Tagged

LIBRARY

A collection of 86 posts

LIBRARY

AI开发必备的3个DSPy技巧

虽然 DSPy 和 AI 编程仍在不断发展，但找到清晰、可用于生产的指导可能很困难。

LIBRARY

DDP：分布式数据并行

在本文中，我将解释我对 DDP 的理解、它相对于数据并行 (DP) 的优势、它的内部工作原理以及使用 ToyModel 的实际实现示例。

LIBRARY

3个最有效的表格提取SDK

在本文中，我们将研究用于表格数据提取的各种工具和技术，并将指导你完成有效实施这些解决方案所需的 Python 代码。

LIBRARY

ExtractThinker+Gemini 2.0

本文探讨 Google 的 Gemini 2.0 模型如何与 ExtractThinker结合使用，从而增强智能文档处理 (IDP)

LIBRARY

MarkItDown深入研究

MarkItDown 是 Microsoft 开发的 Python 包，旨在将各种文件格式转换为 Markdown。

LIBRARY

Stagehand：Web自动化AI框架

Stagehand 是 Playwright 的 AI 继任者，提供三个简单的 API（act、extract 和 observer），为自然语言驱动的 Web 自动化提供构建模块。

LIBRARY

17个最好的文本转语音API

文本转语音（TTS），也称为语音合成，可用于各种应用，包括个人助理、导航系统、电子学习平台以及视障人士或阅读困难人士的辅助工具。本文介绍开发者最常用的17个语音合成API。

LIBRARY

Hume AI情绪测量API

在这篇博文中，我们将探讨如何使用 Hume AI 库根据情绪分数检测攻击性内容。

LIBRARY

8个最常用的口型同步API

口型同步视频 API 利用自动同步，其中涉及依赖 AI 工具来分析音轨并生成匹配的口型动作的软件。

LIBRARY

MegaParse多模态文档解析库

MegaParse 是一款功能强大且用途广泛的解析器，可以轻松提取PDF、PPT、Excel、CSV、Word 等各种类型文档的内容。

LIBRARY

PydanticAI支持验证的代理框架

PydanticAI是Pydantic作者推出的多代理开发框架，它利用Pydantic 验证静态和流式响应，确保可靠的数据处理，与 OpenAI、Gemini 和 Groq 模型兼容。

LIBRARY

14个最热门的文生图API平台

本文将介绍 14 个利用 AI 和 LLM 的最佳文本转图像 API。这些工具是尖端的，提供最新的文本转图像和各种其他输入和输出格式，并有望在极短的时间内加速你的产品！

LIBRARY

Apryse文档提取JS开发包

Apryse 是一款用于文档管理的一体化原生工具包，它提供了用于 Web、移动、客户端和服务器使用的库，涵盖 PDF 查看、注释、编辑、创建、生成，以及与我的需求最相关的：通过其服务器 SDK 提取数据，以 JSON、XML 甚至 XLSX 格式提供数据。

LIBRARY

5个最佳多代理AI开发框架

本文探讨了用于构建和向应用程序添加 AI 代理的前五大平台。我们将探讨这些框架的主要功能和优势，并演示使用其中一些构建代理的代码示例。

LIBRARY

ParseStudio：统一的文档提取API

ParseStudio提供了一个统一的界面，支持多个解析后端，使文档解析一致、初学者友好且高效。无论你是处理 PDF、提取文本和图像还是分析表格，它都能确保你专注于目标，而不是工具。

LIBRARY

Chrome内置AI的扩展开发实验

本文介绍如何构建一个基于 Chrome 内置AI的扩展程序，它使用 Summarization API 来总结你在网页上选择的任何文本。

LIBRARY

Ollama函数即工具

Ollama的新版本现在可以将 Python 函数直接作为 Ollama 库中的工具传递。此功能允许无缝集成 Python 库、SDK 等中的现有函数，从而使你的开发过程更加高效

LIBRARY

10个RAG开发必备PDF解析库

本文介绍用于开发RAG系统所需的解析带有图像、表格和表单的 PDF 文档的10个顶级开发库。

LIBRARY

Ollama-OCR 简明教程

Llama 3.2-Vision 是一个多模态大型语言模型，有 11B 和 90B 两种大小，能够处理文本和图像输入以生成文本输出。该模型在视觉识别、图像推理、图像描述和回答与图像相关的问题方面表现出色，在多个行业基准测试中优于现有的开源和闭源多模态模型。 在本文中，我将介绍如何调用由 Ollama 运行的 Llama 3.2-Vision 11B 建模服务并使用 Ollama-OCR 实现图像文本识别 (OCR) 功能。 Ollama-OCR 的功能： 使用 Llama 3.2-Vision 模型进行高精度文本识别保留原始文本格式和结构支持多种图像格式：JPG、JPEG、PNG可自定义的识别提示和模型Markdown 输出格式选项强大的错误处理1、环境安装在开始使用 Llama 3.2-Vision 之前，需要安装 Ollama，这是一个支持在本地运行多模态模型的平台。按照以下步骤进行安装： 下载 Ollama：访问

LIBRARY

ComfyUI消息机制

本文介绍ComfyUI自定义节点开发需要了解的服务端（Python）和客户端（JavaScript）之间的消息传递。

LIBRARY

AISuite：GenAI平台统一API

aisuite为AI应用开发者提供简单、统一的多个生成式 AI 提供商接口。

LIBRARY

AWS Multi-Agent-Orchestrator

AWS Multi-Agent-Orchestrator 是一个 Python 和 TypeScript 包，旨在创建多 AI 代理生态系统。

LIBRARY

ComfyUI图像字幕节点开发教程

在这篇博文中，我们将介绍使用 ComfyUI 创建用于图像字幕的自定义节点的过程。此节点将以图像作为输入，并使用外部 API 返回生成的字幕。

LIBRARY

PyTorch vs. TensorFlow

本文将讨论 PyTorch 和 TensorFlow，比较它们的主要功能并解释如何根据你的需求选择合适的框架。

LIBRARY

gptpdf：基于gpt的pdf解析库

gptpdf是一个开源的python库，使用 VLM（如 GPT-4o）将 PDF 解析为 markdown。