与「数据库」相关的搜索结果

PageIndex 0.6.0 把文档索引、问答和 Agent 工具都收进了一个客户端，本地和云端走同一套接口。 本地默认用 Flash 引擎，照着 PDF 的版式建树形索引，不用向量数据库，也不用 PageIndex API key。模型调用还是走你自己配的后端。 OpenAI / Anthropic 的工具和 Claude MCP 接口也都能直接导出。在做 PDF 问答或文档 Agent 的，可以拿这套接口试试，看接入能不能省点事。

世界上前20的Skill必装榜！ 1、superpowers（by obra），当时星标 30.2 万 它把开发拆成四步：头脑风暴、写计划、测试驱动、代码审查，串成一套开发流程。做中大型功能之前装上，AI 不会一上来就乱写代码。 2、skills（by mattpocock），当时星标 29.8 万 需求说不清的时候，它会反过来追问你，再帮你理清架构。排查 bug、重构老项目，用它最顺手。 3、andrej-karpathy-skills（by multica-ai），当时星标 22.1 万 一份项目规则：AI 先想清楚再动手，只改该改的地方。放进项目根目录，写代码时就生效。 4、skills（by anthropics），当时星标 18.2 万 官方技能库，Word、PPT、表格和 PDF 都能直接做。想自己写 Skill，照着它的模板改就行。 5、ponytail（by DietrichGebert），当时星标 16.8 万 让 AI 像最懒的资深工程师一样思考：能不加的抽象就不加。代码写完让它过一遍，把过度设计和技术债挑出来。 6、ui-ux-pro-max-skill（by nextlevelbuilder），当时星标 13.8 万 整套配色、字体搭配和交互规范都在里面。做落地页、后台和 APP 界面之前装上，页面更像设计师做的。 7、graphify（by Graphify-Labs），当时星标 12.9 万 把代码、文档和数据库结构转成一张知识图谱。接手陌生项目时先建图，再问"这个函数被谁调用"，一查就清楚。 8、caveman（by JuliusBrussee），当时星标 11.4 万 让 AI 用最少的字回答，啰嗦的铺垫全删掉。长时间跑 agent 的时候装上，能省下一大截 token。 9、agent-skills（by addyosmani），当时星标 10.9 万 谷歌工程师整理的工程规范，覆盖接口设计、上下文管理和质量检查。团队一起写项目，用它统一写法。 10、taste-skill（by LeonxLnx），当时星标 9.9 万 给 AI 补上审美：排版、参考图和动效都有讲究。做官网首页和作品集的时候用，页面不再像套模板。 11、Understand-Anything（by Egonex-AI），当时星标 8.7 万 把代码变成能点开的交互图谱，还会讲清楚业务流程。新人上手项目、读开源代码，最省时间。 12、impeccable（by pbakaus），当时星标 8.3 万 专门提升 AI 的设计能力，会检查间距、层级和细节。页面做完先让它审一遍，再按建议打磨。 13、awesome-claude-skills（by ComposioHQ），当时星标 7.7 万 一份技能合集，按场景收录了八百多个 Skill。不知道该装什么，先来这里挑。 14、last30days-skill（by mvanhorn），当时星标 6.5 万 它会去 Reddit、X 和 YouTube，汇总最近 30 天的讨论。 做选题、追热点、调研同类产品的时候用。 15、humanizer（by blader），当时星标 5.9 万 专门去掉文字里的 AI 痕迹，比如套话和固定句式。公众号、口播稿和邮件写完，都可以让它过一遍。 16、diagram-design（by cathrynlavery），当时星标 5.8 万 支持四十多种图表，直接输出成网页文件。写技术文档、做方案汇报，用它画架构图和流程图。 17、i-have-adhd（by ayghri），当时星标 5.8 万 让 AI 先说结论和下一步，再给细节，不把答案埋在长段落里。问技术问题、想马上拿到结果，就装它。 18、marketingskills（by coreyhaines31），当时星标 5.6 万 覆盖文案、SEO 和数据分析这些营销技能。写推广文案、提升网站搜索排名的时候用。 19、academic-research-skills（by Imbad0202），当时星标 5.3 万 从查文献、写论文到模拟审稿，一条流程串起来。写毕业论文、投期刊之前都能用。 20、scientific-agent-skills（by K-Dense-AI），当时星标 5.3 万 让 AI 变成科研助手，接入生物、化学这些领域的数据库和工具。做实验分析、查专业资料的时候用。

几个 agent 一起跑一件长任务，最头疼的是各记各的：一个刚查出来的结论，另一个根本不知道。 omnigraph 从存储这一层解决这个问题。它是个图数据库，给多个 agent 共用一份带类型的「世界模型」。每个 agent 从里面取上下文，干完活再写回去，分工就靠它协调。作者说这样 agent 和界面都能做成无状态的，状态全在库里。 几个设计很对路：数据直接放在对象存储上，用开源的 Lance 格式；节点和关系都有类型定义，不是什么都往里塞；检索把向量、BM25 关键词和图关系合进了同一个引擎。 最有意思的是分支。它支持 Git 那样的工作流，共享的记忆也能开分支。 仓库今年 4 月才建，Rust 写的，MIT 许可，现在 2247 星，今天一天涨了 160，11 月 9 号刚发过版。 搭多 agent 系统，迟早要决定记忆放哪。仓库里配了 Cookbooks，可以照着例子先跑一个。

《Claude Code + 接口流水线：跨境电商调研的「免网页」实战》 @gengdaJ 分享了一套把 Claude Code 变成调研流水线的方案，核心点不是「用了什么 AI」，而是「把数据接口变成 Agent 的触手」。他在做家庭厨电出海调研时，全流程没开过一个网页，复现他的思路分五步： 1. 资产盘点：用 Exa 和 TinyFish 搜索目标品牌（如九阳）的公开财报与分析，通过全文解析摸清出海业务占比。这一步是定基调，不看网页直接从分析后的数据里拿结论。 2. 市场锚点：用 Anyapi 调用 TikTok Shop 的商品接口，配合 Exa 查跨境电商政策，选定越南作为主攻市场。逻辑是：不靠「感觉」选市场，靠成交数据和政策窗口重合度选。 3. 品类精选：在 Anyapi 里批量拉取 TikTok Shop 店铺的坚果奶机销售数据，只看增速最快、评价最好的 sku。别人还在浏览网页选品，他已经在按「订单密度」筛选了。 4. 触达通路：用 Tikhub 搜垂类 KOC，筛选近期作品活跃度，再用 Anyapi 拿联系方式，Hunter 验证邮箱有效性。这一步把「人工扫码」变成「数据清洗」。 5. 商务自动跟进：用 AgentMail 接口起草邮件、打标、跟进。邮件分批发送，回复状态自动更新，品牌方只需要最后确认回复意向即可。 核心价值：他把调研从「看网页」变成了「调 API」。 Claude Code 在这里扮演的是「流水线调度员」：帮你写接口调用代码、帮你洗数据、帮你把这一串动作串联起来。 这种思路最值钱的地方在于：你手里的 API 决定了你的触手有多长。当别人还在人工查网页时，你是在用数据覆盖市场。AI Agent 时代，谁能把领域数据库接入到 IDE 里，谁就能直接降维打击。

这个 Grok Bot 跑出来的收益，确实有点夸张 我让 Grok Bot 的全自动交易终端运行了一整晚，期间持续自主执行交易。初始本金只有 69.67 美元，睡醒后账户余额已经达到 13,370 美元 整个过程我没有手动干预过任何一笔订单 只需要充值、启动自动交易，后续的机会筛选、进场时机、仓位管理，以及按照预设风控执行止盈止损，都交给机器人完成 我把这套 AI 自动交易系统涉及的 GitHub 开源工具整理成了下面这份清单： 1. Cryptofeed 实时获取各大交易所的成交、价格和盘口数据，为策略扫描提供行情输入 2. CCXT 统一交易所 API 接口，一套代码即可连接多个平台，完成行情查询、资产读取和订单执行 3. Freqtrade 量化交易的核心框架，支持策略回测、模拟交易、仓位监控，并提供可视化管理后台 4. VectorBT 利用历史行情测试不同的开仓和平仓策略，评估收益表现与最大回撤 5. TA-Lib Python 计算常见技术指标，从行情中提取 RSI、MACD、移动平均线等交易信号 6. skfolio 优化投资组合，根据资产权重、换手率和交易成本，辅助制定仓位配置 7. QuantStats 自动分析交易绩效，生成报告，直观呈现胜率、回撤和波动率等指标 8. DuckDB 轻量级数据库，用于保存盘口快照、订单和交易记录，方便后续分析与复盘 9. APScheduler 定时任务调度工具，可自动更新行情、检查账户状态，并按计划生成每日交易报告 10. Lightweight Charts 提供终端 K 线可视化，实时展示行情走势和策略执行的交易标记 这些组件可以通过脚本、API 和 MCP 协议连接起来，组成一套协同工作的自动化交易系统 不过，真正准备接入实盘时，有几条规则不能忽略： 独立管理下单权限，严格限制最大持仓和单日亏损 遇到状态不明确的订单，先核实执行结果，再决定是否重试 策略上线前，先在模拟盘完整运行一个周期 每日复盘必须区分已实现盈利、未平仓头寸、手续费、失败订单和账户资金变化，确保每笔资金流向都有记录 AI 自动交易的价值，不只是让机器人替你下单，而是把行情扫描、策略判断、风险控制和交易复盘串成一套自动化流程

AI 写代码最容易埋的坑之一，就是数据库表设计错了，等上线后才发现改不动。 发现一个 Claude Code 专用 Agent：Database Architect。 它不只是帮你生成 SQL，而是提前参与数据库架构设计。 主要能做这些事： 数据建模：表结构、主外键、索引、约束 技术选型：PostgreSQL、MySQL、MongoDB、向量数据库 多租户设计：RLS、Schema 隔离、独立数据库 性能规划：读写模式、分库分片、扩展方案 数据迁移：生成迁移脚本和回滚方案 安装命令： npx claude-code-templates@latest --agent database/database-architect 我觉得最实用的是让 Agent 先分析业务访问模式，再设计表结构，而不是代码写完才补数据库。 不过生成的 DDL 和迁移脚本仍需要人工审核，尤其是生产环境的数据变更。 你现在用 AI 开发项目，会让它直接设计数据库，还是自己先把表结构定好？ 项目： #ClaudeCode# #AI# #Agent# #Database#

建议收藏，用到时照着做。做完你能让 DeepSeek 自己决定“要不要调用你写的函数”，并把结果用人话讲回来。 AI 能查天气、查订单，是它自己去查的吗？DeepSeek 官方一句话拆台：模型本身不执行任何函数 这是 DeepSeek 官方 API 文档里 Tool Calls（工具调用）一页。先说结论： 官方原话是，函数要由你自己提供，模型本身不执行具体函数。它只负责说“我想调这个函数、参数是这些”，真正去跑的是你的代码。 先说清词。 工具调用（Tool Calls），是让模型能用外部工具的功能，比如查天气、查数据库。 函数（function），是你自己写好的一段代码，模型只会“点名”它。 tool_call_id（工具调用编号），是模型每次点名时附带的一个号码，你回传结果时要带上它，模型才知道你在回答哪一次。 strict 模式（严格模式，Beta 测试版），是让模型点名时严格按你定义的格式填参数。 一个真实例子：官方示例问“杭州天气怎么样”，模型返回的是 get_weather 这个函数和参数 location 等于杭州，你的代码去查到“24℃”，再交给模型，模型才说“杭州现在 24 度”。 先把话说全： 官方示例用的是非思考模式，请求里加 extra_body 把 thinking 的 type 设成 disabled。 官方写明：从 DeepSeek-V3.2 开始，思考模式下也能用工具调用，细节看官方 Thinking Mode 一页。 官方写明：Chat Completion 接口不支持在对话中间插入不是模型生成的工具调用，要插的话请改用 Anthropic API 或 Responses API。 strict 模式目前是 Beta，要用测试版地址。 一、先看懂整个流程 官方给的执行流程是四步：用户问杭州天气；模型返回要调用 get_weather，参数是杭州；你的代码真的去调用 get_weather，把结果交给模型；模型用自然语言回答“杭州现在 24 度”。 二、照官方示例做一遍 第一步：去 DeepSeek 开放平台拿一个 API key，电脑装好 Python 和 openai 库。 第二步：创建客户端，base_url 写 DeepSeek 官方接口地址（官方文档第一屏就有），api_key 填你的。 第三步：写 tools 清单。每个工具包含 type 等于 function，再写 name（函数名）、description（描述，告诉模型什么时候用）、parameters（参数）。官方示例的函数叫 get_weather，描述是“获取某地天气，用户须先提供地点”，参数 location 是字符串，并且在 required 里。 第四步：发第一次请求，model 官方示例写 deepseek-flash，把 messages 和 tools 一起传，并加上 thinking 关闭的设置。 第五步：从返回里取 tool_calls 的第一项，先把模型这条消息原样追加进 messages。 第六步：你的代码去执行函数，再追加一条 role 是 tool 的消息，带上刚才的 tool_call_id，content 写结果，官方示例写的是 24℃。 第七步：再发一次请求，这次模型就会用自然语言回答。 三、想要更稳：strict 严格模式 第八步：base_url 改成官方文档里写明的 beta 版接口地址（就是原地址后面加 /beta）。 第九步：每个 function 都加上 strict 等于 true。 第十步：服务器会检查你的 JSON Schema（结构说明），格式不合规或用了不支持的类型，会直接返回错误信息。 官方支持的类型是：object、string、number、integer、boolean、array、enum、anyOf，另外 $ref 和 $def 可以复用和做递归。 四、strict 的硬规矩 对象里所有属性都必须写进 required，并且 additionalProperties 必须设成 false。 字符串可以用 pattern（正则）和 format，官方列出的格式有 email、hostname、ipv4、ipv6、uuid，但不支持 minLength 和 maxLength。 数字支持 const、default、minimum、maximum、exclusiveMinimum、exclusiveMaximum、multipleOf。 数组不支持 minItems 和 maxItems。 五、看到什么算成功 第一次返回的是函数点名，不是答案；第二次返回的才是自然语言答案，内容里有你的函数结果。 六、卡住怎么办 strict 报错：先检查是不是漏写 required 或忘了 additionalProperties 设 false，再检查有没有用到 minLength、maxItems 这类官方不支持的写法。 结论：工具调用不是模型替你干活，而是模型“点名”、你的代码“动手”。想让点名更准，就用 strict。把这条复制链接发给他，下次他说 AI 查不到东西，先让他确认函数是不是自己写了。 你卡在第几步？评论区告诉我。同系列前几篇在我主页。 收藏版：5 步速查 一、tools 里写清函数名、描述、参数 二、第一次请求拿到 tool_calls 三、自己执行函数，回传 role 为 tool 的消息并带 tool_call_id 四、第二次请求拿到自然语言答案 五、想更稳就用 beta 地址加 strict 等于 true 常见坑 3 条 一、以为模型会自己执行函数，其实要你的代码去跑。 二、回传结果忘了带 tool_call_id。 三、strict 里漏了 required 或 additionalProperties 设成 false。 复制即用提示词：我想让模型调用一个叫 你的函数名 的函数，它需要这些参数：写参数。请帮我写出符合 DeepSeek Tool Calls 格式的 tools 清单，每个参数都写 description，并改成 strict 模式需要的写法。 S1哥观点：这篇最狠的地方，是官方把话挑明了：模型不执行函数，只负责点名。很多人以为 AI 在后台自己动手，其实动手的永远是你的代码。 真正的信号是：工具调用的难点不在模型，在你把函数描述写得多清楚。就像派活给新人，说明写得含糊，他再聪明也会点错人。 你现在想让 DeepSeek 调用的是什么，查数据还是发消息？评论区告诉我。 今天送：DeepSeek 工具调用速查卡，评论区第一条直接拿。 参考：DeepSeek 官方 API 文档 Tool Calls（S1哥 整理）

Agent 最缺的不是更大的上下文窗口，而是理解整个代码库的能力：当一个项目有数万文件、跨模块调用和海量文档时，为什么还要让 AI 一遍遍 Grep、Read、重新理解整个工程？ 📦 项目档案 项目：Graphify-Labs/graphify GitHub Stars：⭐ 147299 技术栈：Python + Tree-sitter + NetworkX + Leiden 核心定位：将代码、文档、SQL Schema、PDF、图片及音视频转换成可查询、可追溯的知识图谱，让 AI Agent 从「搜索文件」升级为「理解工程关系」。 GitHub： 🛠️ 一、底层架构：不是传统 RAG，而是图结构知识引擎 Graphify 最值得研究的地方，是它没有走传统向量检索路线。 传统 RAG 通常需要经历： 文件切分 → Embedding → 向量入库 → 相似度检索 → 上下文拼接。 Graphify 直接构建 Graph。 底层采用 NetworkX 图数据结构，以 Node 和 Edge 表达工程实体及其关系。 整个处理链路可以概括为： detect() → extract() → build() → cluster() → analyze() → report() → export() 每个阶段职责独立，通过 Python Dict 和 NetworkX Graph 传递数据。 这意味着它不只是索引代码，而是在构建整个项目的结构化关系网络。 🛠️ 二、Tree-sitter AST：让代码解析摆脱 LLM 依赖 这是最有工程价值的设计。 Graphify 使用 Tree-sitter AST 解析约40种编程语言，提取： • Classes：类定义及结构。 • Functions：函数与方法。 • Imports：模块依赖关系。 • Call Graph：跨文件函数调用。 • SQL：表、视图、外键及 JOIN 关系。 其中33种语言使用 Tree-sitter Grammar，另外7种使用内置解析器。 关键在于：代码结构提取完全在本地完成，不需要调用 LLM，也不需要把代码上传到云端。 对于大型代码库，这种确定性解析比单纯依赖模型阅读文件更容易复现和追踪。 🛠️ 三、EXTRACTED / INFERRED：让每条知识关系都有证据 很多知识图谱最大的隐患是：模型推断出来的关系，很容易被误认为真实事实。 Graphify 给关系增加了置信度标签： • EXTRACTED：源码中明确存在的关系，例如 import、函数调用。 • INFERRED：通过上下文、命名和调用关系推断出来的连接。 • AMBIGUOUS：存在不确定性的关系，需要人工复核。 INFERRED 关系还会附带 0.0—1.0 的 confidence_score。 这套机制非常重要。 它实际上把知识图谱从一个简单的关联网络，变成了一个能够区分事实、推断与不确定性的工程知识系统。 🛠️ 四、Leiden + SHA256 Cache：解决规模与重复计算 Graphify 使用 Leiden 社区发现算法，根据节点之间的连接密度，将复杂工程拆分成不同功能子系统。 例如，一个大型后端项目，可以自动识别认证、数据库、路由、权限等不同社区。 同时，SHA256 内容哈希缓存会记录文件指纹。 文件没有变化，就跳过重复提取；只有新增或修改的文件才重新处理。 音视频还可以通过本地 faster-whisper 转录，再进入统一知识图谱。 这让增量更新不必每次重新扫描整个工程。 五、真正解决了什么工程问题？ 想象一个场景： 你接手一个陌生的微服务项目，需要搞清楚： 用户认证最终连接了哪些数据库模块？ 修改某个核心函数会影响哪些下游组件？ 某个架构决策为什么会存在？ 两个看似无关的模块究竟有什么隐藏依赖？ 传统方式：Grep、Read、跳转、反复询问 Agent，消耗大量上下文。 Graphify：直接执行 query、path、explain。 它还能生成三个核心产物： • graph.json：完整知识图谱，可供后续查询。 • GRAPH_REPORT.md：核心节点、社区及关键关系分析。 • graph.html：可交互的可视化图谱。 甚至支持 Mermaid 调用链导出、Markdown Wiki 和 Obsidian 知识库。 最重要的设计思想是： 不要让 AI 每次都重新阅读整个世界，而是提前把世界组织成它能够理解和遍历的结构。 这才是 AI Coding 从上下文堆砌走向工程知识管理的重要一步。 对于大型 Monorepo、遗留系统维护、跨模块依赖分析，以及需要长期理解代码库的 Agent，这套架构尤其值得研究。 🔗 GitHub 开源地址：

以后给 AI 智能体配数据库，可能连服务器都不用装了。 Neo4j 前天发布了 Relate，一个专门为 AI 智能体设计的开源嵌入式图数据库。用 Rust 写的，直接运行在应用进程里，不需要单独部署数据库服务器。 它有几个挺有意思的设计： 启动快： 毫秒级启动，适合智能体临时创建数据库，用完就收。 查询快： 内存读取低于1毫秒。 懂智能体： 能自动识别智能体运行环境，返回适合 AI 处理的结构化结果。 防止上下文爆炸： 查询结果太多时自动截断，并明确告诉智能体还有内容没返回。 支持持久化： 不只是内存数据库，也可以把数据保存到文件中。 它还支持 Cypher 查询语言、向量搜索和图遍历。也就是说，智能体不仅能找到相似内容，还能顺着数据之间的关系继续推理。 为什么现在要做这种数据库？ Gartner 预测，到2029年，机器用户将占数据库管理系统工作负载的75%，远高于2025年的10%。 以前数据库主要服务人和应用，现在越来越多的查询、读写和任务执行，可能都来自 AI 智能体。 数据库也得跟着改变：不一定每个智能体都需要一套独立服务器，有时候，一个随应用启动、随应用结束的轻量数据库就够了。 AI 基础设施正在发生一个变化：数据库的主要使用者，可能正在从人变成机器。 #AI# #数据库#

这个Grok Bot跑出来的结果，太暴力了。 我开着Grok Bot全自动交易终端放了一整夜，它自己不停跑单。 本金就69.67美元，睡一觉起来，账户直接到13370美元。 这中间我一笔都没有手动操作。 我只充了本金，点开全自动，剩下全部交给机器人自己搞定： 自己找机会进场、选时间开仓、按照提前设置好的风控自动止盈止损。 我把这套通宵AI自动交易用到的10个GitHub开源库整理出来： 1. Cryptofeed 实时接收各大交易所的成交、价格、盘口信息，给策略扫描提供行情数据。 2. CCXT 统一交易接口，一套API对接很多交易所，查资产、看行情、挂单交易都支持。 3. Freqtrade 量化策略运行主体，可以回测、跑模拟盘、盯着仓位，自带可视化后台。 4. VectorBT 用历史行情测试各种开平仓思路，看看策略盈亏和最大回撤情况。 5. TA-Lib Python 计算技术指标，解析行情，产出RSI、MACD、均线这类信号。 6. skfolio 调整持仓组合，根据权重、换手、手续费，搭配合适的仓位。 7. QuantStats 自动统计交易表现，生成报告，回撤、胜率、波动率都能算明白。 8. DuckDB 轻量的数据库，存盘口快照和交易记录，方便之后复盘。 9. APScheduler 定时工具，自动刷新行情、检查账户状态、每天生成复盘。 10. Lightweight Charts 终端上看K线图，跑策略的时候能看见每一笔交易标记。 11. FOMO 现在热门的Meme币加现货合约平台，填邀请码qkl2058，手续费减免10%。 各个组件靠脚本、API、MCP协议串起来协同工作。 一定要记住：下单权限单独管控，卡死最大持仓和亏损上限，拿不准的订单先核对状态，再考虑重试。 准备拿去实盘跑的策略，先在模拟盘完整跑一轮周期。 每天复盘要分开看：已经落袋的盈利、当前持仓、手续费开销、失败订单，账户里资金变动，都能找到来源。