个人学习工作分享

阅读anthropic building-effective-agents 文章有感而发

学习

本文作者阅读了anthropic的"building-effective-agents"文章后有所感悟。文章讨论了智能创作中使用的流程与工具的重要性。作者描述了如何使用LLM与预定义代码编排创作的工作流流程（workflow），这种方式可以一定程度解决问题但缺乏智能性。他意识到代理的核心在于模型和工具定义的清晰性。针对如何使用工具，作者强调工具定义应包括示例用法、边缘情况、输入格式要求等，并对工具进行防错设计。此外，作者还讨论了模型返回结果的格式化控制问题，指出模型返回json时可能出现的未转义双引号问题。文章还提到了AI、开源和科技前沿话题的重要性。

还能这样？命令行输入错误，骂它就能解决？

学习

介绍了一个有趣的命令行工具“the小可爱”，它能在用户输入错误的命令时自动进行修正。文章详细描述了该工具的安装方法，包括在macOS、Linux、Ubuntu、Mint、FreeBSD、ChromeOS和Arch系统上的安装步骤。同时，也提到了在Windows的WSL下的Ubuntu环境中可能遇到的问题。此外，文章还介绍了如何设置该工具以便在每次打开终端时都能使用，以及它的使用方法和更新卸载方式。该工具自带了160多种规则，并且可以自定义规则。这是一个开源的命令行工具，旨在方便用户在输入错误命令时快速修正。

从“代码恐惧”到“得心应手”：命令行错误不再难

学习

介绍了一款命令行工具wut，它基于大语言模型（LLM）技术，能够解析终端中的任何内容，包括堆栈跟踪、错误代码、日志信息等，并为用户提供清晰易懂的解释。安装指南简单，可以选择使用OpenAI或Anthropic的Claude作为LLM提供商。使用方法方面，wut必须在tmux或screen会话中运行，可以直接获取上一条命令的输出解释，也可以附带查询语句使用。文章总结了该工具的特点和优势，并鼓励读者安装使用，分享交流。

你这个django正不正宗，怎么看起来像flask？

学习

小琪和小胖尝试使用新的工具nanodjango来简化Django应用开发。nanodjango允许在一个文件中完成整个Django应用，包括模型、视图和管理后台。他们展示了如何使用nanodjango快速搭建一个计数器应用，并演示了API支持、异步视图、管理后台等功能。这个工具对于快速搭建原型或小型应用特别方便，并可轻松转换为完整的Django项目。他们还探讨了如何将其集成到日常工作中，并展示了nanodjango的潜力。关键词：python，Django，开源工具，nanodjango。

fast-graphrag 探索（4）- 我把模型服务干崩了！

学习

文章摘要：本文主要描述了小胖在使用fast-graphrag模型处理研报数据的过程中所遇到的问题及解决方法。文章首先介绍了小胖尝试用fast-graphrag模型插入研报数据时发现数据结果意外少，然后通过检查代码找到了是因为n_checkpoints参数设置不当导致的问题。接着，小胖面对并发量过高导致的模型服务崩溃问题，通过限制并发数成功解决了问题。文章关键词为python，fast-graphrag探索，AI，rag，开源。

大升级！LLM应用监控、测试、优化一步到位！

学习

本文介绍了使用langfuse工具在开发基于检索增强生成（RAG）模型应用时的监控追踪方法。文章详细描述了langfuse的功能，包括LLM可观测性、提示管理、LLM评估、数据集管理等。文章还介绍了langfuse最近的v3.0.0大版本升级，包括引入Async Worker、Redis、Clickhouse和S3 / Blob Storage等技术来提升系统的可扩展性、性能和数据处理能力。文章通过实例展示了如何使用langfuse进行trace、提示词管理，并总结了langfuse在LLM应用开发生态系统中的作用。最后，文章呼吁读者关注公众号并分享使用langfuse的经验和想法。

腾讯云智能结构化OCR实战：从图片到结构化数据的高效转换

学习

本文介绍了作者使用腾讯云智能结构化OCR服务的实战体验。文章首先描述了作者的需求背景，即关注多个理财子的公众号，收集理财产品的清单文章数据。由于遇到一些识别问题和token费用较高的情况，作者尝试使用腾讯云的智能结构化OCR服务。文章详细介绍了安装SDK、代码实现、验证和web部署的过程，并分享了使用腾讯云智能结构化OCR服务的体验和效果。相较于传统OCR，腾讯云智能结构化OCR能够更好地进行结构化数据的处理。整体使用较为简单，但在某些情况下仍需改进。最后，文章欢迎读者分享对OCR应用的经验和看法，并附上了相关图片和代码示例。

微软开源的处理工具 - markitdown

学习

微软最近开源了一个名为markitdown的Python工具，可将各种格式的文件和office相关格式的文件转换为Markdown格式。它支持多种文件格式转换，如PDF、PowerPoint、Word、Excel、图片、音频等。此外，markitdown还支持调用大模型处理图片、音视频等格式的文件数据。该工具的安装简单，并且提供了高级用法和API接口，方便集成到内部流程、数据管道或知识管理系统中。其应用需求主要体现在非结构化数据转换、提高模型训练效率、复杂文档解析、知识管理和团队协作、数据源集成、在线文档与静态网站构建等方面。该工具为模型应用开发者提供了便捷的文件处理解决方案。

fast-graphrag 探索（3）- insert

学习

本文介绍了在Python中使用fast-graphrag框架进行知识图谱插入操作（insert）的流程。文章首先描述了state_manager属性的作用，它是一个泛型类，负责管理图中的节点、边、块等数据类型的存储和状态。接着介绍了GraphRAG类实例的state_manager是DefaultStateManagerService。在插入文档时，首先调用state_manager的insert_start方法，准备插入操作。然后，通过模型提取实体和关系，并将节点、边和文档数据插入到图存储中，同时处理一些计算和去重操作。最后，插入身份边以确保源索引和目标索引之间没有邻接关系。文章还包含了一些关于模型应用经验和看法的分享。

fast-graphrag 探索（2）

学习

本文探索了fast-graphrag库的GraphRAG类，它是基于Graph的检索增强生成系统的入口点。文章详细解释了该类及其依赖的各种服务和策略。重点在于泛型的使用，它提高了代码的灵活性和可重用性。此外，文章还讨论了依赖注入和类型提示等概念。通过对比简单的图类实现，阐述了使用泛型带来的好处。最后，文章展示了如何初始化GraphRAG类，并介绍了其内部配置和初始化过程。整体来看，本文是对fast-graphrag库的深入解析，旨在帮助读者理解其工作原理和应用方式。