专注最新最热的AI知识学习，以实战方式总结心得。

痛点：简单的上下文修剪可能导致间接相关但关键的信息丢失。原理语义浓缩。当上下文过长时，触发摘要节点，让模型将历史对话提炼成简洁的摘要，保留核心观点、逻辑关系和关键数据，然后用摘要替代原始长上下文。LangGraph实现：设置一个条件分支，当上下文Token数超过阈值（如1500）时，触发“摘要节点”，生成摘要后再进入回答生成阶段。性能提升：与仅修剪相比，在保证高压缩率（30K Token→8K Token）的同时，将关键信息遗漏率从25%大幅降低至8%。

1、访问mcp servers github开源你地址。

https://github.com/x1xhlol/system-prompts-and-models-of-ai-tools#

可以看到，这里访问的IP地址，是http://localhost:3001/onboarding；使用ollama gemma3模型，识别图片中的信息成功；

LangChain（87.4k 颗星）AutoGen（27.4k 颗星）ChatDev（24.1k 颗星）SuperAGI（14.8k 星）AutoGPT（163k 颗星）dify（34.1.7k 颗星）BabyAGI（19.5k 星）FastGPT（14.6k 星）Bisheng（7.8k 星）MetaGPT（41k 星）CrewAI（16k 颗星）XAgent（7.8k 星）CAMEL（4.7k 星）航海者（5.3k 星）

说明：docker部署后默认是支持远程访问的；

新内容首先推送至500-1000人的初始流量池，根据点击率（≥5%）、阅读完成率（≥30%）等数据决定是否进入更大流量池。· RSS：基于XML的订阅协议，用户主动选择信息源，内容通过RSS阅读器被动聚合，更新由源网站触发。· 今日头条依赖算法主导：通过冷启动、流量池分级、多批次推荐等机制，动态调整内容曝光。收集用户行为（浏览历史、搜索记录、互动数据），构建兴趣标签体系，实现精准匹配。

RSS（Really Simple Syndication，简易信息聚合）是一种基于XML格式的内容分发技术，允许用户通过订阅源（RSS Feed）集中获取多个网站的更新内容，从而避免频繁访问各个网站。· 工具生成：对不提供RSS的网站（如微信公众号、B站），可用 RSSHub 等工具生成订阅源。· 公共源平台：通过聚合源站点（如 rss-source.com）获取预分类内容。· 技术基础：遵循XML规范，所有元素需闭合、属性值需引号包裹，确保机器可读性。

其最大的亮点在于引入了进程内自定义工具的概念，避免了管理外部MCP服务器的麻烦，同时通过钩子机制提供了深度的控制和定制能力，是开发者构建下一代AI驱动应用的重要工具。它是一个软件开发工具包，允许开发者通过 Python 代码与 Claude Code（一个专为编码和智能体任务设计的 Claude 应用程序）进行交互、集成和扩展，从而构建强大的、由 Claude 驱动的AI智能体（Agent）。适合快速、简单的交互。· 实现复杂的、多步骤的任务自动化（如代码库分析、重构、文件操作等）。

项目 GitHub 地址：

前几天一直在研究Openmanus，对比而言，Openmanus更像一个只有基础框架的完备度小于10%的产品，Manus在同样的任务上，超出预期，完美的完成任务；

安装命令：（需要先安装Node.js）

中间有错误，但是思考后，自动修复；进程已结束，退出代码为 0。

定义了：think、act抽象方法，和step的执行的逻辑；定义了：ToolCallAgent工具调用Agent的基类，有4个继承类；定义了：think、act的实现；是browser.py、manus.py、mcp.py、swe.py的父类；browser.pyopenmanus agent工具类分析-CSDN博客。

BingSearchEngine：查询的结果为空；DuckDuckGoSearchEngine：报错。GoogleSearchEngine：报错。BaiduSearchEngine：成功。

endendendendendendendendendendend%% Styles。

https://github.com/ahmedkhaleel2004/gitdiagram后端调试：会提示api_key失败的问题：有两种方法解决：1、注释掉下面的行代码；方法二：登录openai网站配置一个api key；然后在这里写死：直接后端调试成功：api_url = f"https://api.github.com/repos/{username}/{repo}/git/trees/{branch}?recursive=1"ahmedkhaleel2004/gitdiagram，前两个参数从开源

app.llm:ask_tool:7632025-04-29 10:54:26.351 | ERROR | app.llm:ask_tool:763 - OpenAI API error: Error code: 500 - {'error': {'message': 'InvokeModel: operation error Bedrock Runtime: InvokeModel, https response error StatusCode: 400, RequestID: b2bc5516-

国内邮箱可能无法访问验证地址；但是邮箱需要验证后才能使用；

Docker（支持轻量级 ultra-lite 镜像）、LibreOffice（文档转换）、Tesseract（OCR）。· 安全合规：漏洞报告流程（SECURITY.md）、数据库备份方案（DATABASE.md）。· 敏感内容自动擦除（Redact）、元数据编辑/清除、PDF 标准化（PDF/A）。· PDF ↔ 图像（PNG/JPG）、HTML、Markdown、XML、CSV。· 自动化处理：自动分割扫描件、空白页检测、内容缩放（百分比调整）、对比度优化。

该组件设计符合现代Web应用开发规范，结合了中提到的富文本编辑器工具栏扩展思路和的React Native工具栏设计理念，实现了企业级工具调用监控系统的核心功能。这是一个基于React构建的工具调用侧边面板组件，主要用于展示和管理自动化工具调用流程。• 工具类型覆盖：支持15+种工具类型，包括命令行操作、文件操作、网页抓取等，通过专用视图组件提供定制化展示。• 步进控制器：支持滑动条导航和分步按钮，展示当前步骤位置（Step 3/10）• 移动端折叠状态标签，桌面端显示完整工具名称。• 流式内容分块加载（

该组件体现了现代Web调试工具的设计理念，通过[安全数据解析]+[状态驱动UI]+[沙箱集成]的技术组合，为浏览器自动化操作提供了专业级的可视化调试方案。这是一个基于React的浏览器操作可视化调试组件，主要用于在AI开发工具中展示网页自动化操作过程（如导航、点击、表单填写等）的执行状态和结果。• 支持与Cursor等AI编辑器深度集成，实现"自动Debug→修复→验证"闭环。• 当AI生成"点击登录按钮"指令后，通过该组件验证实际点击效果。• 最终操作：优先显示实时VNC，次选截图，最后显示沙箱连接。

suna目前的agent执行可视化界面主要有个实时界面，一个是前面介绍的浏览器访问界面，分析参考：suna工具调用可视化界面实现原理分析（二）-CSDN博客下面的Terminal界面，对应的分析参考：前端知识-Terminal实时界面的实现-CSDN博客从代码分析可以看到，是通过前端组件组装而成的一个terminal的效果，并不是真正的虚拟机的实时效果；

从日志查看，传递的模型参数不对；应该是自定义的"anthropic/claude-3-7-sonnet-20250219"循环次数一直是1，所以无法退出；

这是一个使用 Next.js 框架开发的聊天界面组件代码。

◦ 适用场景：任务类别差异大且分类准确率高（如模型分级路由：简单问题用Haiku，复杂问题用Sonnet）。• 工作流（Workflows）：基于预定义代码路径协调LLM与工具，流程固定（如按步骤调用工具）。• 智能体（Agents）：动态自主控制系统，LLM自行规划任务路径和工具使用，灵活性更高。• 易用性：避免复杂格式（如JSON转义），贴近自然文本格式（如Markdown代码块）。• 智能体适用场景：任务开放性强、需动态决策（如多文件代码修改、复杂信息搜集）。

5、从前后端使用的依赖库看，相比gitdiagram并没有使用基于语义分析的组件能力，只是内容布局更丰富详尽一些，但耗时更长；1、本地部署明星比较简单，但是部署时间比较长；4、生成内容比gitdiagram详尽；2、支持中文，比较友好；3、检索时间比较长；

是一个用于构建和部署基于LangChain的AI代理和工作流的可视化工具平台。它采用可视化、拖放式界面，使用户无需编写代码即可创建复杂的基于大型语言模型(LLM)的应用和工作流。

先启动根目录下的server，端口如果有冲突直接在default变量赋值时修改；执行获取github一周热门信息时，界面崩溃：（待后续根据新版本更新）注意设置大模型的url和模型名称、api_key。再启动前端，先build再run dev；配置.env和conf.yaml。github拉取代码。

DeerFlow (bytedance) 企业级多智能体研究框架，支持复杂工作流（搜索/代码/PPT/播客），适合团队深度研究。功能 dzhng/deep-research btahir/open-deep-research bytedance/deer-flow。btahir/open-deep-research 模块化设计：可替换搜索引擎/LLM，支持插件式扩展 中，适合开发者定制。btahir/open-deep-research 灵活配置，支持多模型和搜索引擎。功能单一，仅支持OpenAI。

​。

可以轻松添加新的视频平台、转写引擎或 GPT 提供商，同时保持了高性能和良好的用户体验。这个架构的精妙之处在于。

以下是当前在 ​。

🔗 ​​：👉。

本环节为炉边对话，嘉宾为吴恩达（Andrew Ng），无需过多介绍，广为人知。吴恩达在 Coursera 和深度学习教育领域影响深远。Harrison 介绍自己与吴恩达的合作渊源，尤其在 LangChain 相关课程开发上的支持。原片 @ 01:10吴恩达回顾了约 1.5-2 年前业界关于“智能体”与否的争论。彼时他提出不必纠结某系统是否“真正的 agent”，而应关注“agenticness（智能体性）”这一连续光谱，每个系统都有不同自治程度。

模式核心机制适用场景复杂度顺序执行固定节点链路线性流程任务⭐监督模式动态路由（Command）多智能体分工⭐⭐⭐Map-ReduceSend对象分发批量并行处理⭐⭐人机协同中断（interrupt）高风险操作审核⭐⭐反思优化条件循环边迭代优化输出⭐⭐⭐LangGraph官方示例库提示：结合可强化结构化输出能力（见的JSON模式）。

🔧 LangFlow 的可视化技术栈· 底层框架：基于 （一个现代化的 React 节点绘图库）· 功能：· 拖拽式构建 LangGraph 状态机· 实时连线定义节点依赖关系· 可视化调试循环和分支逻辑LangFlow 功能 对应 LangGraph 技术节点参数配置表单 自动解析 LangGraph 的 State 和 Runnable一键导出为代码 生成 LangGraph 的 Python/TypeScript 代码。

​（企业级支持），规避实验性框架的生产风险。​（灵活开源）或 ​。

https://github.com/mannaandpoem/OpenManus

ADK 是 Google 开发的一个开源、代码优先的 Python 工具包，专门用于构建、评估和部署复杂的 AI 智能体。虽然为 Gemini 和 Google 生态系统进行了优化，但 ADK 是模型无关的，支持多种部署方式。