标签 AI 下的文章

2026-10-27 项目

搭 AI 智能体，很多人卡在「从节点画布到能上线」之间的那段工程：连模型、接工具、配记忆、管工作流、做鉴权、部署监控，全是散落的活。Sim（Sim Studio）想把这些收进一个可视化平台：你拖拖拽拽就能搭出 Agent 与工作流，连上 270+ 集成和几乎所有主流大模型，再用一条命令把整套东西在本地或服务器跑起来。对非工程团队尤其友好。 Sim 由 Sim Studio 团队开源（Apache-2.0），定位是「为 Agent 与工作流而生的可视化平台」。它兼顾可视化搭建、...

Framework ragflow 基于深度文档理解的开源RAG引擎

2026-10-27 项目

做 RAG（检索增强生成），最难的从来不是「接个向量库」，而是「文档喂进去之后，答案是不是真对」。很多系统一遇到扫描件、复杂表格、多栏排版就崩，召回出来的块是错的，回答自然也错。RAGFlow 由 InfiniFlow 开源，主打基于「深度文档理解」的 RAG 引擎：它在解析阶段就把版面、表格、图表真正读懂，从源头保证召回质量，而不是把脏数据丢给大模型硬编。 RAGFlow 用 Go 与 Python 混合实现，提供完整的文档解析、向量检索、重排与对话链路，并可通过 Dock...

Python code-review-graph 用AI生成代码审查依赖关系图

2026-10-27 项目

Code Review 最耗人的是「上下文分散」：改动牵扯哪些文件、走哪条调用链、谁该来审，全靠人肉翻。code-review-graph 想用 AI + 调用图把这件事自动化：它先把代码库解析成调用/依赖关系图，再据此生成带上下文的 Review 材料，直接喂给 Cursor、CodeBuddy、Codex 这类 AI 编码工具，让它们带着「全局视角」去审，而不是只盯着 diff。对大型仓库尤其有用——人脑很难在一眼之间理清改动的影响面。把调用图交给工具，再让 AI 带着...

Library mcp-use 把任意大模型连接到MCP服务器的库

2026-10-27 项目

有了 MCP 服务器，下一个问题是「怎么让我的 AI 应用连上去，还能动态挑工具、配鉴权」。mcp-use 是个轻量库，把「任意大模型 ↔ 任意 MCP 服务器」这件事封装好：你不用关心传输细节，给一个客户端配置和一个 Agent，它就能自动发现工具、按需调用，甚至截图生成卡片。对想快速给自有应用接 MCP 的开发者很合适。对已经写了 AI 应用的团队，mcp-use 的价值是「即插即用」：不用为每个 MCP 服务单独写适配，统一一套客户端接口就能横向接入海量工具，把集成成...

Python MinerU 将PDF与网页高质量转为Markdown

2026-10-27 项目

把 PDF、网页、电子书喂给大模型，第一步往往是「先变成干净的 Markdown」。但扫描件、复杂表格、公式、多栏排版，常规工具一碰就乱，出来的文本错行错位，RAG 直接废。MinerU（OpenDataLab 团队）专门解决这个：它用深度学习做版面检测与 OCR，把各种文档高质量转成 Markdown/JSON，连公式和表格都尽量保真，是中文圈里把「文档入场」做扎实的开源工具。对做知识库、智能问答、论文分析的团队来说，文档清洗往往是最大的隐性成本。MinerU 把这道工序...