Video wird geladen...

Video konnte nicht geladen werden

Beim Laden dieses Videos ist ein Problem aufgetreten. Dies könnte an einem vorübergehenden Netzwerkproblem liegen oder das Video ist möglicherweise nicht verfügbar.

来个专门面向 SQL 生成和 RDBMS 的 RAG 框架 —— vanna 这个 RAG 框架支持很多 RDBMS 包括 PostgreSQL，MySQL，Apache Hive，ClickHouse，Snowflake，Oracle，Microsoft SQL Server，BigQuery，SQLite，DuckDB 等等，并且可以自动获取数据库库表结构。最重要的是它还有自我学习功能，正确的问题到 SQL 的对应关系被存储起来，可以使未来的结果更加准确。地址：

karminski-牙医

37,546 subscribers

17,707 Aufrufe • vor 1 Jahr •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

3 Kommentare

Profilbild von Poison

Poisonvor 1 Jahr

应运而生。我估计很多人都写过自然语言查询到 SQL 的翻译，但做得好的真不多见😜👍

Profilbild von RTTS

RTTSvor 1 Jahr

API testing of interfaces is critical to determine if they meet requirements for functionality, reliability, performance, and security. Check out RTTS - the automated testing experts since 1996. #API #testautomation #integrationtest

Profilbild von notice_u

notice_uvor 1 Jahr

@readwise save thread

Ähnliche Videos

来个开源RAG平台——agentset 这个平台支持混合搜索和重新排序来提升结果精度，并且它内置了引用功能，可以告诉你生成的结果来自向量数据库中索引的哪些内容，能让人辅助检查避免错误或者幻觉地址：

来个开源RAG平台——agentset 这个平台支持混合搜索和重新排序来提升结果精度，并且它内置了引用功能，可以告诉你生成的结果来自向量数据库中索引的哪些内容，能让人辅助检查避免错误或者幻觉地址：

karminski-牙医

14,325 Aufrufe • vor 1 Jahr

来看微软开源的AI数据可视化工具——data-formulator （11.7K ★）不知道大家是有用过 Apache SuperSet. 微软这个开源工具类似，简单来讲，这个工具可以连接任何数据源，比如RDBMS，接口等。然后将数据聚合并可视化展示。而且最大的改进是，这些可以用AI来辅助完成，类似使用自然语言写SQL。而不是自己苦哈哈的从0创建图表。项目地址：

来看微软开源的AI数据可视化工具——data-formulator （11.7K ★）不知道大家是有用过 Apache SuperSet. 微软这个开源工具类似，简单来讲，这个工具可以连接任何数据源，比如RDBMS，接口等。然后将数据聚合并可视化展示。而且最大的改进是，这些可以用AI来辅助完成，类似使用自然语言写SQL。而不是自己苦哈哈的从0创建图表。项目地址：

karminski-牙医

20,067 Aufrufe • vor 1 Jahr

工作中经常查询数据库获取相关数据，每次都要写 SQL 语句挺烦的，如果涉及多表关联查询更麻烦。可以试下，OpenChatBI 这个开源的智能 BI 工具，用自然语言就能查询和分析数据，告别手写 SQL 的烦恼。基于 LangGraph 和 LangChain 构建，通过自然语言描述，理解后自动转换为 SQL 语句，还能执行查询、生成可视化图表。 GitHub：除此之外，还支持通过 MCP 配置接入外部工具扩展功能，以及对知识库整合可以回答复杂问题。提供了直观的 Web UI 界面，通过 pip 或 uv 安装后配置 LLM 和数据库连接即可使用。

工作中经常查询数据库获取相关数据，每次都要写 SQL 语句挺烦的，如果涉及多表关联查询更麻烦。可以试下，OpenChatBI 这个开源的智能 BI 工具，用自然语言就能查询和分析数据，告别手写 SQL 的烦恼。基于 LangGraph 和 LangChain 构建，通过自然语言描述，理解后自动转换为 SQL 语句，还能执行查询、生成可视化图表。 GitHub：除此之外，还支持通过 MCP 配置接入外部工具扩展功能，以及对知识库整合可以回答复杂问题。提供了直观的 Web UI 界面，通过 pip 或 uv 安装后配置 LLM 和数据库连接即可使用。

GitHubDaily

22,040 Aufrufe • vor 8 Monaten

我靠，Understand Anything 这个开源项目有点东西。它把 LLM 和静态分析结合起来，自动扫描整个代码库，提取文件、函数、类和依赖关系，最终生成一个可交互的代码知识图谱。可以直接： 1、浏览代码结构和依赖关系 2、查看业务逻辑如何映射到代码 3、语义搜索“哪些模块处理身份验证” 4、自动生成架构学习路径 5、分析一次改动可能影响哪些模块 6、按架构层级对代码自动分组 7、Claude Code, Codex, Cursor, Copilot 等多种支持它的分析方式也很合理： Tree-sitter 负责提取 import、函数、类等确定性结构；LLM 负责生成摘要、架构归类和业务领域映射。内部还拆成了多个专业 Agent，分别负责项目扫描、文件分析、架构识别、业务建模、学习路径生成和图谱校验。最终生成的知识图谱可以保存成 JSON、提交到仓库，并支持增量更新，不需要每次重新分析整个项目。对 AI Coding 来说，这类工具的价值很可观：把复杂代码库转换成 Agent 可查询、可复用、可持续更新的结构化上下文。相比每次让 Agent 从头读代码，这更像是在给代码库建立一层长期记忆。

我靠，Understand Anything 这个开源项目有点东西。它把 LLM 和静态分析结合起来，自动扫描整个代码库，提取文件、函数、类和依赖关系，最终生成一个可交互的代码知识图谱。可以直接： 1、浏览代码结构和依赖关系 2、查看业务逻辑如何映射到代码 3、语义搜索“哪些模块处理身份验证” 4、自动生成架构学习路径 5、分析一次改动可能影响哪些模块 6、按架构层级对代码自动分组 7、Claude Code, Codex, Cursor, Copilot 等多种支持它的分析方式也很合理： Tree-sitter 负责提取 import、函数、类等确定性结构；LLM 负责生成摘要、架构归类和业务领域映射。内部还拆成了多个专业 Agent，分别负责项目扫描、文件分析、架构识别、业务建模、学习路径生成和图谱校验。最终生成的知识图谱可以保存成 JSON、提交到仓库，并支持增量更新，不需要每次重新分析整个项目。对 AI Coding 来说，这类工具的价值很可观：把复杂代码库转换成 Agent 可查询、可复用、可持续更新的结构化上下文。相比每次让 Agent 从头读代码，这更像是在给代码库建立一层长期记忆。

Vince 聊开发

11,528 Aufrufe • vor 21 Tagen

最近在开发圈很火的 GitHub 项目 Firecrawl，一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。一句话总结：它可以把任何网站，直接变成 AI 能用的数据。只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说：网站 → 结构化数据 → 直接喂给 LLM。现在很多 AI 项目的数据流程其实都是：网站 → Firecrawl → 向量库 → RAG → AI 应用如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集这个工具基本算是 AI 开发的基础设施了

最近在开发圈很火的 GitHub 项目 Firecrawl，一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。一句话总结：它可以把任何网站，直接变成 AI 能用的数据。只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说：网站 → 结构化数据 → 直接喂给 LLM。现在很多 AI 项目的数据流程其实都是：网站 → Firecrawl → 向量库 → RAG → AI 应用如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集这个工具基本算是 AI 开发的基础设施了

开发者Hailey

139,754 Aufrufe • vor 4 Monaten

最近在 GitHub 上刷到一个挺炸的开源项目：Wren AI 它本质上是在做一件我们都很熟、但一直没被真正解决好的事：让不懂 SQL 的人，也能自己查数据库。比如说，业务、运营想看数据，第一反应就是来敲后端：“帮我查下上个月销量前 3 的产品”“这个转化率能不能按渠道拆一下”。 SQL 本身不难，但沟通成本、来回确认、临时插队，才是真正耗时间的地方。 Wren AI 的思路很直接：对话即查询。你直接用自然语言问问题，它会自动生成 SQL、跑库、给结果，甚至顺手把图也画好（柱状图、折线图那种）。可以把它理解成一个 “自带 AI 分析师的开源版 Metabase”，但门槛更低，不用拖字段、不用写 SQL。比较关键的一点是，它不是那种“裸 Text-to-SQL”。 Wren AI 引入了 Semantic Layer（语义层），你可以提前把业务指标、表关系、口径定义清楚，相当于给大模型加了一层“业务护栏”。这一步虽然需要懂数据库的人前期配置一下，但一旦理顺，后面业务方基本很难把数据问歪，准确性和安全性都高很多。模型和部署这块也挺对技术人的胃口： ·云模型：OpenAI / Claude / Gemini 都能接 ·数据不出内网：可以配 Ollama + 本地模型（比如 DeepSeek） ·数据库支持也很全：MySQL、Postgres、ClickHouse、DuckDB 基本全覆盖 ·安装也不折腾，有 Docker 基本就是一键起整体看下来，我觉得它特别适合两种场景： 1）想给团队搭一套真正能用的自助查数平台 2）想研究 “AI + BI + 语义层” 这种更偏工程化的落地方案一句话总结：把“查数据”的自由还给业务，把时间还给开发。

最近在 GitHub 上刷到一个挺炸的开源项目：Wren AI 它本质上是在做一件我们都很熟、但一直没被真正解决好的事：让不懂 SQL 的人，也能自己查数据库。比如说，业务、运营想看数据，第一反应就是来敲后端：“帮我查下上个月销量前 3 的产品”“这个转化率能不能按渠道拆一下”。 SQL 本身不难，但沟通成本、来回确认、临时插队，才是真正耗时间的地方。 Wren AI 的思路很直接：对话即查询。你直接用自然语言问问题，它会自动生成 SQL、跑库、给结果，甚至顺手把图也画好（柱状图、折线图那种）。可以把它理解成一个 “自带 AI 分析师的开源版 Metabase”，但门槛更低，不用拖字段、不用写 SQL。比较关键的一点是，它不是那种“裸 Text-to-SQL”。 Wren AI 引入了 Semantic Layer（语义层），你可以提前把业务指标、表关系、口径定义清楚，相当于给大模型加了一层“业务护栏”。这一步虽然需要懂数据库的人前期配置一下，但一旦理顺，后面业务方基本很难把数据问歪，准确性和安全性都高很多。模型和部署这块也挺对技术人的胃口： ·云模型：OpenAI / Claude / Gemini 都能接 ·数据不出内网：可以配 Ollama + 本地模型（比如 DeepSeek） ·数据库支持也很全：MySQL、Postgres、ClickHouse、DuckDB 基本全覆盖 ·安装也不折腾，有 Docker 基本就是一键起整体看下来，我觉得它特别适合两种场景： 1）想给团队搭一套真正能用的自助查数平台 2）想研究 “AI + BI + 语义层” 这种更偏工程化的落地方案一句话总结：把“查数据”的自由还给业务，把时间还给开发。

sitin

30,018 Aufrufe • vor 5 Monaten

提高个人学习效率的策略和技巧优化学习前的准备：在开始深入学习之前，首先要对学习内容有一个大致的了解，包括通过阅读摘要、目录等方式获取关键词和主要概念。建立知识框架：使用关键词和概念创建一个初步的知识结构，这个结构不依赖于任何特定的学习材料的顺序，而是基于你的先验知识和理解。积极整合：在学习过程中，不断地将新信息整合到你的知识框架中，这包括对信息的重组和重新分类，以确保它与你已有的知识相连贯。避免线性学习：避免按照材料原有的顺序进行线性学习，而是基于个人的知识框架，有选择性地学习那些能最大化提高理解和记忆的部分。提高信息相关性：通过与已有知识的关联，增加新信息的相关性，这样可以更容易地记住并应用新学到的知识。实践和应用：通过实际应用学习到的知识来加深理解和记忆，即使是简单或看似无用的练习也能帮助巩固学习成果。个性化学习路径：虽然大脑的基本结构相似，但每个人的学习风格和偏好可能不同。寻找和优化最适合自己的学习方法是关键。

提高个人学习效率的策略和技巧优化学习前的准备：在开始深入学习之前，首先要对学习内容有一个大致的了解，包括通过阅读摘要、目录等方式获取关键词和主要概念。建立知识框架：使用关键词和概念创建一个初步的知识结构，这个结构不依赖于任何特定的学习材料的顺序，而是基于你的先验知识和理解。积极整合：在学习过程中，不断地将新信息整合到你的知识框架中，这包括对信息的重组和重新分类，以确保它与你已有的知识相连贯。避免线性学习：避免按照材料原有的顺序进行线性学习，而是基于个人的知识框架，有选择性地学习那些能最大化提高理解和记忆的部分。提高信息相关性：通过与已有知识的关联，增加新信息的相关性，这样可以更容易地记住并应用新学到的知识。实践和应用：通过实际应用学习到的知识来加深理解和记忆，即使是简单或看似无用的练习也能帮助巩固学习成果。个性化学习路径：虽然大脑的基本结构相似，但每个人的学习风格和偏好可能不同。寻找和优化最适合自己的学习方法是关键。

Yangyi

117,800 Aufrufe • vor 2 Jahren

一款非常棒的AI数据交互工具：WrenAI，你可以用自然语言提问，它能理解你的意图并生成SQL查询，还能把数据转成图表、表格、报表和BI等，非常适合数据团队它是一个端到端的解决方案，不只是SQL生成，它提供了从提问到数据可视化、报表生成一套完整流程支持英语、德语、西班牙语、法语、日语、韩语、葡萄牙语、中文等多语言支持语义理解，它能理解数据背后的语义和业务逻辑，生成的SQL查询更精准提供无缝端到端的工作流，你可以输出CSV或JSON格式导入到Excel或Google表格中进一步使用 #AI数据交互工具 #WrenAI #AISQL查询

一款非常棒的AI数据交互工具：WrenAI，你可以用自然语言提问，它能理解你的意图并生成SQL查询，还能把数据转成图表、表格、报表和BI等，非常适合数据团队它是一个端到端的解决方案，不只是SQL生成，它提供了从提问到数据可视化、报表生成一套完整流程支持英语、德语、西班牙语、法语、日语、韩语、葡萄牙语、中文等多语言支持语义理解，它能理解数据背后的语义和业务逻辑，生成的SQL查询更精准提供无缝端到端的工作流，你可以输出CSV或JSON格式导入到Excel或Google表格中进一步使用 #AI数据交互工具 #WrenAI #AISQL查询

AIGCLINK

28,624 Aufrufe • vor 1 Jahr

向量数据库脑电图来啦! 把一大堆文档拖进 RAG，然后提问题，结果大模型回答的驴唇不对马嘴，是不是会怀疑大模型到底是怎样在向量数据库检索的, 才能搞成这个熊样? 来看这个 RAG 可视化项目 Project Golem! 它把向量数据库从黑盒变成了一个可交互的 3D "大脑皮层"。使用 UMAP 算法将 768 维的嵌入向量降维到 3D 空间，当你输入查询时，它不只是返回文本，而是会"点亮"与你的查询相关的神经通路。这个项目的设计初衷是作为 RAG 的诊断工具。当检索失败时，你可以亲眼看到"思考"从嵌入查询出发所走过的精确路径。如果看到一个紧密的簇亮起，说明模型找到了一个连贯的概念。如果可视化看起来很分散，那就意味着检索到的文本块在语义上彼此相距甚远，这正是你需要的视觉提示，告诉你 RAG 正在幻觉或强求关联。技术栈方面，嵌入模型用的是 Google 的 embedding-gemma-300m，向量数据库是 LanceDB，前端是 Three.js 和 WebGL，后端是 Flask。项目已经在 Reddit 的 LocalLLaMA 社区获得了 200 多个赞。有用户说这看起来真的像大脑中神经细胞的激活。还有用户说这对数据库优化太棒了，当某个查询表现不佳时，能立刻调出投影，瞬间获得一把手术刀。项目还支持对接 Qdrant、Pinecone 等外部向量数据库，架构是解耦的，3D 查看器本质上是一个位于数据之上的界面，你无需移动数据，只需将其投影出来即可。项目地址:

向量数据库脑电图来啦! 把一大堆文档拖进 RAG，然后提问题，结果大模型回答的驴唇不对马嘴，是不是会怀疑大模型到底是怎样在向量数据库检索的, 才能搞成这个熊样? 来看这个 RAG 可视化项目 Project Golem! 它把向量数据库从黑盒变成了一个可交互的 3D "大脑皮层"。使用 UMAP 算法将 768 维的嵌入向量降维到 3D 空间，当你输入查询时，它不只是返回文本，而是会"点亮"与你的查询相关的神经通路。这个项目的设计初衷是作为 RAG 的诊断工具。当检索失败时，你可以亲眼看到"思考"从嵌入查询出发所走过的精确路径。如果看到一个紧密的簇亮起，说明模型找到了一个连贯的概念。如果可视化看起来很分散，那就意味着检索到的文本块在语义上彼此相距甚远，这正是你需要的视觉提示，告诉你 RAG 正在幻觉或强求关联。技术栈方面，嵌入模型用的是 Google 的 embedding-gemma-300m，向量数据库是 LanceDB，前端是 Three.js 和 WebGL，后端是 Flask。项目已经在 Reddit 的 LocalLLaMA 社区获得了 200 多个赞。有用户说这看起来真的像大脑中神经细胞的激活。还有用户说这对数据库优化太棒了，当某个查询表现不佳时，能立刻调出投影，瞬间获得一把手术刀。项目还支持对接 Qdrant、Pinecone 等外部向量数据库，架构是解耦的，3D 查看器本质上是一个位于数据之上的界面，你无需移动数据，只需将其投影出来即可。项目地址:

karminski-牙医

33,905 Aufrufe • vor 6 Monaten

LangChain：构建与数据对话的聊天机器人4——向量和嵌入 #LangChain构建与数据对话的聊天机器人这节课主要讲述了如何使用嵌入（embeddings）和向量存储（vector stores）来处理和检索数据。首先，我们将文档分割成小的、语义有意义的分块，然后将这些分块存储到索引中，以便在需要回答关于这个数据集的问题时能够轻松地检索到。Embedding是将文本转化为向量空间的数组的过程，相似内容的文本在向量空间中会有相似的向量。这意味着我们可以比较这些向量，找出相似的文本片段。向量存储是一个可以轻松查找相似向量的数据库，这在我们试图找到与手头问题相关的文档时非常有用。视频还详细讲解了如何使用OpenAI创建嵌入，以及如何使用NumPy比较嵌入的相似度。然后，我们将所有的嵌入存储在向量存储中，以便于后续的检索。视频中使用的向量存储是Chroma，因为它轻量级且内存中，非常容易上手。最后，我们将向量数据库持久化，以便在未来的课程中使用。然而，这种方法并不完美，视频也讨论了一些边缘情况和失败模式，例如检索到重复的信息，或者无法准确捕捉到结构化信息。课程地址：播放列表： B站：

LangChain：构建与数据对话的聊天机器人4——向量和嵌入 #LangChain构建与数据对话的聊天机器人这节课主要讲述了如何使用嵌入（embeddings）和向量存储（vector stores）来处理和检索数据。首先，我们将文档分割成小的、语义有意义的分块，然后将这些分块存储到索引中，以便在需要回答关于这个数据集的问题时能够轻松地检索到。Embedding是将文本转化为向量空间的数组的过程，相似内容的文本在向量空间中会有相似的向量。这意味着我们可以比较这些向量，找出相似的文本片段。向量存储是一个可以轻松查找相似向量的数据库，这在我们试图找到与手头问题相关的文档时非常有用。视频还详细讲解了如何使用OpenAI创建嵌入，以及如何使用NumPy比较嵌入的相似度。然后，我们将所有的嵌入存储在向量存储中，以便于后续的检索。视频中使用的向量存储是Chroma，因为它轻量级且内存中，非常容易上手。最后，我们将向量数据库持久化，以便在未来的课程中使用。然而，这种方法并不完美，视频也讨论了一些边缘情况和失败模式，例如检索到重复的信息，或者无法准确捕捉到结构化信息。课程地址：播放列表： B站：

宝玉

40,993 Aufrufe • vor 3 Jahren

初学者学习 Python，经常被引用、可变性这些概念搞得头晕，调试复杂数据结构，更是分不清变量之间的关系，非常头疼。可以看一下，memory_graph 这个可视化开源工具，它能让我们一眼看清 Python 数据结构和引用关系。通过直观清晰的图形界面，展示变量间的引用关系、数据共享情况和完整的调用栈，还支持各种 Python 环境包括 Jupyter、VS Code 调试器等。 GitHub：主要功能： - 可视化任意 Python 数据结构，包括列表、字典、自定义类等； - 清楚显示变量间的引用和共享关系，避免意外的数据修改； - 完整的函数调用栈可视化，理解程序执行流程和作用域； - 支持递归函数、二叉树、链表等复杂数据结构的动态展示。支持 VS Code、Jupyter、PyCharm 等多种开发环境，同时提供 Web 版调试器，无需安装即可在线体验和学习。

初学者学习 Python，经常被引用、可变性这些概念搞得头晕，调试复杂数据结构，更是分不清变量之间的关系，非常头疼。可以看一下，memory_graph 这个可视化开源工具，它能让我们一眼看清 Python 数据结构和引用关系。通过直观清晰的图形界面，展示变量间的引用关系、数据共享情况和完整的调用栈，还支持各种 Python 环境包括 Jupyter、VS Code 调试器等。 GitHub：主要功能： - 可视化任意 Python 数据结构，包括列表、字典、自定义类等； - 清楚显示变量间的引用和共享关系，避免意外的数据修改； - 完整的函数调用栈可视化，理解程序执行流程和作用域； - 支持递归函数、二叉树、链表等复杂数据结构的动态展示。支持 VS Code、Jupyter、PyCharm 等多种开发环境，同时提供 Web 版调试器，无需安装即可在线体验和学习。

GitHubDaily

57,015 Aufrufe • vor 9 Monaten

需要做网络架构图或者给技术文档配图，经常会使用 Visio、这类工具，但对技术小白来说上手需要点时间。恰巧，在 GitHub 上发现一个专业的等距图表制作工具：FossFLOW，完全开源可离线使用，轻松上手。内置了丰富的等距组件库，支持自定义图标导入功能，还提供自动保存、快捷键配置、多种存储方式等实用功能。 GitHub：主要功能： - 专业等距图表绘制，轻松制作 3D 风格的技术架构图 - 自定义图标导入，支持 PNG、JPG、SVG 格式自动缩放 - PWA 离线支持，可安装为本地应用随时使用 - 隐私优先设计，所有数据本地存储保护隐私 - Docker 一键部署，支持服务器存储和多设备访问 - 自动保存功能，每 5 秒保存一次防止数据丢失通过 Docker 部署或直接访问在线 Demo 即可使用，需要制作3D 风格架构图的同学可以看一下。

需要做网络架构图或者给技术文档配图，经常会使用 Visio、这类工具，但对技术小白来说上手需要点时间。恰巧，在 GitHub 上发现一个专业的等距图表制作工具：FossFLOW，完全开源可离线使用，轻松上手。内置了丰富的等距组件库，支持自定义图标导入功能，还提供自动保存、快捷键配置、多种存储方式等实用功能。 GitHub：主要功能： - 专业等距图表绘制，轻松制作 3D 风格的技术架构图 - 自定义图标导入，支持 PNG、JPG、SVG 格式自动缩放 - PWA 离线支持，可安装为本地应用随时使用 - 隐私优先设计，所有数据本地存储保护隐私 - Docker 一键部署，支持服务器存储和多设备访问 - 自动保存功能，每 5 秒保存一次防止数据丢失通过 Docker 部署或直接访问在线 Demo 即可使用，需要制作3D 风格架构图的同学可以看一下。

GitHubDaily

44,551 Aufrufe • vor 11 Monaten

一个轻量级可视化的 AI 智能体工作流构建器：PySpur。提供了拖拽式构建、循环、文件上传、结构化输出、RAG、多模态支持、工具集成等等功能。 GitHub：可一键部署，发布为 API 并在任意地方集成使用。支持超过 100 个 LLM 提供商、嵌入器和向量数据库。

一个轻量级可视化的 AI 智能体工作流构建器：PySpur。提供了拖拽式构建、循环、文件上传、结构化输出、RAG、多模态支持、工具集成等等功能。 GitHub：可一键部署，发布为 API 并在任意地方集成使用。支持超过 100 个 LLM 提供商、嵌入器和向量数据库。

GitHubDaily

34,824 Aufrufe • vor 1 Jahr

反共这件事儿根本就不是问题。问题的核心是只肯嘴上反共、却一点儿都不愿意行动的中华蛆。除了甜党党员、甜党资助者，你们这些嘴上反共的中华蛆就是一群想躺在家、天上掉下一本美国护照的垃圾！中华蛆这个种族就是低劣的垃圾！一群烂泥扶不上墙的死妈中华蛆！！！学习编程的视频在这里，每人领一份儿、配合chatgpt使用，回头联系我的邮箱我们讨论怎么做更合适。 zaochun837@gmail.com MySQL 数据库学习。 HTML、CSS、JavaScript 网页前端 Node.js 教學，全端当您决定独立开发一个问答网站时，以下是一个可能的学习计划：第一阶段：准备工作和基础知识学习 HTML、CSS 和 JavaScript：学习 HTML 标记语言，了解如何创建网页结构。学习 CSS 样式表，了解如何设计网页的外观和布局。学习 JavaScript 编程语言，了解如何实现网页的交互功能和动态效果。掌握基本的 Web 开发概念：了解 HTTP 协议、Web 服务器和客户端之间的交互过程。学习如何使用浏览器开发者工具进行调试和排查问题。第二阶段：学习后端开发技术选择并学习后端开发语言：选择一种后端开发语言，例如 Python、Java、JavaScript（Node.js）、PHP 等。学习选择语言的基本语法和编程概念。学习后端框架和数据库：了解并学习选择语言的主流后端框架，例如 Spring Boot（Java）、Django（Python）、Express.js（Node.js）、Laravel（PHP）等。学习如何使用框架创建 Web 应用程序，并与数据库进行交互。学习数据库设计和管理：学习数据库基础知识，如关系型数据库和非关系型数据库的特点和应用场景。学习如何使用数据库管理系统（如 MySQL、PostgreSQL、MongoDB 等）进行数据建模、查询和管理。第三阶段：构建问答网站设计和规划：定义问答网站的功能和需求，包括用户注册登录、发布问题、回答问题、搜索功能等。设计网站的用户界面和交互流程。开发后端：使用所选的后端框架和数据库，开发网站的后端逻辑和数据存储功能。实现用户认证和授权功能，确保用户数据的安全性和隐私。开发前端：使用 HTML、CSS 和 JavaScript，开发网站的前端界面和交互功能。选择合适的前端框架或库（如 React、Vue.js、Angular 等），加速开发过程。测试和优化：进行单元测试和集成测试，确保网站的功能和性能符合预期。优化网站的性能、安全性和用户体验。部署和上线：配置服务器环境，将网站部署到云服务商或自己搭建的服务器上。确保网站的稳定性和可靠性，并监控运行状态。第四阶段：维护和更新持续改进：根据用户反馈和需求，持续优化和改进网站功能和性能。定期更新网站的内容和功能，保持网站的活跃度和吸引力。监控和维护：定期监控网站的运行状态和性能指标，及时处理和修复可能出现的问题。定期备份网站数据，确保数据安全性和可恢复性。以上是一个大致的学习计划，您可以根据自己的学习进度和实际需求进行调整和补充。在学习过程中，不断练习和实践是提高编程技能的关键，同时也可以通过阅读相关文档和参考优秀的开源项目来加速学习进程。祝您开发问答网站的顺利！

反共这件事儿根本就不是问题。问题的核心是只肯嘴上反共、却一点儿都不愿意行动的中华蛆。除了甜党党员、甜党资助者，你们这些嘴上反共的中华蛆就是一群想躺在家、天上掉下一本美国护照的垃圾！中华蛆这个种族就是低劣的垃圾！一群烂泥扶不上墙的死妈中华蛆！！！学习编程的视频在这里，每人领一份儿、配合chatgpt使用，回头联系我的邮箱我们讨论怎么做更合适。 [email protected] MySQL 数据库学习。 HTML、CSS、JavaScript 网页前端 Node.js 教學，全端当您决定独立开发一个问答网站时，以下是一个可能的学习计划：第一阶段：准备工作和基础知识学习 HTML、CSS 和 JavaScript：学习 HTML 标记语言，了解如何创建网页结构。学习 CSS 样式表，了解如何设计网页的外观和布局。学习 JavaScript 编程语言，了解如何实现网页的交互功能和动态效果。掌握基本的 Web 开发概念：了解 HTTP 协议、Web 服务器和客户端之间的交互过程。学习如何使用浏览器开发者工具进行调试和排查问题。第二阶段：学习后端开发技术选择并学习后端开发语言：选择一种后端开发语言，例如 Python、Java、JavaScript（Node.js）、PHP 等。学习选择语言的基本语法和编程概念。学习后端框架和数据库：了解并学习选择语言的主流后端框架，例如 Spring Boot（Java）、Django（Python）、Express.js（Node.js）、Laravel（PHP）等。学习如何使用框架创建 Web 应用程序，并与数据库进行交互。学习数据库设计和管理：学习数据库基础知识，如关系型数据库和非关系型数据库的特点和应用场景。学习如何使用数据库管理系统（如 MySQL、PostgreSQL、MongoDB 等）进行数据建模、查询和管理。第三阶段：构建问答网站设计和规划：定义问答网站的功能和需求，包括用户注册登录、发布问题、回答问题、搜索功能等。设计网站的用户界面和交互流程。开发后端：使用所选的后端框架和数据库，开发网站的后端逻辑和数据存储功能。实现用户认证和授权功能，确保用户数据的安全性和隐私。开发前端：使用 HTML、CSS 和 JavaScript，开发网站的前端界面和交互功能。选择合适的前端框架或库（如 React、Vue.js、Angular 等），加速开发过程。测试和优化：进行单元测试和集成测试，确保网站的功能和性能符合预期。优化网站的性能、安全性和用户体验。部署和上线：配置服务器环境，将网站部署到云服务商或自己搭建的服务器上。确保网站的稳定性和可靠性，并监控运行状态。第四阶段：维护和更新持续改进：根据用户反馈和需求，持续优化和改进网站功能和性能。定期更新网站的内容和功能，保持网站的活跃度和吸引力。监控和维护：定期监控网站的运行状态和性能指标，及时处理和修复可能出现的问题。定期备份网站数据，确保数据安全性和可恢复性。以上是一个大致的学习计划，您可以根据自己的学习进度和实际需求进行调整和补充。在学习过程中，不断练习和实践是提高编程技能的关键，同时也可以通过阅读相关文档和参考优秀的开源项目来加速学习进程。祝您开发问答网站的顺利！

Fuck Xi jinping Biden Newsom

106,890 Aufrufe • vor 2 Jahren

卧槽，发现一个巨牛批的 AI 视频剪辑工具，这才是完全以 AI 功能构建的视频剪辑产品。 Captions 这个产品可以自动识别超长视频的有价值判断并且自动剪辑成多条适合传播的短视频。生成的短视频可以选择对应的字幕模板，并且支持AI 自动在对应的视频片段添加音效、贴纸等增加氛围的内容。此外还支持AI眼神注视、AI 降噪、 AI 唇形同步、 AI 调色等一系列自动化的 AI 能力。最重要的还是网页版本的，任何平台都能用，这要完善一点不得把剪映干稀烂？可惜的是暂时还不支持翻译，看选项后面会有自动字幕翻译。

卧槽，发现一个巨牛批的 AI 视频剪辑工具，这才是完全以 AI 功能构建的视频剪辑产品。 Captions 这个产品可以自动识别超长视频的有价值判断并且自动剪辑成多条适合传播的短视频。生成的短视频可以选择对应的字幕模板，并且支持AI 自动在对应的视频片段添加音效、贴纸等增加氛围的内容。此外还支持AI眼神注视、AI 降噪、 AI 唇形同步、 AI 调色等一系列自动化的 AI 能力。最重要的还是网页版本的，任何平台都能用，这要完善一点不得把剪映干稀烂？可惜的是暂时还不支持翻译，看选项后面会有自动字幕翻译。

歸藏(guizang.ai)

46,589 Aufrufe • vor 2 Jahren

新加坡国立大学Show Lab放出了一款教育视频自动生成工具：Code2Video，非常实用把写教案升级为了自动代码动画生成，同时更好的解决了生成内容逻辑结构和视觉准确性的问题对老师来说，只需要输入教学主题就能自动获得一个3Blue1Brown风的教学动画 Code2Video核心是让AI先自动写Manim Python代码，然后再渲染出教育视频，并非直接出视频。是一个多智能体架构，包括Planner、Coder和Critic 看给出的效果，跟Veo3、Wan-2.1比，Code2Video在逻辑结构、知识准确性，以及教学清晰度上表现更好一些视频通过代码生成，对生成的每个元素、动作、公式都可以精准控制，这就比较适合需要逻辑结构和视觉准确性的教学场景 #AI教学视频生成 #AI公式视频 #AI教育 #Code2Video

新加坡国立大学Show Lab放出了一款教育视频自动生成工具：Code2Video，非常实用把写教案升级为了自动代码动画生成，同时更好的解决了生成内容逻辑结构和视觉准确性的问题对老师来说，只需要输入教学主题就能自动获得一个3Blue1Brown风的教学动画 Code2Video核心是让AI先自动写Manim Python代码，然后再渲染出教育视频，并非直接出视频。是一个多智能体架构，包括Planner、Coder和Critic 看给出的效果，跟Veo3、Wan-2.1比，Code2Video在逻辑结构、知识准确性，以及教学清晰度上表现更好一些视频通过代码生成，对生成的每个元素、动作、公式都可以精准控制，这就比较适合需要逻辑结构和视觉准确性的教学场景 #AI教学视频生成 #AI公式视频 #AI教育 #Code2Video

AIGCLINK

35,757 Aufrufe • vor 9 Monaten

什么是 AI 智能体？（双语字幕）为了解释这一点，我们必须看一看在生成式 AI 领域看到的各种转变。 *** 从单一模型向复合 AI 系统的转变单一模型受限于其训练数据，这影响了它们对世界的认知以及它们可以解决的任务类型。而且，这些模型也难以适应变化。尽管可以对模型进行微调，但这需要大量的数据和资源投资。 **** 示例：查询假期天数例如，我想要为今年夏天计划一次假期，想知道我有多少假期天数可以用。我可以将我的查询输入到一个可以生成回应的模型中。然而，答案会不正确，因为模型并不知道我的身份，也无法访问我的个人信息。因此，模型本身可能对一些任务有所帮助，例如总结文档、撰写电子邮件初稿和各种报告初稿。但当我们围绕模型构建系统，并将模型集成到现有流程中时，魔力便显现出来。设计一个系统来解决前面提到的问题，需要让模型能访问存储我假期数据的数据库。这样，虽然输入到语言模型中的查询相同，但模型会被提示创建一个搜索查询，这个查询可以访问我的数据库。程序会获取信息并得到答案，再将答案输入语言模型中，生成回答句子，如：“Maya，你的假期数据库里还剩下十天。”这样，我能得到正确的答案。 *** 复合 AI 系统的模块化设计 “系统”意味着有多个组件，因此系统本质上是模块化的。我可以有一个模型，选择微调模型、大语言模型、图像生成模型，但也可以有围绕它的程序化组件。可以有输出验证器、解析查询的程序、与数据库搜索结合的工具、与不同工具结合的程序等。当我们谈论系统方法时，我可以分解希望程序完成的任务，选择合适的组件来解决问题。这比微调一个模型要容易得多，使过程更快、更方便。 **** 检索增强生成（RAG）一个流行的复合 AI 系统例子是检索增强生成（RAG）。如果我提出一个完全不同的查询，如问天气情况，这会失败，因为程序的运行路径总是搜索假期数据库，而这与天气无关。因此，复合 AI 系统的大部分都有程序控制逻辑，这些逻辑由人类定义。 *** AI 智能体的作用另一种控制复合 AI 系统的逻辑方式是让大语言模型负责，这在大语言模型的推理能力显著提高时才可能实现。大语言模型可以处理复杂问题，能根据提示词要求将问题分解并制定解决计划。在一个极端，我要求系统快速思考，按照设定的规则行动。在另一个极端，可以让系统慢慢思考，制定计划，逐步解决每一部分，理解困难点并调整计划。当让大语言模型负责逻辑时，就是在采取一种以智能体为中心的方法。 *** 大语言模型智能体的组成部分 **** 推理能力推理能力将模型置于解决问题的核心位置，在设定计划的过程中对每一步进行推理。 **** 行动能力行动能力通过称为“工具”的外部程序实现。这些工具是程序的外部模块，模型可以确定何时及如何调用它们以便最有效地解决提出的问题。例如，网络搜索工具、数据库搜索工具、计算器工具、操纵数据库的程序代码、翻译任务的模型等。 **** 访问记忆的能力 “记忆”可以表示几种含义。模型可以通过程序进行思考，类似于自言自语的内部日志，可以存储并随时取用。这也可以是与智能体互动的对话历史，使体验更加个性化。 *** ReACT 方法配置智能体的受欢迎方法之一是 ReACT 方法，将推理和行动组件结合在一起。 **** 示例：度假计划例如，我计划下个月去佛罗里达，想知道需要带多少瓶两盎司的防晒霜。这是个复杂的问题，有多步计划： 1. 我打算休多少天假？ 2. 我计划在阳光下待多少小时？查看佛罗里达的天气预报。 3. 尝试了解每小时在阳光下的推荐防晒剂剂量。 4. 进行数学运算，确定防晒霜数量。这个系统非常模块化，可以解决更复杂的问题。 *** 复合 AI 系统的未来复合 AI 系统将一直存在，2024 年将看到它们变得更加智能。你可以根据问题的复杂程度在 AI 自治程度上做出权衡。对于狭窄、定义明确的问题，程序化方法更有效。而对于需要独立解决复杂任务的系统，智能体方法更有帮助。大多数情况下，人工仍会参与以提高准确性。原始视频来源：

什么是 AI 智能体？（双语字幕）为了解释这一点，我们必须看一看在生成式 AI 领域看到的各种转变。 * 从单一模型向复合 AI 系统的转变单一模型受限于其训练数据，这影响了它们对世界的认知以及它们可以解决的任务类型。而且，这些模型也难以适应变化。尽管可以对模型进行微调，但这需要大量的数据和资源投资。示例：查询假期天数例如，我想要为今年夏天计划一次假期，想知道我有多少假期天数可以用。我可以将我的查询输入到一个可以生成回应的模型中。然而，答案会不正确，因为模型并不知道我的身份，也无法访问我的个人信息。因此，模型本身可能对一些任务有所帮助，例如总结文档、撰写电子邮件初稿和各种报告初稿。但当我们围绕模型构建系统，并将模型集成到现有流程中时，魔力便显现出来。设计一个系统来解决前面提到的问题，需要让模型能访问存储我假期数据的数据库。这样，虽然输入到语言模型中的查询相同，但模型会被提示创建一个搜索查询，这个查询可以访问我的数据库。程序会获取信息并得到答案，再将答案输入语言模型中，生成回答句子，如：“Maya，你的假期数据库里还剩下十天。”这样，我能得到正确的答案。 * 复合 AI 系统的模块化设计 “系统”意味着有多个组件，因此系统本质上是模块化的。我可以有一个模型，选择微调模型、大语言模型、图像生成模型，但也可以有围绕它的程序化组件。可以有输出验证器、解析查询的程序、与数据库搜索结合的工具、与不同工具结合的程序等。当我们谈论系统方法时，我可以分解希望程序完成的任务，选择合适的组件来解决问题。这比微调一个模型要容易得多，使过程更快、更方便。 ** 检索增强生成（RAG）一个流行的复合 AI 系统例子是检索增强生成（RAG）。如果我提出一个完全不同的查询，如问天气情况，这会失败，因为程序的运行路径总是搜索假期数据库，而这与天气无关。因此，复合 AI 系统的大部分都有程序控制逻辑，这些逻辑由人类定义。 * AI 智能体的作用另一种控制复合 AI 系统的逻辑方式是让大语言模型负责，这在大语言模型的推理能力显著提高时才可能实现。大语言模型可以处理复杂问题，能根据提示词要求将问题分解并制定解决计划。在一个极端，我要求系统快速思考，按照设定的规则行动。在另一个极端，可以让系统慢慢思考，制定计划，逐步解决每一部分，理解困难点并调整计划。当让大语言模型负责逻辑时，就是在采取一种以智能体为中心的方法。 * 大语言模型智能体的组成部分推理能力推理能力将模型置于解决问题的核心位置，在设定计划的过程中对每一步进行推理。行动能力行动能力通过称为“工具”的外部程序实现。这些工具是程序的外部模块，模型可以确定何时及如何调用它们以便最有效地解决提出的问题。例如，网络搜索工具、数据库搜索工具、计算器工具、操纵数据库的程序代码、翻译任务的模型等。访问记忆的能力 “记忆”可以表示几种含义。模型可以通过程序进行思考，类似于自言自语的内部日志，可以存储并随时取用。这也可以是与智能体互动的对话历史，使体验更加个性化。 * ReACT 方法配置智能体的受欢迎方法之一是 ReACT 方法，将推理和行动组件结合在一起。 ** 示例：度假计划例如，我计划下个月去佛罗里达，想知道需要带多少瓶两盎司的防晒霜。这是个复杂的问题，有多步计划： 1. 我打算休多少天假？ 2. 我计划在阳光下待多少小时？查看佛罗里达的天气预报。 3. 尝试了解每小时在阳光下的推荐防晒剂剂量。 4. 进行数学运算，确定防晒霜数量。这个系统非常模块化，可以解决更复杂的问题。 * 复合 AI 系统的未来复合 AI 系统将一直存在，2024 年将看到它们变得更加智能。你可以根据问题的复杂程度在 AI 自治程度上做出权衡。对于狭窄、定义明确的问题，程序化方法更有效。而对于需要独立解决复杂任务的系统，智能体方法更有帮助。大多数情况下，人工仍会参与以提高准确性。原始视频来源：

宝玉

44,356 Aufrufe • vor 2 Jahren

Github 推出了 blocks， block 的能力。 Blocks 的目标是让代码仓库变得生动起来，除了代码和 README，还可以展示 3D 文件、脑图、流程图、图标、字体预览、CSS 样式预览等等，甚至还有可交互的模块，例如所见即所得的编辑器、可以排序和统计的表格、能够运行代码的沙箱等等。只要按照对应的规范开发 block 并发布到市场（给仓库增加一个名为 github-blocks 的 tag 就行了），就可以被检索和使用，不过当前还是技术预览版本，需要本地起一个 devServer，然后借助在线网页才能渲染出来。这个尝试感觉正在重新定义 github，以后或许不能再叫它代码仓库了，应该叫内容仓库。

Github 推出了 blocks， block 的能力。 Blocks 的目标是让代码仓库变得生动起来，除了代码和 README，还可以展示 3D 文件、脑图、流程图、图标、字体预览、CSS 样式预览等等，甚至还有可交互的模块，例如所见即所得的编辑器、可以排序和统计的表格、能够运行代码的沙箱等等。只要按照对应的规范开发 block 并发布到市场（给仓库增加一个名为 github-blocks 的 tag 就行了），就可以被检索和使用，不过当前还是技术预览版本，需要本地起一个 devServer，然后借助在线网页才能渲染出来。这个尝试感觉正在重新定义 github，以后或许不能再叫它代码仓库了，应该叫内容仓库。

Barret李靖

129,874 Aufrufe • vor 2 Jahren