搜索信息总是被广告和大量无关结果淹没？想要更智能、更隐私的搜索体验？

Perplexica 是一款开源的 AI 驱动搜索引擎，灵感源自 Perplexity AI，但完全开源且免费。它结合了先进的机器学习技术和 SearxNG 元搜索引擎，实时抓取最新内容，理解你的问题，给出精准且带来源引用的答案。| #搜索引擎

核心功能包括：

- 支持本地多种大语言模型（Qwen、DeepSeek、Llama、Mistral等）
- 两种搜索模式：普通模式和智能辅助查询模式（Copilot，开发中）
- 六种专注模式，覆盖写作辅助、学术论文、YouTube视频、计算分析、Reddit讨论等场景
- 实时信息更新，避免过时数据困扰
- 提供API，方便集成到其他应用
- 支持多平台，Docker一键部署超方便

适合开发者、研究者以及所有追求高效搜索体验的用户。
搜索引擎
开发者常常需要在终端里快速写代码、调试，还要切换各种编辑器和工具，效率难免受限。

OpenAI 出品的 Codex CLI 是一款轻量级的本地编码助手，直接在终端运行，帮你快速生成代码片段、自动补全和调试，极大提升开发效率。

- 支持多种编程语言和框架，适配各种开发场景；
- 通过命令行即可调用，安装简单，npm 或 Homebrew 一键搞定；
- 可结合 ChatGPT 账户使用，享受 Plus、Pro 等多种计划的智能辅助；
- 支持丰富配置，满足高级用户个性化需求；
- 还提供 API 访问模式，方便集成到 CI/CD 流程。
Amazon Bedrock AgentCore Python SDK 助你轻松把本地AI代理快速上线到企业级生产环境，无需操心基础设施。

这个开源SDK支持任意框架（Strands、LangGraph、CrewAI、Autogen等都能用），帮你实现零运维、自动扩展的安全高效部署。它内置身份认证、持久记忆、监控等企业级功能，专为大规模、可靠的AI代理生产设计。

主要功能：
- 保留你现有的智能代理逻辑，不用重写代码
- 零基础设施管理，无需服务器、容器配置
- 高安全性和合规性，支持多种身份认证
- 多种服务模块：运行时隔离计算、持久记忆、API网关、代码解释器、浏览器自动化、监控追踪等
- 快速入门工具包，方便本地原型开发

适合AI开发者、企业和研究团队，帮你从本地开发无缝过渡到云端高可用生产。
构建真正能落地的人工智能系统，远不止训练模型那么简单。哈佛大学开源教材《Machine Learning Systems》由Vijay Janapa Reddi教授主导，全面讲解从数据工程、系统设计到模型部署与运维的实战技巧，覆盖边缘计算到云端部署全流程。

这本教材不仅适合高校课程，也为AI工程师和研究者提供了系统化学习资源，包含详尽的理论、案例和动手实验。支持在线阅读、PDF和ePub下载，开源代码和工具链全部公开，助力全球AI教育普及。| #电子书
电子书
编码助手总是忘记上下文，任务杂乱无章？Beads 来帮你解决！

这是一个专为 AI 编码代理打造的轻量级「记忆系统」，用图形化的任务依赖链把工作像串珠子一样串起来，让智能体清晰追踪复杂任务流。

不仅支持多种依赖类型（阻塞、关联、父子、发现来源），还能自动检测「可做任务」，避免浪费时间做重复工作。数据文件纯文本存储于 git，天然支持分布式协作和离线使用，无服务器、无配置，让你和 AI 代理无缝同步项目进度。

只需一条命令安装，接入你的 AI 代理后，自动创建和管理任务，清晰掌控长远计划，告别记忆断层。无论是团队项目还是个人开发，都能提升效率和组织力。

主要亮点：
- AI 优先设计，支持智能代理自动发现、记录和管理任务
- 通过 git 分发的分布式任务数据库，离线也能用
- 支持阻塞、关联、父子、发现来源四种依赖关系
- 自动识别准备就绪任务，助力长任务规划
- JSONL 格式存储，便于审计与合并冲突智能解决
- 支持多项目隔离和扩展 SQLite 数据库

适合开发者、AI 研究者和任何想用智能代理辅助编码的人
Chrome DevTools 搭配 Claude MCP：打造最强浏览器自动化利器！

Maxime Rivest 分享了用两条命令让 Claude Code 完美接入浏览器的秘诀：| 推文

1️⃣ 启动 Chrome 浏览器（自定义用户数据目录，避免使用默认配置，保持登录状态） 
google-chrome --remote-debugging-port=9222 --user-data-dir="$HOME/.config/my-mcp-chrome-profile"


2️⃣ 安装连接浏览器的 MCP 服务 
claude mcp add chrome-devtools -- npx -y chrome-devtools-mcp﹫latest -u


这样，你就可以用自然语言指挥 AI 在浏览器里做任何事，远超 Puppeteer、Playwright，甚至可以做网络请求、抓取XHR、自动点击元素等复杂操作。

- DevTools MCP 能完整访问 JS 动态内容，支持网络请求重放和数据抓取。
- 通过自定义用户数据目录，解决登录状态和权限问题，避免安全隐患。
- 适合自动化任务、数据监控、定时爬取等多场景，未来有潜力成为强大的数据分析平台。
- 需要合理控制上下文读取，避免性能瓶颈。
- 社区也有类似 DeepWiki MCP，可针对 GitHub 公共仓库提问，拓展更多用途。

当然，使用时要权衡安全风险，谨慎管理浏览器登录信息，避免泄露。

这套方案让浏览器自动化变得更智能、更自然、更强大，值得开发者深度探索。
用LangChain DeepAgents搭建的一个媲美Claude分析工具的智能股票研究Agent，帮你系统化、多维度做专业级股市分析。分享给你这套实战经验和思考 | blog

AI研究Agent的痛点
- 传统聊天机器人对话流畅，但面对复杂多步骤研究无力
- 缺乏系统规划、多工具协作、跨领域专家整合的能力
- 难以输出结构化、具体且可执行的投资建议

DeepAgents的优势
- 具备“计划-分工-协作-综合”能力
- 支持多子Agent专家分工：基本面、技术面、风险评估
- 可以管理文件、调用专用工具，输出专业报告

本实现：三层架构
1. 自定义金融工具：实时抓取股票价格、市值、财务指标等数据
2. 专业子Agent：
- 基本面分析师：财报、估值、行业对比、内在价值
- 技术面分析师：价格走势、指标（RSI、MACD）、支撑阻力位
- 风险分析师：市场风险、公司及行业风险、合规风险
3. 主控Agent：系统化调度，按步骤执行分析流程，从数据采集到综合评估再到推荐

用户体验
- 简单输入查询（如“分析苹果股票AAPL，6个月投资”）
- Agent自动完成数据抓取、多角度分析、风险评估、最终形成专业买卖建议
- 通过Gradio界面，任何人都能方便使用，无需专业背景

传统单一AI工具只能做简单“问答”，DeepAgents则是组建“专家团队”，真正能解决复杂实际问题。AI应用的未来，是打造能统筹协调多方知识和工具的智能系统，而非单纯聊天机器人。

快速上手
pip install deepagents langchain-ollama yfinance gradio langchain-core
ollama pull gpt-oss
python stock_research_agent.py


AI的真价值不在于单一模型多聪明，而是如何系统化调度多专家、多工具协同工作。DeepAgents为复杂决策和专业研究开辟了新途径，值得所有AI开发者和投资者关注
Retrieval-Augmented Generation (RAG) Project：这份开源资源帮你从零开始全面掌握RAG（检索增强生成）技术，实用且系统。

主要内容涵盖：
- 查询构建：将自然语言转成结构化查询（SQL、Cypher、向量检索）
- 查询翻译：分解、重构输入，提升检索效果
- 路由选择：动态选库或嵌入上下文，精准定位答案
- 检索优化：多种重排序算法+实时数据接入，确保结果相关性
- 索引管理：多重表征嵌入、分层摘要、结构化搜索提升效率
- 生成环节：自研Self-RAG和RRR，实现推理与检索的迭代闭环

每个笔记本都有详细的实操指导，适合入门到进阶，支持多查询、多模态等高级用法。

如果你从事机器学习、LLM或AI代理，强烈推荐收藏并实践。本资源极大降低了构建复杂RAG应用的门槛，助你快速搭建高效智能系统。

RAG的核心难题不只是架构，更是优质数据的积累与语料空白的补充。未来，递归推理与动态语料更新将成为关键突破点。
Karpathy 最新项目震撼发布！不到 8000 行代码，完整实现了从训练到推理的 LLM 全流程，堪称开源界的宝藏 | nanochat

- 用 Rust 实现了高效的 tokenizer 训练
- 在 FineWeb 语料上预训练 Transformer LLM，并多维度评估核心指标
- 中期训练结合用户-助手对话、选择题、工具调用等多样任务
- 监督微调（SFT）后，模型在多项世界知识（ARC-E/C、MMLU）、数学（GSM8K）、代码（HumanEval）测试中表现优异
- 可选用“GRPO”算法进行强化学习（RL），提升数学题解答能力
- 轻量化推理引擎支持 KV 缓存、简单预填充/解码，集成 Python 沙箱工具，同时提供 CLI 和类 ChatGPT 网页 UI
- 生成统一的 Markdown 报告，方便总结、打分和游戏化体验

模型架构细节同样亮眼：
类似 LLaMA 的稠密 Transformer，采用 rotary 位置编码、QK 归一化、未绑定的嵌入/反嵌入层、ReLU² MLP，无偏置线性层，简洁高效；优化器结合 Muon 与 AdamW，推理中还用了 logit softcap 技巧。

如果你对从零开始训练、调优和部署大语言模型感兴趣，这个项目绝对值得深入研究。

Karpathy 用极简代码展现了训练大模型的全貌，突破了传统复杂框架的壁垒。Rust 的引入体现了追求高性能和安全的趋势，未来 LLM 生态或许会迎来更多类似轻量级、模块化的创新。

此外，项目中对多任务训练和强化学习的结合，展示了 LLM 在实用场景中持续迭代的可能路径。对开发者和研究者来说，这样的开源工具极大降低了门槛，有望催生更多定制化智能应用。
Naveen Naidu彻底从Claude Code转向了Codex，分享日常工作流程和心得：

早晨（Codex Web）
- 用Linear规划一天任务
- 把用户反馈拆分成小任务
- 同时启动3-4个“细节修复”任务，放一边等待处理

深度工作（Codex CLI）
- 专注于一个大任务
- 通过命令行界面动手编码

晚上复盘
- Web端任务：创建PR，自动审查，测试后推送上线
- CLI任务：本地复查、测试、PR，合并到主分支

Web端负责快速处理琐碎小任务，操作便捷，效率高
CLI则加速完成关键复杂任务，专注深度编码

相比Claude Code，他更喜欢Codex的简洁直接和高效体验，尤其是GPT-5-codex-high模型带来的精准反馈。实测发现，使用Web和CLI两端结合，工作效率与质量大幅提升。

同时，后端（FastAPI）有单元测试，macOS客户端（SwiftUI）目前靠本地测试，保证代码稳定。通过Linear的任务管理配合Codex，手头琐碎工作实现了“无缝交接”，极大节省了时间。

这套组合适合追求高效和专注的开发者，也值得尝试。不同工具各有优势，关键是找到最适合自己工作节奏的搭配。
PyCaret 是一个开源的 Python 低代码机器学习库，旨在简化和自动化模型的构建、训练与部署流程。它支持分类、回归、聚类和时间序列预测等多种任务，是传统机器学习项目的高效利器。

特点：
✔️ 使用简单：几行代码即可完成数据预处理、模型比较和超参数调优。
✔️ 功能全面：集成特征选择、转换、异常值检测，以及集成学习和堆叠等高级技术。
✔️ 无缝集成：支持 Jupyter Notebook、Excel 和主流 BI 工具，适配多样化工作流。
✔️ 时间高效：自动化大幅缩短实验和部署时间，适合快速原型开发。
✔️ 社区活跃：文档丰富、社区支持强，便于解决问题和学习最佳实践。

需注意的是，PyCaret 的高层抽象虽提升了便捷性，但可能限制复杂定制。高级用户在面对前沿问题时，或许更倾向于 Scikit-learn 进行细粒度调优，或使用 TensorFlow、PyTorch 进行深度学习。此外，PyCaret 对自定义评分指标和复杂流水线支持有限，自动化也要求用户理解底层流程，确保结果科学可靠。

PyCaret 的魅力在于降低了机器学习的入门门槛，极大提升了数据科学家的效率，尤其适合快速验证和迭代模型思路。但在追求极致性能或复杂定制时，仍需结合底层库灵活使用。未来，随着大模型和自动化工具的兴起，PyCaret 仍有机会通过持续更新和扩展接口，保持其在机器学习生态中的重要地位。
Claude Code系统提示五层架构详解

Daniel San对Anthropic开源的Claude Code系统提示（system prompt）进行了系统性剖析，提出了一个结构清晰、层级分明的五层架构模型，帮助开发者深入理解Claude Code如何在项目与AI模型之间高效、严谨地处理信息，实现智能编码辅助。以下是该架构的详细解读及其深度分析：见评

Daniel San的五层架构模型为理解Claude Code提供了清晰的系统视角，尤其强调了项目记忆（CLAUDE.md）与核心行为层的关键作用。掌握此架构，不仅有助于开发者更高效地利用Claude Code，还能启发设计更具透明度、可控性和扩展性的智能编码系统。
开源大模型学习门槛高？《开源大模型食用指南》帮你一步到位。| #指南

这个项目专为中国宝宝量身打造，基于Linux环境，涵盖从环境配置、本地部署，到全参数和LoRA微调，再到多模态大模型应用的全流程教程。支持ChatGLM、Qwen、InternLM、LLaMA等主流模型，让普通学生和研究者轻松上手开源大模型。

主要特色：

- 详细的Linux环境搭建指导，针对不同模型定制；
- 国内外热门开源LLM的部署与使用教程；
- 命令行调用、在线Demo、LangChain集成全覆盖；
- 支持全量微调与高效LoRA微调，适合进阶学习；
- 丰富案例，助你打造专属私域大模型。

无论你是大模型新手还是想深入微调的开发者，这里都是最实用的指南。
指南
Before
After
Back to Top