Software 2.0 (Page 4)

APPLICATION

MCP驱动的Github PR审查系统

在这篇指南中，我将引导你构建一个强大的PR审查系统，该系统使用MCP协议将Claude与GitHub和Notion连接起来，创建一个自动化的流程，从而改变你的开发过程。

MODEL-ZOO

DeepSeek V3–0324

DeepSeek 回归并发布了 DeepSeek V3–0324，早期的Reddit和社交媒体评论称它是一个令人兴奋的模型，该模型的上下文长度大幅增加，并且在编码和数学任务上的表现看起来非常出色。

APPLICATION

用Scikit-learn文档构建RAG

你可能会认为这只是另一篇关于如何“简单”构建检索增强生成（RAG）系统的博客文章。希望不是这样：我们在这里提供了一个不同的视角，特别关注用户面临的问题，而不是仅仅聚焦于其他博客文章中已经讨论的技术和工程组件。

APPLICATION

使用AI友好的文档优化LLM响应

你是否曾经在大型语言模型完全误解你的编码问题时感到沮丧？我们都有过这样的经历。事实是，LLMs就像我们的开发同事一样——它们的帮助质量很大程度上取决于我们提供的上下文。

AI

AI：模型即产品

过去几年里，关于下一波人工智能发展的方向有很多猜测：是代理？推理器？还是真正的多模态？我认为现在可以明确地说：模型就是产品。

MODEL-ZOO

GPT-4o：将照片ghibli风格化

Open AI发布了他们的GPT-4o模型图像生成功能。图像生成非常出色，该模型可以完美地将照片转换为吉卜力动画风格。这在X.com上引起了广泛关注。

APPLICATION

AI带来的思维转变

在之前的一篇文章中，我曾提到过，“数据科学并没有死亡，但它确实发生了变化”。现在我认为，反思一下作为数据科学家的工作方式是如何改变的，已经迫在眉睫了。

APPLICATION

用AI分析家庭视频

我想给家庭视频添加标签，以便更方便地搜索。当时没有一个很好的模型可以从视频中生成描述性文本，所以我搭建了一个LLM管道，将图像作为输入来生成视频的摘要。我希望使用完全本地化的解决方案，这样就不需要将个人视频发送到云提供商，并且因为视频通常比较大，而且不是总能获得高带宽互联网连接。这就是我最终搭建的内容——https://github.com/byjlw/video-analyzer/ 它的工作原理是使用whisper转录音频，使用OpenCV选择有趣的/不同的帧，然后使用LLM描述每个帧中的信息。最后，它将所有帧的描述输入以总结整个视频。有关设计和工作原理的更多详细信息，请参阅存储库中的DESIGN.md 1、要求要使用它，你需要： Python 3.10–3.12FFMPEG - 安装说明在底部如果你希望完全在本地运行，还需要安装Ollama。如果你的电脑不够强大，无法在本地运行LLM，你可以使用OpenAI的API，openrouter.ai或几乎任何主要的LLM服务。我倾向于使用openrouter，因为它是一个一站式服务，涵盖了几乎所有模型。 2、分析视频要开始，请打开计算机上的终端我喜欢在使用Python时使用虚拟环境以避免包冲突在Mac或Linux上输入： python -m

APPLICATION

游戏开发中的AI：你听错了！

《公民睡眠者》并不是由某个拥有数百万美元资金的热门工作室制作的。一个人创造了它。艺术家兼作家加雷斯·达米安·马丁在没有编程技能的情况下制作了这部杰作。

TOOL

挖掘Cursor潜力的5个经验

在过去两周里，我的Cursor之旅可以说是变革性的。从为期三天的快速冲刺开始，很快揭示了一个残酷的事实：速度没有结构会导致不安全且混乱的代码。

TOOL

Docker：拥抱本地大模型

Docker 宣布了对本地大型语言模型（LLM）的原生支持，将 AI 能力直接引入数百万开发人员已经使用的熟悉容器生态系统中。

AI

风暴中的人工智能

一年前，AI还只是个好奇；现在，它是一场五级飓风，撕开了商业、政治和现实本身的屋顶。

PROMPT ENGINEERING

提示技巧：错误开始，正确结束

通过让AI先犯错再修正，可以提高其推理能力。因为它给我们提供了两个对比明显的输出：一个显然是错误的答案，另一个是明智的纠正。

APPLICATION

过滤LLM查询请求

无论你的LLM应用设计用来做什么，用户总会尝试让它为他们写作业。在本文中，我们将探讨一种务实的方法，在用户查询到达你的大型语言模型（LLMs）之前对其进行过滤。

APPLICATION

模型上下文协议开发者指南

通过提供这种标准化框架，MCP旨在培育一个协作生态系统，使开发人员能够构建和共享连接器，从而加速更智能、更集成的AI应用程序的开发。

APPLICATION

AI代理开发：拒绝框架

通过放弃框架并依赖直接API，你可以完全掌控你的AI代理。你可以优化性能，根据需求定制系统，必要时轻松调试，并确切了解每个部分是如何工作的。

APPLICATION

用RAG实现语义路由

本文深入探讨如何通过集成向量数据库增强我们系统的语义路由能力。我们将探索架构、实现细节和优势，重点介绍这种方法如何提升LLM处理复杂和多样化任务的能力。

TOOL

Ollama Deep Research

Ollama Deep Research是一款开源、本地化的替代方案，本指南将探讨它是什么、如何工作以及为什么它优于OpenAI 和Google 的深度研究产品。

APPLICATION

LangChain MCP 适配器

LangChain框架已成为将语言模型链集成到现实世界应用中的强大解决方案。其突出特性之一是MCP适配器，它提供了一种标准化的方式来向我们的链执行中注入自定义逻辑。

APPLICATION

破解氛围编程的密码

如果你像我这样的老派程序员，你可能会对氛围编程这个想法笑一笑，尤其是当你想到传统上构建优秀产品的艰辛时。这就像一个笑话，突然变得如此简单。

AGENT

Manus的选择：MCP vs. CodeAct

Manus在2025年初引起了广泛关注。乍一看，它像是一个典型的多代理系统——但它的背后还有更多值得关注的地方。

MODEL-ZOO

Reve Image 1.0神秘的文生图模型

来自halfmoon公司的一款名为 REVE Image 1.0 的新文本到图像模型是一款由一小群充满热情的研究人员、构建者、设计师和讲故事的人打造的创意工具初创公司。自昨天发布以来，它一直在图像基准列表中名列前茅。

AI

为什么MCP赢了

从 Anthropic 极其成功的Model Context Protocol（MCP）发布会和研讨会中学习的经验和教训。

APPLICATION

MCP-First：AI应用开发新范式

在快速发展的软件开发领域，一种新的范式正在悄然兴起：MCP-First 开发。这种方法通过优先创建一个模型上下文协议（MCP）服务器，颠覆了传统的开发方式。这种转变改变了开发者构建应用程序的方式，并赋予了前所未有的 AI 集成能力。

MODEL-ZOO

RF-DETR模型微调指南

RF-DETR于2025年3月19日发布，是由Roboflow开发的一种基于Transformer的物体检测模型架构。 RF-DETR在COCO和新推出的RF100-VL数据集上实现了最先进的性能，超越了LW-DETR和YOLOv11等模型。RF100-VL是一个基准测试，旨在验证检测能力模型在各种领域的泛化能力。通过将分辨率扩展到728，RF-DETR在NVIDIA T4 GPU上达到了60.5 mAP，速度为25 FPS，成为第一个在Microsoft COCO基准测试中突破60mAP障碍的实时模型。该模型在NVIDIA T4上也达到了25 FPS。 RF-DETR按照Apache 2.0许可证授权，允许免费商业使用。 RF-DETR在RF100-VL上的评估表现RF-DETR在Microsoft COCO上的评估表现在这篇指南中，我们将介绍如何在自定义数据集上训练一个RF-DETR模型。我们将以识别麻将牌为例进行训练，这是一个涉及多个不同类别的任务。以下是我们将要训练的模型的结果示例（右侧），以及真实标签（左侧）：我们的模型结果几乎与真实标签一致，这是对RF-DETR预测质量的一个证明。不多说了，让我们开始吧！ 💡你可以使用我们的Colab训练笔记本跟随本指南。我们建议使用A100进行训练。 1、准备数据集首先，我们需要准备一个数据集。在这个指南中，我们将使用一个麻将牌识别数据集，这是RF100-VL基准测试中的一个数据集之一。该数据集包含超过2000张麻将牌图像，并且是根据Apache 2.0许可证授权的。你可以在Roboflow Universe上的麻将牌页面下载数据集。