与「MCP」相关的搜索结果

Build a plugin once and use it across compatible agent clients. Introducing Agent Plugins, an open standard developed with @awsdevelopers, @cursor_ai, @github, @code, and @vercel that packages Agent Skills and supports MCP server configurations in a shared format.

🚀发现一个很适合搭配 Pi、Claude Code、Cursor 使用的开源知识库项目：pi-llm-wiki。 它采用 Karpathy 提出的 LLM Wiki 思路，把 URL、PDF、Markdown、JSON、XML 等原始资料，转化为可持续维护、相互链接的本地 Wiki，而不是每次提问都重新进行一次性 RAG。 核心亮点： ▪️ 自动采集、整理和关联不同来源 ▪️ 区分原始资料、来源摘要、概念页和综合分析 ▪️ 兼容 Obsidian，可直接查看和编辑 ▪️ 原生支持 OKF v0.2，知识库不被特定应用锁定 ▪️ 同时搜索个人知识库与项目知识库 ▪️ 自动检查断链、孤立页面、内容冲突和知识缺口 ▪️ 通过 MCP 接入 Claude Code、Cursor、Windsurf ▪️ 可选记录 Agent 的任务轨迹，并沉淀为可复用 Skills 这不是简单的“让 AI 搜索笔记”，而是让 AI 帮你长期维护一套会不断积累、更新和复利的知识系统。

Codex、WorkBuddy 等 Agent 已经能读取 PDF。面对扫描件、多栏排版、跨页表格和公式时，解析质量仍会直接影响后续的检索、问答和数据提取。 Mac 上可以本地运行的 PDF parser 很多，PaddleOCR、GLM-OCR、MinerU 等工具的安装方式和运行环境各不相同。文档类型变化后，想换一个 parser 重新处理，通常还要重新配置。 DocDot @docdotai 把多个本地 parser 集中到了同一个 CLI 中管理。 官方安装命令： curl -fsSL | bash 安装 DocDot 后，可以在 NanoDoc、PaddleOCR、GLM-OCR、MinerU、LiteParse 之间安装和切换，并将 PDF 解析为 Markdown 或 JSON。后续还会继续增加新的 parser。 DocDot 也提供了 Web Mode。运行 `docdot web` 后，可以在浏览器中并排比较 3 个 parser 的结果。遇到复杂表格、公式或特殊排版时，可以根据实际输出选择更合适的解析器。 根据官方说明，安装程序还能扫描本机的 Codex、Claude Code、OpenClaw、Hermes 等 Agent，并配置相应的 Skill；需要接入其他应用时，也可以通过 MCP 调用。解析在本机运行，PDF 无需上传，目前主要面向 Apple Silicon Mac。 我在 Mac 上安装了 DocDot 和 NanoDoc，并准备了一页包含中英文、表格和公式的 PDF。 首次启动完成模型编译后，再次解析同一份 PDF 用时约 2.3 秒。正文和公式基本准确，表格结构得到保留，小字号表头仍有少量误识别。 这只是一份单页样本，不能替代完整的性能测试。官方技术报告使用了 4,231 页、64 类文档进行比较，NanoDoc 的综合质量和 Table TEDS 在参测解析器中均排名第一。 DocDot 今天在 Product Hunt 上线：

今天聊聊我们和「微软」故事。 考虑双方仍处于合作关系，只说 10 年前的事情，但同样精彩。 如果，当初，我要是知道和微软合作，能让「数码荔枝」一年巨亏上百万 ... 我一定乘时光机回到过去，掐断那通电话。 但 2015 年前后，微软刚刚发布了 Office 365 订阅版。 为了全国迅速铺量，微软采用了极其激进的价格，大致在 30-50 元/年，销量极好。 那时，刚创业的我，整个数码荔枝淘宝店，都是月销十几笔的小众宝藏软件。 我们急需一些明星产品，提升店铺曝光，又能符合我们所要的「调性」 我自然将目光放在了 Office 365 上。 那怎么联系上微软呢？又怎么才能销售正版 Office 365 呢？ 比起第一个问题，解决第二个问题更紧迫。 于是，我一家一家联系其他销售 Office 365 的淘宝店，直接问他们买 200 套是什么价格 什么？你们还剩下 237 套？好的，我全要了。 然后，一箱一箱的 Office 365 快递到了我家。 盒子和里面的兑换卡片，我当时都拍照作为留念。 为了能对齐价格，当时我们的 Office 365 销售价，直接按进货价定。 上架第一天就有销量，且一天比一天卖的多。 虽然卖得多，但完全不赚钱啊 ... 一次次进货，纯亏物流快递费。 而且随着时间推移，成本水涨船高，单套的进价慢慢变成 70, 80, 100... 所以，我一直在寻找与微软的正式合作机会。 直到有天，我们遇到了一个推广合作伙伴。 他告诉我们，他正好是微软的 MCP (Microsoft Certified Professional) 而且，他正好也认识微软上海的销售经理，可以引荐一下。 但需要我们提供一份详细的自我介绍 PPT，然后帮我们约电话面聊。 我当时觉得，属于「数码荔枝」的高光就要来了，全然不知将要面对什么。 (未完待续)

如果您在做 Agent Harness 相关的开源项目，希望在 DeepSeek Harness 发布的第一时间进行接入支持，请回复您的 GitHub id 以及 GitHub 项目地址，包括但不限于 plugin, skill, MCP, orchestrator, aggregator, UI 等等。 我们会选择一些开源项目的作者邀请参与DSH内测，并赠送部分API额度，让您可以做到在DSH发布时第一时间接入支持。 请同时私信我您的邮箱，我们会使用 email 联系您。

开源 DSCode：为 DeepSeek 深度优化的 Coding Agent 核心卖点：快、省、稳、开放、安全 - 快：DeepSeek V4 Flash + 极简 Agent Harness，原生适配 Responses API、推理档位、流式响应、代码 Patch 和服务端 Web Search，减少工具选择与协议开销。 - 省：针对 1M Context 和前缀缓存优化，提高长会话缓存命中率；可实时查看 Token、缓存命中和费用，让每一笔模型开销都清清楚楚。 - 稳：内置 Plan、会话恢复、Checkpoint/Undo 和后台任务；支持多 Agent 并行，并通过独立 Git Worktree 隔离修改。 - 开放：支持 Skills、Hooks、MCP；DeepSeek 优先，也可以切换 GPT、Claude 等模型。 - 安全：API Key、配置和会话默认保存在本地；命令运行在 OS Sandbox 中，工具权限由用户控制，Provider 密钥不会传给子进程。 DSCode Agent Runtime 基于 Pi Agent Toolkit，采用 MIT 协议完整开源，可以自由 Fork、修改，也可以集成到你自己的 CLI、IDE 或桌面产品中。 欢迎试用，感谢 Star ⭐ 开源仓库地址👇

有人用Blender接MCP，两周前开始摸索，结果发现AI几乎能帮你搭出任何3D模型。 他用这套流程做了一个高达模型，用到Blender、腾讯混元3D、Gemini和ChatGPT。 怎么做的👇

关于 Agent 的判断： 1. 更通用的吃掉更垂直的 通用 Agent — Codex、Claude Cowork、Workbuddy... 逐渐吃掉专业 Agent 和垂类 Agent（比如 Genspark、Skywork...）。通用 Agent 将成为用户的主要入口，通用 Agent + Skill + MCP 能解决大部分专业任务，大部分 AI-native 应用创业会是伪命题。 2. 更开放的吃掉更封闭的 更开放一方面指的是模型可替换。随着模型能力趋同，模型本身逐渐成为可路由的基础设施。通用 Agent 应根据质量、成本、速度和合规要求动态选择最佳模型，并且将自由度开放给用户。 更开放的另一方面指的是 Agent 本身能被用户/客户拥有：可以本地运行或企业自部署，不必把所有数据和权限交给平台；能修改 Agent 的记忆、规划、权限和执行逻辑；Skill、工作流、记忆、连接器和配置能自由迁移（Cindy、OpenWorker 这类开源 Agent 已经在往这个方向走）。 3. 更下沉的吃掉更傲慢的 Codex、Claude、甚至 DeepSeek 背后的团队都以 AGI 为长期目标，这种技术理想主义，也带来了阶段性的产品傲慢，他们不太愿意做一些更脏更累的面向用户的下沉化需求，比如 Workbuddy 针对 Skill 的精细化运营——包装成专家/专家团这种更面向用户的概念，这些拼的是产品、运营能力，而非技术能力，加上市场足够大，草根团队在通用 Agent 上也有一段时间的机会窗口。