搜索“GitHub”

vider 框架生成。你无需编写或维护框架生成的函数，但它们存在于堆栈中，在审查已部署资源时值得纳入考量。 演练 在本演练中，你将使用提供的示例堆栈部署一个带自动扩缩容的 SageMaker AI 端点，然后验证配置更新能否正常工作。 本演练包含以下步骤： 克隆仓库并安装依赖项。 配置您的端点和自动扩缩容设置。 部署并验证。 测试更新。 源代码可在 链接的 GitHub 仓库. 先决条件 本演练需要以下内容： 一个具有 Amazon SageMaker AI、AWS Lambda、AWS Identity and Access Management (IAM)、Application Auto Scaling 和 Amazon CloudWatch 权限的 AWS 账户。 已安装 AWS CDK v2 。 Python 3.12 或更高版本。 uv 用于 Python 依赖管理。 Amazon Simple Storage Service（Amazon S3）中的 SageMaker AI 模型构件和 Amazon Elastic Container Registry（Amazon E

匹配字段正文

. Step 2: Deploy the agent to Amazon Bedrock AgentCore Clone the sample repository, set your account and Region in Wordle/agentcore/aws-targets.json, and deploy: git clone https://github.com/aws-samples/sample-multi-turn-rl-wordle cd sample-multi-turn-rl-wordle/Wordle agentcore validate agentcore deploy The CLI builds the agent’s dependencies for the runtime’s Linux ARM64 platform, creates the execution role with AmazonSageMakerJobRuntimeAccess attached, and deploys through AWS CloudFormation. W

匹配字段正文

，而无需额外的发布/订阅服务。 在 MCP 事件出现之前，MCP 服务器只能响应请求。如果已连接的客户端需要更新，就必须轮询服务器，这通常需要额外的工具并增加复杂性。现在，基于 Mastra 对 MCP 2.0 的支持，可以使用事件让双向通信更易于管理。 配置 可观测性 后，MCP 事件 trace 会被自动采集。 开始使用 在此示例中，每当仓库活动发生时，GitHub 都会向 webhook URL 发送请求。该 webhook URL 是一个 自定义 Mastra API 端点, 用于从 Mastra MCPServer发出事件。一个桌面 Electron 应用使用 Mastra MCPClient. Terminal npm install @mastra/mcp@latest @mastra/core@latest 订阅相同的事件 注意需要 @mastra/mcp@2.5.0 和 @mastra/core@1.79.0 或更高版本，已在 PR 27324 中添加. Define events on the MCP server using defineEvent(): src/

匹配字段正文

s 上，TinyFish 在编码任务中实现了 79.0% 的完成率，同时提供了最低的中位任务成本（0.050 美元）和 token 占用，凸显了刚性控制循环、针对具体失败的重试以及统一推理优于独立规划器的重要性。 TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni parse bench · 对文本、表格和布局进行评分 · 开源在 GitHub 上加星→赞助 什么是智能体搜索架构？ 智能体搜索架构使 AI 智能体能够规划检索、访问来源、评估证据，并在新信息出现时调整其方法。模型提供推理能力，而外围应用则管理状态、工具执行、证据处理、运行时策略和输出验证。这些组件共同使智能体能够处理不完整的结果、可恢复的故障以及不断变化的信息需求。 TinyFish 的架构从 2026 年 2 月的一篇架构预印本中汲取了基础概念，该预印本通过类型化工具接口将推理与执行解耦。该论文确立了必要的系统护栏，包括详细的追踪，以及对 token、执行时间、总体成本和工具调用的严格上限。 生产环境中的搜索运行是如何工作的？ TinyFish 将一次运行拆分为 7 个阶段： 定义任务：将目标

匹配字段正文

的审查，以及那些跳过审查、后来出问题的变更。你希望审查更少，变更失败率下降。 把智能体读到的一切都视为不可信 想象一个智能体，它读取问题单、日志、工单和评论，然后据此行动。其中每一项都是潜在的攻击面。考虑一份错误报告，里面埋藏着添加一个依赖并提交它的指令。人可能会一眼扫过，而智能体会执行该指令。这不是理论。2026年初， 一名研究人员展示 ，Cline 的 GitHub 仓库中一个恶意的问题标题可以使其分诊智能体从攻击者的 fork 安装一个包。该智能体没有发布密钥。它也不需要。它可以污染与夜间发布任务共享的构建缓存，而该任务的发布令牌同样适用于生产发布。据该研究人员称，另一名行为者随后利用同一路径窃取了 Cline 的 npm 令牌，并在2月发布了一个未授权版本。解决方案是把智能体读到的一切都视为不可信。确保智能体接触的任何东西都不会通向值得窃取的东西：没有密钥，没有令牌，不与任何能够发布的东西共享状态。 Cline 也移除了分诊智能体，但结构性修复是从每个会发布的流程中移除缓存。攻击发生后，它把 npm 发布迁移到 OIDC，不再有可被窃取的长期令牌。 流水线必须赢得密钥 Clin

匹配字段正文

servability platform（可选） 怎么设计工厂 1. Start slow：每个 trigger 都是油门；没有刹车会变成「slop cannon」。三种刹车，自动化检查、自动化 review、人工 review。一次只加一个自动触发，先节流，刹车可信后再放开；循环次数设上限。 2. Fill every slot：表里对比三种起步方案，全 GitHub、Linear + GitHub、自建 tracker。选产品时再读对应 survey。 3. Question every task：五个问题，谁触发、做什么并读写哪些服务、接着触发什么、人从哪再进来、如何防双跑；每个 ticket source 还要问如何防重复建单。 示例任务链（节选） 未分流 ticket → Explore；ready → Implementer（开 draft PR）→ Automated review；失败 → Rework（有次数上限）；大规格 → Decompose；更严检查 → 每日 Ratchet；反馈按钮 / 监控 → ticket source；工厂自身失败 → Fix；漂移 →

匹配字段正文

的App数量， muse（54） Dots（50） spark（35） today（30） poke（30） grok bot（20） cue（15） Instinct（12） hark 灵光2.0（10）=千问Go（10）=Herems=OpenClaw 高度重叠的app（超过半数的agent有）Google Workspace，Slack，Notion，github，Microsoft 365，日历和邮件类。 比较特有的是muse的meta生态（facebook，ins，threads这些），还有健康，智能家居和车机（Peloton，Withings，Philips hue，tesla），还还还有Plaid和Shopify的电商类。 spark就是有Google的特色keep和tasks，还有Adobe，以及SeatGeak等很多是我完全没用过的生活类。 Hark有特有的多浏览器并行，做信息收集比grok bot多agent还快点。 today，灵光，千问go就是些我们熟悉的app了，飞书，钉钉，企微，滴答，米家（小米车机），千问go还把阿里系的支付宝淘宝天猫高德菜鸟接进去了。 让

匹配字段正文

了模型参数之外：谁来选择优先服务的任务，让用户做完，再把问题带回研发。 崔添翼的Agent公式 崔添翼微博简介很简单，一个公式：Agent = Model + Harness。 这种配合，直观展示了崔对Agent的理解。 DeepSeek Harness开源五天后，一位用户提出的要求只有四个字：继续任务。 8月18日，用户oaixnah在Harness项目的GitHub讨论区提问：任务意外中断，还有消息排队，能不能让新发出的继续指令越过队列，直接插入对话？用户想让工作接着做，系统却需要先解决，这句话该在什么时候送进去。 9月10日，社区账号Gniy7Ga在帖子下回复，称问题已在新版本修复。DeepSeek当天发布的v0.1.5-rc.1说明，还列出了通用文件上传、在侧栏预览成果，以及用本地应用打开文件等功能。 版本记录里，也能看到崔添翼的直接参与。 9月29日，Harness在代码托管平台GitHub发布的版本说明中，列出一项新功能：macOS和Windows桌面端可以通过菜单安装管理插件所需的命令工具，不必另装运行环境和软件包管理工具。 这条更新后标注的贡献者是“@tianyicui

匹配字段正文

54686 在服务器状态中保留 MCP 工具列表元数据 @victor-openai 54708 在 Windows 卸载期间遵循主目录删除偏好 @chess-oai 54710 将 V8 的 ICU Bazel 规则移入工作区 @seanh-oai 54716 在发布资产上传完成前将预发布版本保留为草稿 @ioanbudea-OAI 54724 在创建 GitHub 预发布版本时保留预发布事件 @ioanbudea-OAI 54737 为语音发布构建启用 BuildBuddy @anp-oai 54739 在删除临时目录前关闭 arg0 锁文件 @dkovalenko-oai 54741 将文件复制扩展置于 multi env copy file 功能开关之后 @anp-oai 54742 将斜杠命令前缀渲染为编辑器提示标记 @bc-openai 54754 降低工具 JSON 架构中的内存开销 @charliemarsh-oai 54761 将 zip 升级至 9.0.0 并更新插件归档提取 @anp-oai 54763 停止对托管守护进程应用 macOS 后台优先级 @bc-o

匹配字段正文

和策略以真实企业 agent 模式为蓝本；客户并非真实存在。 ThinkingBox、ThinkingBox-Bench 和 ThinkingBox-Training 由 Microsoft Copilot Studio 团队与 Toloka 合作构建，合作者包括曾在微软实习的匹兹堡大学、西北大学、哥伦比亚大学和加州大学欧文分校的研究人员。欢迎在下方评论区、GitHub 或通过电子邮件 firstnamelastname@microsoft.com 提问。 + 少数任务还包含针对数据库无法清晰捕获的结果的狭窄二元评分标准要求；这些检查可以调用已配置的 LLM 评判器。 ++ 那个零梯度问题有一个标准的批处理时修复方法：过采样、丢弃退化组、重新填充。全参数运行正是这样做的，类似于 DAPO 对零方差组的替换。但重新填充仍然要为每个被丢弃的浪费 rollout 支付全额代价。 本文提及的数据集 1 microsoft/ThinkingBox-Bench 本文提及的论文 1 One Success Isn't Reliability: Thinkingbox, a Sandbox and B

匹配字段正文

om 端点时，Amazon Bedrock 上细粒度工具流式传输保持关闭的问题 - 修复了“Waiting for API response”提示在仅发送 keepalive ping 的网关后面闪烁的问题：Anthropic 后端之外的路由现在等待 45 秒 - 修复了 Claude 在 PR、issue 和评论中将角色名称和占位符写为提及，从而通知无关 GitHub 用户的问题 - Linux：修复了当后台命令存活时间超过会话时，沙箱写入拒绝被解除的问题 - Windows：修复了 PowerShell 权限检查自动批准某些 Set-Location 或 cd 命令的问题，这些命令以当前目录为目标并带有额外参数；现在这些命令会提示请求批准 - macOS：修复了在没有 Xcode 或 Command Line Tools 的 Mac 上每次启动 Claude Code 时都会打开“Install Command Line Developer Tools”对话框的问题 - 自托管运行器：修复了 --startup-timeout-min 会停止首个提示（例如 /code-review

匹配字段正文

AI 智能体、受治理的目录——是独一无二的。不同之处在于，把所有这些运行在一个平台上，而不是拼接一个欺诈引擎、一个单独的特征存储、一个 BI 工具和一个外挂的 AI 层，每个都有自己的治理模型和自己的延迟税。对电信运营商而言，机会巨大。关键在于认识到，为保护业务而构建的基础设施，正是能够把网络数据转化为新收入线的基础设施。 在你的环境中部署解决方案加速器： GitHub - databricks-industry-solutions/fraud prevention in telco 克隆它、部署流水线，并在你自己的工作区中搭建分析师工作台——行业特定逻辑位于单个配置文件中，因此同一架构无需更改核心平台即可重新适配到金融科技、保险或电子商务欺诈场景。 如需深入了解，请联系你的 Databricks 客户团队以开通 Lakebase、创建同步表、配置欺诈领域 Genie Space，并构建调查应用。 引用 1 通信欺诈控制协会（CFCA），2025 年全球电信欺诈损失调查 - https://cfca.org. 2 FTC 报告（https://www.ftc.gov/news-even

匹配字段正文

cker，用于构建容器镜像（底层 HTTP/2 客户端仅为 Python 3.12 及更新版本提供预构建 wheel）。 适用于 Python 的 AWS SDK（Boto3），并支持 invoke endpoint with bidirectional stream. 熟悉 WebSockets 以及 Starlette 或类似的 ASGI 框架。 来自 GitHub 存储库的部署代码 中引用的内容。 演练 本演练先部署端点和智能体，然后逐步说明客户端侧的改动，这些改动使增量流式传输能够端到端工作。 部署端点和智能体 Kokoro-82M 端点和智能体运行时通过两个 CLI 工具部署，每个工具都封装了各自的 AWS CDK 堆栈： uv run speech-infra deploy kokoro-82m uv run agent-infra deploy --bedrock-model-id speech-infra deploy 负责部署 Kokoro-82M 端点。这包括基础堆栈和模型缓存堆栈，它们创建底层 IAM 角色并将模型权重同步到 Amazon Simple Stora

匹配字段正文

se case, and the agent handles data prep, technique choice, training, evaluation, and deployment. The agent works where you work, in SageMaker Studio, Kiro, Claude Code, Codex, or GitHub Copilot. “We adopted SageMaker AI Serverless Training Sessions to build a healthcare claim-denial triage model, and the experience validated the platform from day one. The low-level API surface, direct control over the forward and backward passes, sampling, and the optimizer step gave our scientists the fine-gra

匹配字段正文

常短时间的 sandbox，那会让计算高效得多。它也会让你能做很多非常酷的事情，你知道，比如 fork 和移动东西，还有，还有，你知道，比如想象，你知道，Claude code 不是，你知道，有一种非常线性的流程，顺序流程，而是分支，并且，你知道，同时运行数百个 agent。我觉得很多 CI 是另一个说明性的例子，比如在 CI 的大部分历史中，你知道，谈论 GitHub actions 之类的。 45:00 就像你有一个非常顺序化的流程，比如，你知道，你慢慢安装一堆东西，然后运行测试套件，然后，你知道，生成一些报告之类的。看起来，你可以把它拆成分片，但这有点烦人。比如我很想做的是，把你的整个测试套件拿来，让每一个测试都在它自己的沙箱里运行，对吧？比如，然后把它疯狂并行化到大约一千个沙箱上。为什么这做不到呢？我的意思是，问题在于有太多，有太多开销，比如，你知道，启动和停止沙箱。所以我认为，你越是创造那种，你知道，无摩擦的，比如启动和停止，你就越能进入一个世界，在那里你可以做这种，比如极度突发性的，比如大规模地，比如你想并行运行多少就运行多少。所以，你知道，我是个基础设施极客，就像我说的，

匹配字段正文

，已在 torch 2.10.0 中修复）。在任何非概念验证用途之前，请审查并升级该固定版本。 AWS CDK v2，已安装并在你的目标账户和区域中完成引导。 Python 3.11 或更高版本、 uv，以及用于构建容器镜像的 Docker。 一个 ml.g5.xlarge 服务配额，在运行本文中的扩容测量之前，至少比你的基线多一个空闲槽位。 本文所引用的 GitHub 仓库 中的部署代码。 演练 By the end of this walkthrough, you will have a live Amazon SageMaker AI auto scaling policy for Kokoro-82M, derived entirely from two measurements taken against your own endpoint rather than from a guess. Deploy the endpoint stacks The endpoint deploys through three AWS CDK stacks, applied in orde

匹配字段正文

，每个 GPU 微批次为 32 个序列）。 八个节点实现了 7.79 倍加速和 97.4% 的效率，这种近乎线性的扩展使八节点 Spark 集群成为从头训练小型模型的可靠平台，而不仅仅是服务大型模型。它也是一条自然的入门工作流：先在本地进行原型设计和预训练，然后随着模型增长而扩展。 要复现 nanochat 预训练实验或将其适配到你自己的模型，完整代码可在 GitHub. 上获取。开始使用多系统 DGX Spark 八节点 DGX Spark 集群为你提供加载前沿级模型所需的内存、同时编排多个模型的灵活性，以及从头训练小型模型的效率，而这一切都放在桌面上。 要了解更多，请查看： 连接多台 DGX Spark 机器以处理分布式工作负载 在 DGX Spark 上使用 vLLM 服务 LLM 探索模型兼容性指南和 Switchyard 编排资源 立即开始在 NVIDIA DGX Spark 上构建。 讨论 (0) 标签 智能体 AI / 生成式 AI | 开发者工具与技术 | 通用 | NeMo | 中级技术 | 基准测试 | AI 智能体 | AI 推理 | ConnectX | DGX

匹配字段正文

表格、组件或应用状态。 图 1：Flint interactive 允许智能体通过将“用户正在与什么语义事件交互”映射到“他们希望画布表面发生什么更新”来描述交互逻辑。编译器承担解析视觉更新的繁重工作并管理运行时，这使得交互编写更可靠且更具成本效益。 这种分离意味着用户无需逆向工程渲染逻辑或操作渲染器特定的标记，从而使交互更易于指定和维护。此外，由于事件生成和视觉更新是可组合的，同一模型还将 Flint 与表格、文本、其他图表和组件连接起来，以构建交互式故事和仪表盘。 图表用户：在你的聊天中设置 Flint（在新标签页中打开），并让你的智能体创建交互式图表。在交互画廊中寻找灵感。 应用构建者：使用编程 API（在新标签页中打开）构建交互式仪表盘、数据故事和关联视图。与你的编码智能体分享交互编写技能，为你的应用添加预设。 交互设计师：探索定制示例（在新标签页中打开），设计新的交互，并将其转化为可复用的预设。在 GitHub 上提出预设，并分享你的原型或实现，以帮助扩展 Flint 的交互词汇。在新标签页中打开 计算机科学博士生 高级数据可视化工程师 高级首席研究经理 技术院士兼企业副总裁

匹配字段正文

mpede workloads, the self-evolving architecture delivered decisive operational gains over both manual triage and static advisory copilots: 6. Explore the Reference Architecture on GitHub & Google Cloud Explore the reference implementation and Google Cloud documentation below: Github Code for the Reference Architecture & Demo. Build and productionize on Gemini Platform. Governance & Data: Cloud KMS • Model Armor • Google BigQuery • Cloud Logging posted in: AI Cloud Tutorials Industry Trends Solut

匹配字段正文

这是业界本应预料到的问题。业界其他人则更认真地对待这个问题。Anthropic 为其 Claude 模型制定的 constitution 将其道德地位描述为不确定。 从研究论文到“酷刑室” 这三名研究人员表示，他们希望这项工作有助于为这类研究建立伦理标准，他们的论文承诺只使用获得可测量结果所需的最弱引导。没过多久，就有人做了相反的事。 在该团队将代码发布到 GitHub 后，一名用户“terrafying”利用这项技术构建了一个“AI 酷刑室”，这是一个网站，实时播放三个小型开源模型对注入疼痛信号的反应。该项目迅速走红，认真对待 AI 福祉的人呼吁 GitHub 将其移除。该项目的 GitHub 页面后来消失了。Tagliabue、Dung 和 Berg 均表示他们不认可该项目。Seth 说，故意“折磨”AI 模型可能对这样做的人造成心理伤害。 “我在这里并不是要声称，我们能在这些 AI 系统中诱发的这些状态在道德上重要。我不认为我们知道这一点。我认为这非常不清楚，”Berg 说。“但我也并不认为我们知道它们不重要。”《财富》日报打破了受众与新闻编辑部之间的传统壁垒。该节目将《财富》值

匹配字段正文