面临传统软件和机器学习模式无法完全解决的新挑战，因此需要专门的设计模式。作者将新兴模式分为五类：提示和上下文模式（如少样本、角色、CoT、RAG），用于引导模型输出；负责任的 AI 模式（如输出防护栏、模型批评者），确保输出安全可靠；用户体验模式（如上下文引导、可编辑输出、迭代探索），提升 AI 应用易用性；AI-Ops 模式（如指标驱动、版本控制），管理大规模 AI 系统的部署和运营；以及优化模式（如提示缓存、动态批处理、智能模型路由），提高效率和降低成本。文章强调这些模式帮助标准化解决方案，提高开发效率和系统可维护性，并简要提及了微调、多代理等高级主题。主要内容: 1. 现代 AI 系统需要区别于传统软件和 ML 的专门设计模式 -- AI 系统的行为受指令和上下文严重影响，带来新的挑战，需要标准化模式来解决已知问题，提高开发效率和维护性。 2. 有效的提示与上下文模式是引导 AI 输出的基础 -- 通过少样本、角色、思维链和 RAG 等模式，可以提高模型的推理、准确性、一致性，并减少幻觉。 3. 负责任的 AI 和用户体验模式是构建可信赖 AI 应用的关键 -- 输出防护栏、模型批评者确保内容安全道德；上下文引导、可编辑输出、迭代探索提升用户互动和满意度。 4. AI 系统的生产运营需要专用的 AI-Ops 和优化模式 -- 指标驱动的监控、提示 - 模型 - 配置版本控制、提示缓存、动态批处理和智能模型路由是管理大规模 AI 系统效率和成本的关键。文章链接：

#AI设计模式 #现代AI #GoF #机器学习挑战 #提示上下文 #责任UX #Ops优化

7个月前

React 可视化解析：核心概念的视觉探索

#React #可视化 #解析 #核心概念 #视觉探索

7个月前

想象一下，过不了几年，AI 智能体就像今天的 App 一样，无处不在。但别急着把它们看作手机里那些 App 的升级版，那样就太小瞧它们了。大多数人眼里的 AI 智能体，可能还是个更聪明的工具，帮你订餐、规划行程，最多是个得力助手。但特赞创始人范凌博士和他的，给我们描绘了一个更激动人心的画面：AI 不再仅仅是听话的工具，它正在变成能模拟真人的“数字演员”。那么，Atypica 和我们通常理解的 AI 智能体，最大的不同是什么？打个比方： - 传统 AI 智能体像个超级员工或“万能遥控器”。你给它指令，它帮你完成任务、搜索信息、写代码，或者把不同工具串联起来提高效率。它的核心是做事和回答问题。就像一个聪明的助手，你问它“今天天气怎么样？”，它给你答案。 - Atypica 更像一群“虚拟用户”或“数字焦点小组”。它不直接给你答案，而是用 AI 扮演出各种典型的用户。比如，你想知道年轻人为什么喜欢某个新潮饮料，会生成几个符合特征的虚拟年轻人，然后让另一个AI 专家去采访这些虚拟年轻人，问它们：“你为什么喜欢这个饮料？口感？包装？还是别的？” 通过这种方式，你能高效、低成本地听到大量“用户”的声音。核心区别在于： 1、焦点不同传统 AI 聚焦于解决问题、执行任务、提供信息（更像一个收敛的过程，找到答案）。 Atypica 聚焦于模拟人类、理解主观世界、洞察需求（更像一个发散的过程，探索可能性）。它要为主观世界建模。 2、角色不同传统 AI 通常是回答者、执行者。 Atypica 可以是提问者（AI扮演专家）、被访谈者（AI扮演用户）。它让 AI 反过来向我们提问，或者模拟用户间的讨论。 3、价值不同传统 AI 主要价值在于效率提升、自动化。 Atypica 主要价值在于商业洞察、创意激发、共情理解。它甚至欢迎 AI 的幻觉，因为那些意想不到的观点，可能正是打破思维定式的金钥匙，特别适合需要多元视角的商业决策或民意调查。简单说，如果把传统 AI 比作给你鱼或者教你捕鱼的工具，那 Atypica 就是帮你创造了一个模拟的鱼塘，让你能观察和理解各种鱼（用户）的行为和偏好。它不再局限于工具层面，而是试图成为一面洞察人性和社会的镜子。这种转变，就像我们以前用望远镜观察星辰（获取信息），现在我们开始创造一个个微缩宇宙（模拟系统）来理解宇宙的法则。正是想用 AI 来构建人类主观世界的微缩宇宙，让我们更懂消费者，甚至更懂我们自己。

#人工智能 #AI智能体 #数字演员 #未来科技

7个月前

Plate.js 是为 React 开发者设计的富文本编辑器框架，核心理念是插件驱动、组合性和无头架构，原生支持 AI 编辑能力（如内容生成、文本优化、结构生成）以及对 MCP 协议的支持，使 AI 工具能更好地理解编辑器项目上下文。

#Plate.js #React #富文本编辑器 #插件驱动 #无头架构 #AI编辑 #MCP协议

7个月前

12-Factor Agents - 构建可靠 LLM 应用的原则 "12-Factor Agents" 项目借鉴了经典的 "12 Factor Apps" 理念，为构建生产级别的、基于大型语言模型的应用程序提供了一套清晰、实用的工程原则。作者 Dex 通过自身丰富的实践经验，指出当前许多 AI 代理框架虽然功能强大，但在追求高可靠性、可维护性和可扩展性的生产环境中，开发者往往需要回归到更基础的软件工程实践。该项目认为，许多成功的智能体应用，其核心并非完全不可控的自主决策循环，而是精心设计的、以确定性代码为主导，并在关键环节巧妙嵌入 LLM 能力的软件系统。因此，它提出了12个核心要素，旨在帮助开发者： - 增强控制力：例如“拥有你的提示”、“拥有你的上下文窗口”、“拥有你的控制流”。 - 提升工程质量：例如“工具即结构化输出”、“小型、专注的代理”、“通过简单的 API 启动/暂停/恢复”。 - 确保系统稳健性：例如“将错误压缩到上下文窗口”、“统一执行状态和业务状态”。 - 实现人机有效协同：例如“通过工具调用联系人类”。其根本目标是让开发者，即使没有深厚的 AI 研究背景，也能将 LLM 的强大能力以模块化、可控的方式整合进现有产品，从而更快地交付高质量、能真正服务于生产客户的 AI 软件。

#12-Factor #LLM #大型语言模型 #AI代理 #生产级应用 #工程原则

7个月前

利用 AI 提取了播客中一些闪光的洞见，分享给大家 🔽 ------------------------------------------------------ 纷繁的世事中，关于金钱、欲望与幸福的迷思，常常困扰着我们。以下是从播客中淬炼出的几颗思想宝石，它们或许能帮助我们重新审视内心，找到更澄澈的生活之道：一、“足够”的边界，由内心而非外界定义查尔斯·费尼（Charles Francis Feeney）在拥有巨额财富后，主动定义了自己的“足够”，匿名捐出 80 亿美元，找到了内心的自由与平静。与之对比，阿道夫·默克尔（Adolf Merckle）在损失部分财富后，尽管仍拥有 80 亿美元，却因无法摆脱“还想要更多”的执念而走向绝望。也许真正的“足够”并非一个客观的数字，而是一种主观的认知状态。当“足够”由不断膨胀的欲望和外界比较来定义时，人会陷入无止境的追逐；当它由内心的需求和价值审视来定义时，则成为通往自由与平静的基石。二、欲望的“被制造”与幸福感的“伊斯特林悖论” 现代消费社会不仅制造商品，更擅长制造“渴望商品的心”。我们购买的往往不只是物品的使用价值，更是其承载的符号与身份认同。经济学家伊斯特林发现，虽然在同一时间点上富裕与幸福感正相关，但长期来看，国民生产总值的持续增长并未带来幸福感的同等提升，甚至可能下降，其原因在于“社会比较”和“享乐适应”。我们许多“想要”并非源于真实需求，而是社会系统精心构建的结果。幸福感并非简单与物质拥有量成正比，它更深受社会比较和自身适应性的影响。警惕被制造的欲望，理解幸福的相对性，有助于我们从消费主义的符号游戏中解脱出来。三、“雄心”与“贪婪”的一线之隔追求目标的过程中，存在一条微妙的分界线。在此之前，我们由“雄心”（Ambition）驱动——好奇、热爱、自我成长、内在驱动；越过此线，则由“贪婪”（Greed）主宰——外部评价、攀比心、占有欲、排名。区分驱动我们行动的根本动力至关重要。以雄心为燃料，我们能享受过程，获得内在满足；被贪婪裹挟，则容易陷入焦虑与迷失。无论是个人还是企业，在追求“更多”的路上，都应时常审视自己是否跨越了这条界限，Enough 在哪里？四、注意力是我们最宝贵的隐形财富 “如果你总是需要查看点什么，那就算不上真正的富有。（If you are constantly checking something, you are not rich.）。” 真正的富足并非仅指物质财富，更关乎内心的自由与平静，以及对注意力的自主掌控。无论是频繁查看股价、社交媒体点赞数，还是其他即时反馈，本质上都是在用外部信息确认安全感。我们最稀缺的资源是注意力。将其从对外部评价的依赖和即时反馈的焦虑中解放出来，投入到真正珍视的事情、内在的成长与创造上，才能获得更深层次的富足感。五、真正的美好，从不刻意寻求关注 (Beautiful things don't ask for attention) 查克·费尼匿名捐赠 14 年不为人知，以及电影《白日梦想家》中摄影师肖恩对待雪豹的态度，都体现了这一智慧。源于内心的富足与美好，无需外界的聚光灯来证明其价值。当行动的出发点是纯粹的热爱与内在的指引，而非为了获取他人的赞赏或艳羡时，我们便接近了真正的自由。

#播客 #金钱 #欲望 #幸福 #思想 #生活之道 #足够

7个月前

根据 OpenDigger 的数据显示，人工智能已经于 2023 年超越云原生，成为影响力最大的技术领域。

#人工智能 #云原生 #技术影响力 #2023年科技趋势 #OpenDigger数据

7个月前

无人知晓又更新了，开听~ BestBlogs 帮你速览博客内容 🔽

#无人知晓 #BestBlogs #博客更新

7个月前

什么时候会出现 $1000 刀以上的编程智能体？

#编程智能体 #人工智能发展 #技术趋势 #未来预测

7个月前

#BestBlogs Agent Infra 图谱：哪些组件值得为 Agent 重做一遍？ | 海外独角兽深度分析 Agent Infra 四大核心赛道，探讨创业与云厂商机会。摘要：本文从投资视角出发，对新兴的 Agent Infra（Agent 基础设施）领域进行了全面的图谱分析，将其划分为 Environment、Context、Tools 和 Agent Security 四大核心赛道。详细阐述了每个赛道的价值、关键技术（如 Sandbox、Browser Infra、RAG、MCP、Memory、Search、Payment、Backend Workflow）以及值得关注的初创公司。文章探讨了创业公司在 Agent Infra 领域的两大机会：在现有 Infra 中寻找 AI-native 需求，以及抓住 Agent 开发的新痛点。同时，附录总结了主要云厂商（AWS， Azure， GCP）在这些领域的布局，指出当前云厂商的产品多源自传统 Infra，Agent-native 产品相对缺乏。整体为技术从业者和投资者提供了 Agent Infra 领域的全景视图和潜在方向。主要内容: 1. Agent Infra 是 Agent 落地的关键，涵盖开发到部署全生命周期。 -- Agent Infra 是 Agent 从概念走向实际应用不可或缺的支撑体系，提供 Agent 执行任务所需的计算环境、信息、工具和安全保障。 2. Environment 和 Context 是 Agent Infra 的核心赛道。 -- Environment 为 Agent 提供运行容器（Agent-native computer），Context 为 Agent 提供记忆和知识，是 Agent 有效规划和行动的基础。 3. Tools 层正快速扩展，搜索和金融工具尤为值得关注。 -- Agent 需调用各类工具完成任务，特别是搜索和支付，Agent 经济出现新商业模式，需要专属支付工具和交易网络。 4. Agent Security 机会需待 Agent 生态成熟后涌现。 -- Agent 安全需从静态权限转为动态意图分析，但 AI-native 安全 Infra 是需求驱动，尚处早期，老牌安全厂商主导。 5. 创业公司机会在于寻找 AI-native 需求和抓住新痛点。 -- 创业公司可在现有 Infra 中寻找 Agent 特有的高性能需求，或开发易用性高、降低开发门槛的新 Infra 产品。文章链接：

#Agent Infra #投资 #云计算 #基础设施 #创业

7个月前

“一秒变小白”是产品设计中的角色快速切换能力，剥离专家茧房，回归用户本真。这种能力的实质，是警惕“知识的诅咒”，确保产品价值判断不被内行偏见所侵蚀，考验的是极致的用户同理心与对复杂性的降维本能。

#产品设计 #角色快速切换 #用户同理心 #知识的诅咒 #专家茧房

7个月前

#BestBlogs 一文带你 "看见" MCP 的过程，彻底理解 MCP 的概念 | 阿里云开发者深度解析 AI 上下文协议（MCP），对比 RAG 与 Function Calling，并通过实践演示理解其工作流程。摘要：文章详细介绍了模型上下文协议（MCP），一个旨在标准化 AI 助手与外部系统连接的开放标准。作者首先回顾了 RAG 和 Function Calling 等相关概念，阐述了它们与 MCP 的联系和区别。接着，文章深入讲解了 MCP 的核心组件（主机、客户端、服务器）及客户端-服务器架构，并对比分析了 MCP 相较于传统 API 在动态适应性方面的优势。随后，文章通过 ModelScope 的 MCP 市场和 Cherry Studio 客户端，一步步演示了 MCP 的实际配置和调用过程，通过开发者模式让读者“看见”并理解模型选择工具并请求服务器的数据交互流程。最后，文章总结了 RAG、Function Calling 和 MCP 在借助外部工具增强大模型能力上的共同本质。主要内容: 1. MCP 是连接 AI 助手与外部数据/工具的开放标准 -- 模型上下文协议（MCP）由 Anthropic 开源，旨在为 AI 模型访问内容、工具提供标准化的“USB-C”式接口，提升 AI 应用的互操作性。 2. MCP 采用客户端-服务器架构，组件包括主机、客户端、服务器 -- 主机提供 AI 交互环境，客户端运行于主机内与 MCP 服务器通信，服务器暴露工具、资源、提示等功能，实现结构化互动。 3. MCP 通过动态能力描述克服传统 API 硬编码问题 -- 客户端能查询服务器当前功能并动态适应，无需硬编码参数变更，提高了 AI 应用与外部系统集成的灵活性和稳定性。 4. RAG、Function Calling、MCP 本质都是增强大模型外部能力 -- 这几种技术殊途同归，都是为了让大模型能够获取外部信息或使用外部工具，以完成更复杂、更准确的任务。 5. 通过开发者工具可“看见”MCP 调用的实际过程 -- 文章通过工具演示，展示了 AI 应用选择 MCP 工具、发送请求、接收结果，并最终由大模型生成回复的完整流程，增强体感理解。文章链接：

#AI #MCP #RAG #FunctionCalling #阿里云 #开发者 #技术

7个月前

原型是思想的“即时编译器”，极大压缩了从概念到共识的沟通路径。

#思想 #即时编译器 #概念 #共识 #沟通路径

7个月前

AI 加速了执行，却放大了协同的滞后。

#AI加速执行 #协同滞后

7个月前

Claude 4 的 200k 上下文窗口和 64k/32k 的输出限制，究竟是技术瓶颈，还是产品策略？隔壁 Gemini 都快把地球仪塞进去了，Claude 还在为这 200k 抠抠搜搜。

#Claude 4 #200k 上下文窗口 #技术瓶颈 #产品策略 #Gemini

7个月前

#BestBlogs 淘宝 Java 工程师的 LLM 开发实践 | 大淘宝技术从 Java 工程师视角出发，详细介绍如何使用 Spring AI 框架进行 LLM 应用开发，包括对话、Function Calling 和 RAG 实践。摘要：本文为 Java 工程师提供了 LLM 应用开发的实战指南。首先分析了当前 LLM 的局限性，强调了应用开发的重要性。接着介绍了面向 Java 的 LLM 开发框架 Spring AI，并与主流的 Python LangChain 进行对比。文章核心内容详细阐述了三大应用场景的实现：一是对话聊天，讲解了角色、Prompt 和 Memory 概念与实现；二是联网搜索等通过 Function Calling 调用第三方 API；三是利用 RAG 技术构建个人知识库，深入解析了 RAG 原理、Embedding 和向量数据库，并提供了完整的数据构建与检索生成流程。文章结合具体代码示例，为 Java 开发者高效应用 LLM 提供了可操作的路径。主要内容: 1. LLM 应用开发对 Java 工程师提升效率至关重要 -- 相较于模型训练理论，掌握 LLM 应用开发更能帮助 Java 工程师在实际工作中利用 AI 技术提升效率和生活品质。 2. Spring AI 为 Java 开发者提供了高效的 LLM 开发框架 -- Spring AI 借鉴 LangChain 思路，使 Java 工程师无需学习新的语言，即可快速融入现有体系进行 LLM 应用开发。 3. Function Calling enables LLMs to interact with external APIs -- 利用 Function Calling 能力，LLM 可根据用户指令自动调用外部服务（如联网搜索），获取实时或特定数据，弥补自身知识盲区。 4. RAG 技术是构建个人知识库、解决 LLM 局限的关键 -- RAG 通过检索外部数据增强 LLM 生成能力，有效解决模型知识滞后、覆盖有限和产生幻觉等问题，提高生成内容的准确性和相关性。 5. Embedding 和向量数据库是 RAG 技术的基础设施 -- Embedding 将非结构化数据转化为向量，向量数据库高效存储和检索这些向量，是实现 RAG 检索增强功能的关键支撑技术。文章链接：

#JAVA #LLM #Spring AI #Function Calling #RAG #淘宝 #技术

7个月前

AI 的发展正驱动核心竞争力发生根本性转变：从执行实现转向意图指导。过去（以“How”为核心）：竞争力主要体现在技术实现能力，即掌握“如何做”——例如精通算法设计、高效编程和系统配置。现在（以“What”与“How Well”为核心）：竞争力转向把握“要做什么”并判断“做得好不好”。这就要求： 1、精准定义意图与目标：能够洞察问题本质，清晰阐述需求与目标，并向 AI 准确有效地传达指令，以确保高质量输出。 2、严谨评估 AI 成果：具备辨别 AI 生成内容的质量、准确性、适用性及伦理合规性的能力，并能进行有效的反馈与迭代优化。 3、创新整合 AI 价值：懂得如何将 AI 能力整合进现有流程，或基于 AI 创造新价值与应用场景。在此过程中，深厚的领域知识是关键壁垒，而持续迭代成为工作常态。

#AI #核心竞争力 #意图指导 #技术实现 #算法设计 #编程 #系统配置 #精准定义 #目标 #需求

7个月前

在人生的十字路口，我们常常感到迷茫，不知何去何从。Y Combinator 联合创始人 Jessica Livingston 最近在她母校毕业典礼演讲分享，在职业乃至人生的探索中，最有效的导航系统并非预设的轨道，而是那些能激发你、与你产生共鸣的“人”。

#人生选择 #职业探索 #Y Combinator #Jessica Livingston #毕业典礼演讲

7个月前

Defuddle ( ) 是一个开源的 JavaScript 库，用于提取网页的主要内容和元数据。它可以移除评论、侧边栏、页眉、页脚等无关元素，仅保留正文，并以干净的 HTML 或 Markdown 格式输出。其主要特性包括： - 更宽松的提取策略：与 Mozilla 的 Readability.js 相比，它倾向于保留更多可能有效的信息，避免过度删除。 - 一致的输出格式：能够以标准化的格式输出内容，包括脚注、数学公式、代码块等。 - 丰富的元数据：可以提取包括数据在内的更多元数据。 - 利用移动端样式：通过分析页面的移动版样式来辅助判断哪些元素是不必要的。 - 多样化的使用方式：可以在浏览器环境和 Node.js 环境中使用。它也是 Obsidian Web Clipper 的一部分，并且可以作为书签工具 (bookmarklet) 使用。

#Defuddle #开源库 #JavaScript #网页提取 #元数据 #信息提取 #Readability.js #技术工具

11个月前

新的博客文章：告别生硬翻译腔：构建 AI 驱动的多轮评审润色流程在深入学习和阅读智能体（Agent）相关的英文技术文章时，我发现传统的翻译软件和方法往往难以将这些文章准确、流畅地转换成地道的中文。逐字逐句的直译不仅导致"翻译腔"严重，还会使句子结构生硬，专业术语处理不当，这让读者理解起来非常吃力。为了解决这个问题，我开始探索各种 AI 工具，并借鉴了分段翻译再合并、反思改进、使用"改写"而非"翻译"等技巧，不断优化翻译流程。经过多次实验，我最终基于 Dify 平台构建了一个 AI 驱动的多轮评审润色 Workflow，成功实现了将英文技术文章（涵盖 AI、编程、产品、商业等领域，尤其是智能体相关内容）高质量地改写为中文的目标。这个 Workflow 不仅能准确传达原文信息，还能使改写后的文章语言流畅自然，完全符合中文表达习惯和技术领域的专业规范。更重要的是，它能同时兼顾技术人员和普通读者的阅读体验，让不同背景的读者都能轻松理解文章内容。本文将详细分享我的实践经验，包括 Workflow 的整体设计、Prompt Engineering 的技巧、模型选择以及后续的排版和发布流程。希望我的经验能帮助大家更好地利用 AI 提升内容创作的效率和质量，也希望能为那些和我一样在阅读英文技术资料时遇到困难的读者提供一些帮助。最终的目标是，通过这个流程，我可以高效地产出和分享高质量的中文技术博客，与更多人一起学习和交流。

#AI驱动 #多轮评审 #润色流程 #翻译软件 #智能体 #分段翻译