Skip to main content

面条的草稿箱

面条的草稿箱
面条的草稿箱
无原创，纯转发

  2. Anthropic 为 Claude 推出高级工具使用功能

    Anthropic 近日宣布为其开发者平台上的 Claude 模型推出高级工具使用功能，旨在将 Claude 转变为一个强大的任务协调核心。这项新功能使 Claude 能够更可靠、更准确地与外部工具和 API 进行交互，从而自动化复杂的流程。

    核心亮点包括：

    智能编排：Claude 现在可以充当“推理引擎”，将复杂的用户请求分解为一系列步骤，并调用合适的工具来完成任务。

    强制工具使用：开发者可以指定模型必须使用某个特定工具，从而实现更可控和可预测的应用逻辑。

    并行工具调用：模型能够同时调用多个工具，显著提高了处理需要多方信息输入的复杂任务的效率。

    通过这些增强功能，开发者可以构建更复杂、更可靠的 AI 代理，使其能够处理从客户支持到复杂数据分析的各种自动化工作流。

    原文链接：https://www.anthropic.com/engineering/advanced-tool-use

    #Anthropic #Claude #AI #ToolUse #LLM
    Anthropic
    Introducing advanced tool use on the Claude Developer Platform
    Introducing advanced tool use on the Claude Developer Platform
    Claude can now discover, learn, and execute tools dynamically to enable agents that take action in the real world. Here’s how.

  3. 这篇文章探讨了“制造软件”的真正含义. 作者认为，这远不止是编写代码，而是一个发现、创造和交付价值的完整过程. 它始于深入理解问题和用户需求，终于创造出能为他人生活带来积极改变的工具.

    真正的挑战在于处理那些模糊不清、充满人性的部分：理解混乱的需求、平衡不同的观点、并在不断变化的环境中找到前进的道路.

    软件开发是一门手艺，它结合了解决问题的智慧和创造有用工具的乐趣. 从一个想法到最终产品，这个过程充满了挑战，但也带来了巨大的满足感.

    原文链接：Making Software

    #软件开发 #产品思维 #编程 #创造力

  4. 互联网往事：为何我们从 IPv4 直接跳到了 IPv6？

    我们都熟悉 IPv4 和 IPv6，但你是否好奇过 IPv5 去了哪里？

    实际上，IPv5 确实存在过，它也被称为互联网流协议 (ST)，是一个诞生于上世纪 70 年代末的实验性协议，专为实时数据流传输 (例如早期的网络电话) 而设计.

    它与 IPv4 一样使用 32 位地址，但并非其替代品，更像是一个功能扩展. 然而，随着宽带技术的崛起，网络带宽和延迟问题得到了有效解决，使得 IPv5 的专门设计显得多余.

    因此，这个协议最终被历史所尘封. 为了避免版本号上的混淆，当 IPv4 的下一代协议正式推出时，便直接命名为 IPv6.

    原文链接：https://www.tomshardware.com/networking/ipv5-and-the-internet-stream-protocol-a-data-streaming-experiment-rendered-unnecessary-by-broadband

    #IPv5 #IPv6 #网络协议 #互联网历史
    Tom's Hardware
    The industry skipped from IPv4 to IPv6, leaving IPv5 and the Internet Stream Protocol to the annals of history — a data streaming…
    The industry skipped from IPv4 to IPv6, leaving IPv5 and the Internet Stream Protocol to the annals of history — a data streaming…
    IPv5 wasn't a general purpose Internet Protocol like IPv4 or IPv6, and was never ratified as such, but it would give birth to the first VOIP hardware.

  5. 将 “Skills” 系统移植到 OpenAI Codex

    作者成功地将最初为 Anthropic 的 Claude 设计的 “Skills” 和 “Superpowers” 系统移植到了 OpenAI 的 Codex 上, 整个过程仅花费了几个小时, 展现了当前 AI 开发的惊人速度。

    核心理念
    “Skills” 系统是一种将人类的工作流程和知识规范化的方法, 允许 AI 代理学习、记忆和重复执行复杂的任务。这就像为 AI 创建一本操作手册, 使其能够不断学习和改进, 而无需在每次任务开始时都重新加载所有知识。

    关键亮点
    - 跨平台实现: 尽管 Codex 缺乏像 Claude那样的原生插件系统, 但作者通过巧妙的引导程序成功实现了移植。
    - Codex 的优势: 文章指出, Codex 在遵循指令方面非常“字面化”, 这使得它在执行这些结构化的 “Skills” 时可能比 Claude 更可靠。
    - 实践意义: 该系统允许开发者为 AI 代理构建一个可重复使用的流程库, 涵盖从头脑风暴到测试驱动开发等各种任务, 极大地提升了 AI 在软件开发中的自主性和效率。

    简而言之, 这项工作为如何让 AI 学习和掌握标准操作流程提供了一个有趣的范例, 让 AI 代理的自我完善成为可能。

    原文链接
    Fsck
    Porting Skills (and Superpowers) to OpenAI Codex
    I used to write more

  6. 构建 Agent 依然困难重重

    作者 Armin Ronacher 分享了他在构建 AI Agent 过程中的新经验和教训，坦言这一领域依旧充满挑战。

    核心观点：
    SDK 选择：高级抽象 SDK (如 Vercel AI SDK) 在复杂场景下可能带来麻烦。直接使用原生 SDK (如 OpenAI、Anthropic) 能更好地控制模型间的差异。

    缓存策略：手动管理缓存（如 Anthropic 的方式）虽然看起来麻烦，但能让成本和效果更可控，因此更受青睐。

    循环中的强化：在 Agent 的每次工具调用后，通过“强化”注入额外信息（如任务目标、状态更新、失败提示）至关重要。

    失败隔离：将可能失败的任务放在子 Agent 中运行，可以避免主循环被大量失败信息干扰，保持上下文的整洁。

    共享状态：建立一个类似文件系统的共享层，让不同工具和子 Agent 能方便地交换数据，是避免工作流程出现“死胡同”的关键。

    输出工具的挑战：让 Agent 在最后稳定调用一个特定的“输出工具”（比如发邮件）并控制其语气，比想象中更难。

    模型选择与成本：模型选择需因地制宜。Anthropic 的模型在工具调用上表现优异，而 Gemini 擅长处理长文档。高效的 Agent 能减少 Token 消耗，因此模型单价低不代表总成本低。

    测试与评估：这仍然是构建 Agent 中最难、最令人头疼的问题，目前尚无完美的解决方案。

    原文链接
    Armin Ronacher's Thoughts and Writings
    Agent Design Is Still Hard
    Agent Design Is Still Hard
    My Agent abstractions keep breaking somewhere I don’t expect.

  7. MCP Apps：为服务器带来交互式用户界面

    模型上下文协议（MCP）社区发布了一项名为 “MCP Apps” 的新扩展提案，旨在为 MCP 引入标准化的交互式用户界面支持。此举旨在解决当前服务器在呈现视觉信息、收集复杂用户输入时遇到的局限性，并避免生态系统的碎片化。

    该提案由来自 Anthropic、OpenAI 的 MCP 核心维护者与 MCP-UI 社区共同合作，融合了 MCP-UI 和 OpenAI Apps SDK 的成功经验。

    提案亮点
    - 标准化接口：为服务器向客户端提供丰富的交互式 UI 制定了统一标准。
    - 增强安全性：UI 内容将在沙盒 iframe 中运行，并通过预声明模板、可审计消息和用户同意机制等多层设计确保安全。
    - 向后兼容：该扩展为可选功能，现有实现无需更改即可继续工作。
    - 社区协作：鼓励开发者审阅完整的技术规范并参与讨论。

    原文链接：https://blog.modelcontextprotocol.io/posts/2025-11-21-mcp-apps/
    Model Context Protocol Blog
    MCP Apps: Extending servers with interactive user interfaces
    MCP Apps: Extending servers with interactive user interfaces
    Introducing the MCP Apps Extension proposal (SEP-1865) to standardize interactive user interfaces in MCP, developed with the MCP-UI creators and maintainers from OpenAI and Anthropic.

  9. 你的数据包是如何环游世界的？

    当你访问一个网站时，数据究竟走了怎样一条路？这个有趣的交互式网站，通过 traceroute 技术，为你实时展示了从它的服务器到你设备的网络路径。

    文章深入浅出地解释了其背后的核心技术：

    Traceroute：利用 ICMP 包的 TTL（生存时间）机制，一步步“探测”出数据包经过的每一个路由器节点。

    自治系统 (AS)：我们所说的互联网，实际上是由成千上万个独立管理的网络（即自治系统）互联而成的巨大网络。你的访问请求就是在这些 AS 之间穿梭。

    BGP 协议：决定数据路径的“交通规则”正是 BGP（边界网关协议）。它负责在各个自治系统之间交换路由信息，从而规划出数据传输的最佳路线。

    此外，该网站还有一个技术亮点：它在不使用 JavaScript 的情况下，仅通过巧妙的 CSS 技巧就实现了 traceroute 结果的动态加载。

    这篇文章不仅是一个酷炫的技术展示，更是一篇关于互联网底层结构与协议的绝佳科普。

    原文链接: https://how-did-i-get-here.net/

  10. Kata Containers：兼具容器的速度与虚拟机的安全

    这是一个开源容器运行时，它利用轻量级虚拟机，在提供硬件级强隔离的同时，保持了容器般的速度和体验，有效解决了传统容器共享内核带来的安全风险。

    主要特性：
    🚀 性能：性能媲美标准 Linux 容器，没有传统虚拟机的性能损耗。
    🛡️ 安全：通过硬件虚拟化技术 (VT 扩展) 实现内核、网络、I/O 和内存的全面隔离。
    🧩 兼容性：支持 OCI 容器格式、Kubernetes CRI 接口等行业标准。
    💡 简洁性：无需在完整虚拟机中嵌套容器，易于集成和使用。

    该项目由 Open Infrastructure Foundation 管理，整合了 Intel Clear Containers 和 Hyper.sh RunV 的优点，并支持 QEMU、Cloud-Hypervisor 和 Firecracker 等多种管理程序。

    原文链接：https://katacontainers.io/
    katacontainers.io
    Kata Containers - Open Source Container Runtime Software
    Kata Containers is an open source container runtime, building lightweight virtual machines that seamlessly plug into the containers ecosystem.

  11. GitHub Copilot 编辑建议功能的进化之路

    GitHub Copilot 的“下一处编辑建议” (NES) 功能旨在预测并推荐开发者下一步的代码修改，这项任务比简单的代码补全更具挑战性，因为它需要深入理解开发者的意图，并做到快速响应且不过度干扰.

    关键突破：高质量的训练数据
    团队发现，使用最终的 Pull Request 数据训练模型效果不佳，因为它无法反映开发者在编码过程中的真实、动态的编辑行为. 于是，他们转而收集内部志愿者的实时编码会话，构建了一个高质量的数据集. 事实证明，这比海量但不够精确的数据更有效.

    从监督微调到强化学习
    1. 监督微调 (SFT)：利用上述高质量数据集，团队成功训练出第一个表现优异的 NES 模型.
    2. 强化学习 (RL)：为解决 SFT 无法教会模型“什么是不好的建议”这一问题，团队引入了强化学习. 通过设计一个“评分器”来判断建议质量，模型得以在更广泛的数据上进行训练，学会避免生成干扰性的建议.

    最新模型的改进
    最新版本的 NES 模型在多个方面进行了优化：
    - 提示词优化：减少了上下文长度，提升响应速度.
    - 数据质量过滤：使用大模型筛选训练数据，减少无用建议.
    - 合成数据：从大模型蒸馏知识，训练出更高效的小模型.
    - 超参数调整：为新架构优化参数，提升建议质量.

    成果与未来
    通过持续迭代，NES 模型的建议接受率提升了 26.5%，而隐藏率则降低了 25.6%. 未来，GitHub 计划让 NES 支持跨文件建议、提供更快的响应并更智能地理解上下文.

    原文链接
    The GitHub Blog
    Evolving GitHub Copilot’s next edit suggestions through custom model training
    Evolving GitHub Copilot’s next edit suggestions through custom model training
    GitHub Copilot’s next edit suggestions just got faster, smarter, and more precise.

  12. Agent Sessions 2: 统一管理你的 AI 命令行会话

    Agent Sessions 2 是一款专为开发者设计的本地会话浏览器，它将 Codex CLI、Claude Code 和 Gemini CLI 的会话整合在一个强大的界面中. 无论你是想查找过去某个完美的提示词，还是需要快速恢复一个旧的会话，它都能帮你轻松搞定.

    主要功能
    ✨ 统一界面与搜索：跨平台浏览和搜索所有会话.
    🚀 即时恢复：在终端中一键重新打开任何会话.
    📊 用量追踪：实时监控 API 使用情况，避免超出限制.
    📈 数据分析：提供会话趋势、热力图等可视化洞察.
    🔒 本地优先，保护隐私：所有数据均在本地处理，无需上传云端.

    该应用完全开源，可通过 Homebrew 安装.

    原始链接: https://jazzyalex.github.io/agent-sessions/
    jazzyalex.github.io
    Agent Sessions — Sessions for Codex, Claude, Cursor, Gemini, Copilot, OpenCode & Droid CLI
    Agent Sessions — Sessions for Codex, Claude, Cursor, Gemini, Copilot, OpenCode & Droid CLI
    Local-first, open source, and built for terminal vibe warriors. Agent Sessions 3.6 — Cursor IDE/CLI as 8th provider, new-provider auto-detection, and onboarding tour improvements.

  13. mcp-use Python SDK 新功能：代码模式

    mcp-use 推出了创新的“代码模式”(Code Mode)，允许 AI 代理通过执行代码与工具交互，而非传统的直接调用. 这种新方法能为复杂工作流节省高达 98.7% 的上下文（Context）消耗.

    传统的工具调用方式存在两大痛点：
    1. 上下文过载：一次性加载所有工具（如 150+ 个）的定义，会预先消耗大量 Token.
    2. 中间结果冗余：每个工具的输出结果都需要流经模型，即使只是为了传递给下一个工具.

    代码模式通过让 AI 代理生成并执行代码，巧妙地解决了这些问题.

    核心优势

    渐进式披露
    代理按需搜索并加载工具，无需预加载所有工具定义，将 Token 消耗从 150,000+ 降至约 2,000.

    上下文高效
    在独立环境中处理海量数据，仅将最终摘要返回给代理，避免将庞大的中间结果（如 10,000 行数据）写入上下文.

    强大的控制流
    利用代码原生支持的循环、条件和错误处理等逻辑，高效处理复杂任务，告别繁琐的工具调用链.

    隐私保护
    敏感数据在安全的执行环境中处理和流转，不会进入模型上下文，有效保护数据隐私.

    工作原理

    在代码模式下，AI 代理主要使用两个新工具：
    - execute_code: 执行一段 Python 代码来调用其他工具.
    - search_tools: 动态搜索和发现可用的工具.

    实际效果

    以文件系统批量重命名任务为例，代码模式将工具调用次数减少了 94%，上下文 Token 消耗降低了 94%，执行速度提升了 17 倍.

    ---

    原始链接
    mcp-use
    mcp-use - Connect Any LLM to Any MCP Server
    mcp-use - Connect Any LLM to Any MCP Server
    Execute MCP tools via code for 98.7% reduction in context overhead

  14. 深入 iMessage 底层：一个 Agent 是如何诞生的

    苹果的 iMessage 功能强大，但始终没有向开发者开放自动化接口。这篇文章深入探讨了如何通过逆向工程和系统工具，构建一个能以代码方式收发 iMessage 消息的 Agent，其核心成果是一个名为 imessage-kit 的开源项目。

    技术探索亮点：
    数据库探秘：揭示了 iMessage 消息存储在 ~/Library/Messages/chat.db 数据库中，并解决了 macOS 特有的时间戳（始于 2001 年）和富文本格式解析难题。

    权限与安全：详细说明了如何获取 macOS 的“完全磁盘访问权限”以读取数据库，并解释了为何应使用“轮询”而非文件监听来实时获取新消息。

    AppleScript 的妙用与挑战：在没有官方 API 的情况下，利用古老的 AppleScript 成为发送消息的唯一途径。文章分享了处理字符转义、绕过沙盒限制发送附件等实用技巧。

    开源实现：作者将所有研究成果封装成一个开源 TypeScript SDK imessage-kit，它屏蔽了底层复杂性，让开发者能轻松构建 iMessage 机器人、实现数据分析或与其他系统集成。

    尽管该方案存在无法发送特效、Tapback 等局限，但它为实现 iMessage 自动化和 AI Agent 集成迈出了关键一步。

    原文链接
    fatbobman.com
    深入 iMessage 底层：一个 Agent 是如何诞生的
    深入 iMessage 底层：一个 Agent 是如何诞生的
    探索 iMessage 底层技术，解析 SQLite 数据库、Core Data 时间戳、突破 macOS 沙盒限制。详解如何用 TypeScript 开发 iMessage Agent，实现消息自动化和 AI 集成，包含开源项目 imessage-kit 的完整实现方案。

  15. AI Proxy：新一代高性能 AI 网关

    AI Proxy 是一个高性能的 AI 网关，它以 OpenAI 协议作为入口，为 AI 服务管理提供了一套强大而全面的解决方案.

    ✨ 核心功能
    - 智能路由: 基于模型优先级和错误率，实现智能的渠道选择和错误重试.
    - 全面监控: 提供详尽的日志记录、数据统计与分析，包括请求量、错误率、消耗等.
    - 多功能支持: 内置多租户隔离、速率限制(RPM/TPM)、模型映射和计费等功能.
    - 通知系统: 关键事件（如渠道余额、错误率）可配置告警通知.

    🚀 部署与集成
    - 支持 Docker 和 Docker Compose 一键部署.
    - 可与 Sealos、FastGPT 等平台无缝集成.

    对于需要统一管理、调度和监控多个 AI 模型服务的开发者和团队来说，AI Proxy 是一个理想的选择.

    原始链接: https://github.com/labring/aiproxy
    GitHub
    GitHub - labring/aiproxy: AI Proxy is a high performance AI gateway using OpenAI / Claude / Gemini protocol as the entry point.…
    AI Proxy is a high performance AI gateway using OpenAI / Claude / Gemini protocol as the entry point. It features intelligent error handling, multi-channel management, and comprehensive monitoring....

  16. LLM Gateway：统一管理你的大语言模型 API

    LLM Gateway 是一款开源的大语言模型 API 网关，它充当你的应用和多个 LLM 提供商（如 OpenAI、Anthropic、Google 等）之间的中间件，旨在帮助开发者更高效地管理、路由和分析 LLM 请求。

    主要功能：
    - 统一接口：提供与 OpenAI API 兼容的格式，方便应用无缝迁移。
    - 多提供商路由：通过单一网关连接和路由到不同的 LLM 提供商。
    - 用量分析：集中管理 API 密钥，跟踪请求、Token 用量、响应时间和成本。
    - 性能监控：帮助你比较不同模型的性能和成本效益，以优化选择。

    该项目支持云端托管版本和自部署两种方式，让你既可以快速上手，也可以完全掌控自己的数据。对于需要灵活切换、管理和分析多个 LLM 服务的开发者来说，这是一个非常实用的工具。

    原始链接：https://github.com/theopenco/llmgateway
    LLM Gateway
    LLM Gateway - Unified API for Multiple LLM Providers
    LLM Gateway - Unified API for Multiple LLM Providers
    Route, manage, and analyze your LLM requests across multiple providers with a unified API interface.

  17. AIO Sandbox: AI 代理的一体化沙盒环境

    agent-infra/sandbox 是一个为 AI 代理设计的开源一体化沙盒环境，它将浏览器、终端、文件系统、VSCode Server 和 Jupyter Notebook 等多种工具集成在单个 Docker 容器中.

    该项目旨在解决传统沙盒功能单一、组件间难以协作的问题. 通过共享统一的文件系统，用户可以在浏览器中下载文件，并立即在终端或代码编辑器中无缝访问，极大地简化了开发和调试流程.

    主要特性
    *统一环境*: 所有工具共享文件系统，实现无缝工作流.
    *多功能接口*: 支持通过 VNC、VSCode、Jupyter 和 Web 终端进行访问.
    *安全执行*: 提供隔离的 Python 和 Node.js 运行时.
    *开箱即用*: 预配置了多种开发工具和 MCP 服务，无需复杂设置.
    *为代理而生*: 提供兼容 MCP 的 API，方便 AI 代理集成.

    对于构建和测试 AI 代理的开发者来说，这是一个功能强大且便捷的工具.

    原始链接
    GitHub
    GitHub - agent-infra/sandbox: All-in-One Sandbox for AI Agents that combines Browser, Shell, File, MCP and VSCode Server in a single…
    All-in-One Sandbox for AI Agents that combines Browser, Shell, File, MCP and VSCode Server in a single Docker container. - agent-infra/sandbox

  18. 使用 ChatGPT 自动化社交媒体管理

    还在为管理多个社交媒体平台而烦恼吗？这篇文章介绍了一个高效的工作流程，通过将 ChatGPT 与 Composio 的 Rube MCP 服务器相结合，让你在一个对话窗口内完成所有社交媒体管理任务.

    这个智能社交媒体助手可以帮你：
    发现热点：无需无休止地刷屏，即可发现 Reddit 和 HackerNews 上的热门话题.
    生成内容：轻松地为 Twitter 和 LinkedIn 等不同平台量身定制帖子.
    直接发布：在 ChatGPT 内直接发布或安排你的内容，无需切换标签页.
    追踪表现：在一个地方集中监控帖子的点赞、分享、浏览和评论.

    Rube 是一个为 AI 代理设计的通用连接器，它为 ChatGPT 等模型搭建了一座桥梁，使其能轻松连接到数百个你日常使用的应用程序(如 Reddit、Twitter、HackerNews)，并处理了繁琐的 API 对接和身份验证问题.

    通过这种方式，你可以将社交媒体管理从一项耗时的工作转变为一个智能、自动化的系统，从而节省时间，专注于创作优质内容.

    原文链接：Managing social media and making viral content in Chatgpt using Rube MCP
    composio.dev
    Managing social media and making viral content in Chatgpt using Rube MCP - Composio
    Managing social media and making viral content in Chatgpt using Rube MCP - Composio
    In this article, I will show how to use Rube MCP server in Chatgpt to analyse Reddit and HackerNews trending posts and craft viral LinkedIn and Twitter content.

  20. Anthropic 新方法：用代码执行提升 AI 代理效率

    Anthropic 提出了一种利用代码执行和模型上下文协议 (MCP) 来构建更高效、更具扩展性 AI 代理的新方法。

    目前 AI 代理在连接大量工具时，常因一次性加载所有工具定义而导致上下文窗口过载、成本激增。同时，工具调用的中间结果（如长文档）反复传入模型，也极其低效。

    Anthropic 的解决方案是：让 AI 代理编写代码与工具 API 交互，而非直接调用。这样，代理能像浏览文件系统一样，按需加载完成任务所需的特定工具，从而解决上述难题。

    这一方法带来了几点核心优势：
    ✅ 大幅降低 Token 消耗
    按需加载可将 Token 使用量减少高达 98% (文中示例从 15 万降至 2 千)。

    ⚙️ 高效的数据流
    代理可在代码环境中预处理海量数据，只将关键结果返回模型，避免上下文被淹没。

    🔒 增强隐私与安全
    敏感信息可在安全的执行环境中处理，无需进入模型上下文，有效保护数据隐私。

    🧠 实现技能积累
    代理能将代码保存为可复用的“技能”，实现跨任务的记忆和能力成长。

    虽然该方法需要安全的沙箱执行环境，增加了实现复杂性，但其在效率和能力上的提升是显著的。

    原文链接: https://www.anthropic.com/engineering/code-execution-with-mcp
    Anthropic
    Code execution with MCP: building more efficient AI agents
    Code execution with MCP: building more efficient AI agents
    Learn how code execution with the Model Context Protocol enables agents to handle more tools while using fewer tokens, reducing context overhead by up to 98.7%.
1px