登录社区云,与社区用户共同成长
邀请您加入社区
摘要: 2026年8月,OpenAI等巨头发布的Agent Plugins 1.0标准统一了AI插件开发,实现跨平台互联。主流企业级Agent方案包括: 实在Agent:基于TARS大模型与ISSUT技术,支持无API界面自动化,适配国产信创环境; MiniMax Agent:模块化任务流编排,适合API集成场景; Claude Code:聚焦开发全流程自动化,集成Git与CI/CD。 开发需遵循
AI 安全工具链、MCP/Agent 威胁检测、LLM 越狱评估、企业 DevSecOps来源:GitHub Tencent/AI-Infra-Guard · 腾讯朱雀实验室。
去年年底我带队做了一个内部审批Agent,用Spring AI + Ollama本地部署,在公司内网跑通了全流程:用户输入请假申请,Agent调用LLM解析意图,再调后端接口查考勤数据,最后返回审批建议。Demo演示时老板点头,我们团队也松了口气。结果联调到预发布环境,直接崩了。不是模型调用失败,不是代码逻辑错误,而是权限校验卡住、日志追踪断掉、可观测性为零。这些问题在本地Demo里根本看不见,一
联盟营销多账号运营,技术上的更稳妥解法不是"绕开什么",而是把每个推广身份做成"自洽、独立、可审计"的个体。环境隔离解决设备与网络层面的关联,Cookie/缓存隔离解决归因数据的串味,行为差异化解决"人像不像"的判断,团队权限与操作留痕解决规模化管理里的责任边界。
AI Agent 开发平台的订阅价格不能只看月费,真正影响采购决策的是 Agent 数量、工作流运行额度、模型调用量、团队成员席位、知识库容量和企业管理能力。很多人对比AI应用开发平台收费标准的时候,第一眼先找页面上标出来的月费数字,用着用着才发现隐性的额度限制、协作门槛、功能锁藏带来的额外成本,反而比最初的订阅费高很多,甚至出现买了套餐之后核心业务流程跑不通的情况。
最近跟几个朋友聊,发现一个挺有意思的现象:以前面试问"你用过什么AI编程工具",大家都能聊两句;现在问这个问题,面试官眼神里多了点别的东西——不是好奇,是审视。2026年,AI编程工具从个人试用阶段进入了团队协作阶段。Codex、Claude Code、各种Agent框架开始大规模进项目。表面上看,程序员门槛降低了;实际上,门槛只是换了个位置。我把这个判断放在前面,因为后面所有建议都建立在这个前提
上周业务方提了个需求:把订单服务的库存扣减逻辑从同步调用改成异步消息驱动,理由是"现在高峰期DB连接池经常打满"。我顺手把需求丢给Codex,结果它给出的方案看着很完美,团队一起review的时候才发现,几个关键坑全藏在上下文里——这就是我用Codex接入真实项目一周后的真实感受:工具本身没问题,但团队协作流程没跟上,效率反而先跌了一截。Codex 接入团队项目,最先翻车的不是代码,是协作流程。
最近团队里有人把 Codex 接进 CI/CD,结果一周内报了三个"AI 写坏了线上代码"的事故。我介入排查后发现,问题根本不是模型能力不够,而是 Agent 的工具调用、记忆管理和任务规划三个环节全在裸奔。先说结论:个人试用阶段的 Agent 和团队协作阶段的 Agent,中间隔着一套工程化的记忆与规划机制。下面这篇,把我最近三个月踩过的坑和总结的取舍逻辑摊开说。---Agent 的三大核心——
**摘要**:手动群发WhatsApp消息既耗时又容易漏发。本文介绍如何通过WorkBuddy的MCP调度能力实现群发任务的全自动化——支持定时发送、条件触发、多账号轮换和失败重试。电商大促、节日营销、会员日……这些场景都需要在特定时间给特定客户发送特定消息。WorkBuddy的schedule_message工具解决了这些痛点。"action_type": "create","task_conf
Hallmark 不是设计工具,它是一份注入到 Claude Code / Cursor / Codex 工作流里的「品味规则集」——目标是让 AI 生成的界面不再像同一个模板批量倒出来的。
扩展做进程生命周期、MCP 做工具面、Worker 做浏览器执行,三者用固定端口 + 密钥文件解耦;多项目隔离靠请求级身份而非进程级隔离。对自建类似工具的人,三个可直接抄的点:① 工作流指导用 graph/nodes/refs 三层结构,别堆 system prompt;② 共享契约用 Zod schema 放独立 package,两端同源;③ 本地 daemon 必须做 CSRF 防护,哪怕只是
今天,我就以过来人的身份,手把手带你认识Codex,并教你如何从零开始搭建属于自己的智能助手,让你告别重复劳动,提升效率。在接入模式中,选择“存”模式(即本地存储),然后复制模型名称,选择“从上游获取”,点击保存。直到我亲眼目睹隔壁老张,利用Codex将报表生成、邮件处理、文件整理等繁琐工作全部自动化,一小时完成我一天的活,我才猛然醒悟:在这个时代,不会使用高效工具的人,真的会被悄无声息地淘汰。别
本文内容基于 GitHub 社区项目(快照版本,日期 2026-02-01)。需注意,该资源为民间教程及可执行基础设施,并非 Anthropic 官方发布。其核心价值在于提供了一套完整的 Claude Code 钩子(Hooks)管理方案,涉及生命周期监控、结构化 JSON 反馈、Subagents 协同以及团队验证流。
通过对 GitHub 项目(基于 2026 年 2 月初的快照版本)的深度拆解,我们发现 Claude Code 作为AI大模型API聚合平台,其强大之处不仅在于模型本身,更在于其灵活的 Hook(钩子)机制所构建的“控制平面”。这套非官方但极具工程参考价值的实践,揭示了如何通过 Python 脚本和结构化指令,将 Claude Code 从一个简单的 CLI 工具转化为可审计、可控且具备团队协作
去年校招季,我帮朋友公司筛简历。筛完30份之后,我脑子里只有一个念头:这批简历看起来都不错,但真问到项目细节,能接住的不到一半。不是能力不行,是方向偏了。很多人把"会用AI工具"当成核心竞争力,简历上写满了Claude Code、Codex、LangChain、Agent……但企业真正要的不是"会用工具的人",而是"能把工具用对地方、还能兜底的人"。这篇文章,我想把你简历里那些无效投入先划掉,再告
9.1 核心优势总结:超越长文本的三大真实力。9.2 现存不足与挑战:需要改进的方面与潜在风险。9.3 发展建议与未来展望:对开发者、企业及普通用户的建议,以及对Kimi未来发展的预测。
1️⃣ 全自动工作流 = Skill(脑子)+ MCP 连接器(手)+ 自动化(闹钟),三者缺一不可。2️⃣ 搭建五步:接连接器 → 验证 Skill → 创建自动化 → 临时试跑 → 正式运行。先手动后自动是铁律。3️⃣ 最值得自动化的三件事:每天重复的(邮件、日报)、固定时间要交的(周报、站会)、不盯就出事的(竞品、客户)。4️⃣ 运行前确认三件事:连接器授权没过期、推送开关已打开、消耗在预期
本文介绍了一种零代码实现Web自动化冒烟测试的创新方案,结合AtomCode AI编码工具与Python-Playwright框架。该方案无需手动编写测试脚本,通过AI自动生成标准化的测试代码,支持本地离线运行且完全免费。文章详细讲解了环境配置(Node.js、Python、Playwright安装)、Windows系统适配技巧,并对比了两种实施方案:MCP实时浏览器自动化(快速验证)和AI生成P
本文介绍如何在Cursor中配置HotLogin MCP实现浏览器自动化流程管理。MCP作为AI与本地工具的连接协议,可将浏览器环境操作限定在授权范围内,适用于测试环境检查、公开信息验证等场景。文章详细说明了配置步骤:确认环境条件、添加MCP服务、拆分检查任务为明确步骤,并建议从低风险的页面回归检查等场景入手。重点强调自动化边界控制,指出涉及敏感数据的操作必须保留人工确认,同时提供常见问题排查方法
在 AI 应用越来越多的今天,很多团队其实并不缺“生成内容”的能力,真正卡住增长的地方,往往是后半段:**内容写好了,怎么高效分发?怎么让 AI 帮你把文章、图片、教程、案例发布到不同平台?怎么把一次创作变成
/ MCP Server端 — 工具定义},?${// MCP Server端 — 工具定义 server . tool('searchBackupMessages' , 'Search WhatsApp message history by keyword' , {%`, ...)return {
GitOps 是一种以 Git 仓库作为基础设施和应用程序配置的“单一事实来源”的运维模式。声明式配置:整个系统的期望状态(包括应用版本、配置、基础设施等)都以声明式文件的形式存储在 Git 仓库中。自动化同步:通过一个自动化 Operator(如 Argo CD、Flux CD)持续监控 Git 仓库,一旦仓库中的配置发生变更,Operator 会自动将集群或环境的实际状态同步为 Git 仓库中
降低认知负荷:用自然语言描述运维意图,由AI生成精准的配置代码。提升代码质量:AI辅助编写更健壮、更符合最佳实践的K8s YAML、Terraform等IaC代码。加速反馈循环:本地编写、AI审查、Git提交、CI/CD验证的快速迭代。赋能团队协作:AI作为“结对编程”伙伴,统一团队对GitOps实践的理解与实施标准。Cursor与GitOps的结合,并非简单的能力叠加,而是创造了一种“意图驱动”
**摘要**:如何在Electron桌面应用中内置MCP Server?本文详解从进程架构、命名管道通信、到工具注册的完整方案,帮助桌面应用开发者理解如何将AI能力暴露给WorkBuddy等外部AI客户端。Electron是桌面应用开发的主流框架,而MCP协议让外部AI客户端(如WorkBuddy)可以调用应用内的功能。但Electron的多进程架构(Main/Renderer/Utility)给
MCP(模型上下文协议)是Anthropic开源的标准化协议,用于连接大语言模型与外部数据源和工具。其架构包含三个核心角色:Host(AI应用)、MCPClient(协议适配层)和MCPServer(能力提供方)。
MCP 客户端出现 Connection closed、启动失败或超时,并不等于 Server 本身已经崩溃。本文给出的判断结果是:先确认客户端读取的配置能否解析,再定位到配置入口、传输方式、comm
随着 AI 深入业务,企业正面临成本难理清、数据权限混乱及多模型协同困难等管理挑战。从腾讯、阿里、字节等大厂的 AI 架构调整可以看出,企业智能化已从“单模型与工具竞争”迈入“企业级能力整合”的新阶段。未来企业需要的不是更多工具,而是统一的 AI 能力入口与基础设施。通过搭建企业级 AI 接入平台,统一管理多模型调用、资源成本与数据权限,才能将分散的 AI 能力真正转化为稳定、可持续的企业核心生产
传统 UI 自动化长期存在两大行业痛点:脚本脆弱难维护、故障排查效率低下。前端页面仅微调 class、DOM 结构,XPath/CSS 硬编码定位器就会大面积失效;用例失败仅返回极简报错,无完整现场快照,复现偶现缺陷需要反复重跑流程,测试人力大量消耗在脚本修复与问题复现上。随着 Model Context Protocol(MCP)协议标准化落地,结合 Playwright 成熟浏览器自动化能力,
MCP(模型上下文协议)是一种开放标准,旨在解决大模型与外部工具、数据源之间的统一通信问题。它采用客户端-服务器架构,基于JSON-RPC 2.0协议,支持标准输入输出和HTTP两种传输模式。MCP定义了工具、资源和提示词三种核心原语,使开发者只需实现一次工具服务即可被任何支持MCP的大模型应用调用。文章详细介绍了MCP协议架构、消息格式、实现方法及最佳实践,包括本地和远程MCPServer的实现
用WorkBuddy 联动实时天气· 实现自动控制开关 · 实战教程用 WorkBuddy 定时自动化 + ChipToAi 一路AI开关,实现"室外气温 ≥ 35℃ 自动开灯,< 35℃ 自动关灯"。AI 开关是成品设备,买来即用,无需刷机、无需焊接。本教程覆盖购买接线、设备配置、MCP 接入、自动化配置、运行调试全流程,照着做即可复刻。
去年我做了个判断:Java后端转大模型应用开发,应该是最平滑的路线之一。熟悉Spring、熟悉REST、熟悉数据库,换个LLM API调用不就行了?三个月后,我亲手接的一个内部Agent项目上线第一天崩了。不是模型调用失败,不是RAG检索出错,是权限配置乱了——一个工具调用接口,能把用户数据读到管理员级别。这件事让我重新理解了"工程化"三个字。---Java转大模型,最大的坑不是技术栈切换,而是思
browser-use、Playwright MCP 已经能让 Agent 操作网页,但要把重复任务变成长期可用的 workflow,还要处理模型、Token、登录状态和维护成本。本文从实际使用角度聊聊 AI 浏览器的价值,以及 Aye 在免费模型、页面任务、Skills 和计划执行上的做法。
在自动化脚本开发过程中,平台内置的能力有时无法满足特定业务场景的需求。例如,你可能需要使用某个第三方的 OCR 文字识别服务、调用特定的图像处理算法,或者集成某个专有的 SDK——这些功能平台本身并未直接提供。冰狐智能辅助的插件机制正是为了解决这一问题而设计的。插件以独立的 APK 形式提供,开发者可以将任何第三方功能封装成插件,然后在冰狐的 JavaScript 脚本中加载并调用。
在工业控制场景下,需要的是对现场传感器的精确采集转换,进一步精确控制现场设备,考虑现场及转换过程中的各种误差因素,的电路基本一致,可以不用上拉电阻,但要加参考电压,参考电压的精度直接影响转换精度。信号到了控制板之后,怎么转换成单片机能够识别的数字量?后续干货不断,咱们一起在单片机的世界里,共同进步。以内的精密金属膜电阻,阻值误差直接影响采集精度。,不需要外部参考电压和放大电路,外围元件极少。采集这
aisuite。第一层是「Chat Completions API」,用一套 OpenAI 风格的接口屏蔽 OpenAI、Anthropic、Google、Ollama 等十余家提供商的 SDK 差异;第二层是「Agents API」,提供工具调用自动循环、预制 Toolkit、MCP 集成、工具审批策略和状态持久化,让开发者快速搭建生产级 Agent,而不用每次手写 tool-calling 循
本文介绍了构建生产级自动化客服Agent的完整方案。通过LangGraph框架实现多Agent协作架构,结合RAG技术确保回答准确性,利用MCP接口调用业务系统,并引入记忆机制提升连续性体验。文章从市场窗口期、架构设计、技术选型到核心代码和部署方案进行详细拆解,同时辩证分析了AI幻觉和错误升级等风险。实践表明,合理设计的客服Agent可分流80%工单,单次成本仅为人工的1/18,但需严格设计护栏机
本文提出了一套供应商全生命周期管理的技术解决方案,基于企查查MCP平台实现风险实时监控与主动预警。针对传统供应商管理存在的"风险实时变化但监控周期性"的核心矛盾,系统设计了四层穿透模型: 准入风控:通过L1主体资格核验、L2司法合规扫描、L3关联关系穿透、L4经营稳健度评估,采用并发查询提升效率; 动态监控:实现从Pull到Push的范式转换,建立风险分级响应机制; 评价体系:融合QCDS指标与外
这里端口记得修改,默认小黄鸟是9000,如果修改成其他端口,这里配置文件也需要跟着修改(我是9001)先更新最新版的小黄鸟,然后选择下面命令(这里要是修改了端口,也需要跟着用--port修改)平常在使用这个工具的时候,可以开启下这个AI辅助,用来辅助工具测试目标。但是最好还是开启二级代理,使用bp抓包,然后再进行自动化测试。先添加下大模型配置,这里我随机添加的 是Deepseek。先把小黄鸟更新到