与「Query_Musical」相关的搜索结果

@Query_Musical 怒涛の集中お稽古を経て❤️✨いよいよ劇場入りしました✨✨✨ちょっと今までのミュージカルにない超濃厚！そして幻想てきで、絶対的に癖になっていただけると思います！！！！✨✨ ボーイズと‼️❤️ マエちぇんとガッちんと‼️

新作ミュージカル Musical『Query』上演決定！ 【最速】先着先行 実施！ 8/30(土)18時〜9/2(火)18時 朗読版 9/23(火祝)～28(日)草月ホール 通常版 10/9(木)～13(月祝)ABCホール 10/16(木)〜26(日)シアター・アルファ東京 #Query_Musical# (続く→)

NVIDIA released Auto Ontology, an open-source library that builds a semantic layer from your enterprise metadata and exposes it to agents via MCP. Vendor tests claim **90% faster ontology building**. The problem is familiar: agents that write SQL against your data use their own definitions, not the enterprise's. A "revenue" the agent calculates doesn't match the one in the financial report. Auto Ontology builds a semantic layer from existing metadata (schemas, tables, columns, relations), reconciles definitions across systems, and exposes it to agents via MCP, CLI, or API. Nine MCP tools are provided to query the catalog, validate a query, or retrieve certified definitions. What the account takes from this: the 90% gain comes from NVIDIA's own tests, not an independent measurement. The library automates construction, not governance. Business definitions, access rights, and auditing remain your responsibility. The gesture: clone the repository, point it at a test schema, and see what entities and relations it extracts. The README shows the complete flow in ten minutes.

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：

Google Search is getting its biggest model update yet with Gemini 4 Hydrogen — rolling out globally for all users today. Here’s what’s new in Search: 🔍 Better understands intent: Ask nuanced, multi-part questions in your natural flow of thought — even with specific requests or typos — and get relevant responses across all supported AI Mode languages. 👀 More visual responses: Get adaptive, easy-to-scan layouts with images, comparison tables, and custom tools. 🌐 Upgraded query fan-out: Hydrogen’s reasoning upgrades how Search runs simultaneous subtopic queries to connect you to a broader range of helpful web links.

(1/6) The biggest model upgrade to Search yet has landed. Gemini 4 Hydrogen is here, and brings cutting-edge intelligence to all Search users. It’s now the new default model in AI Mode & being used for your hardest questions in AI Overviews. > Breaks down complicated, multi-part Qs & precisely follows your prompts > Reasoning advancements improve query fan-out to show more links to the web > Much more visual, scannable & highly tailored responses (with comparison tables, charts & more) > Rich understanding of all supported languages I’ve been testing the model behind the scenes and it’s really incredible. It’s one of my favorite models I’ve ever used, and can’t wait for you all to try it! Here are a bunch of examples I found helpful 👇

🔐 安全提醒｜请及时排查iOS 系统漏洞 近期 iOS 26.7.1、27.0.1、27.2 版本被曝存在系统层面漏洞（worse_query），恶意应用或可读取其他应用的本地文件，可能导致助记词、私钥及登录凭证泄露。 这属于 iOS 系统层面风险，并非 OKX 产品漏洞；OKX 账户与资产系统运行正常。 为保护你的资产，请做好以下防护： 1️⃣卸载来源不明的应用，尤其是非 App Store 下载的软件。 2️⃣将 iOS 与 OKX App 更新至最新官方版本，并仅通过 App Store 或 OKX 官网下载。 3️⃣若怀疑信息泄露：Web3 钱包请在新设备创建新钱包并尽快转移资产；交易所账户退出陌生设备，检查账户安全设置。 4️⃣打开 OKX App「安全设置」，核查登录设备，并确认资金密码、Passkey 和谷歌验证已开启。 ⚠️ OKX 不会索要助记词、私钥或验证码。凡以“安全升级”“漏洞修复”为由索取这些信息的，均为诈骗。如有疑问请通过 OKX App 内官方客服核实。

A vulnerability (worse_query) affecting iOS 26.7.1, 27.0.1, and 27.2 allows malicious apps to read local files from other apps, putting seed phrases, private keys, and login credentials at risk across the entire ecosystem. This is an iOS-level issue, not unique to Binance. Immediate Action Required: - Delete any apps installed from untrusted sources (such as sideloaded or manually signed IPAs). - Update iOS and all apps to the latest official versions. - If you suspect a breach, transfer funds to a new wallet created on a clean device and reset all active login sessions. Never install unauthorized packages, and keep your software up to date.

TLDR of hyperliquid precompiles: EVM chains on HL (ie HyperEVM & Elysium) have precompiles (basically built in blockchain functions) that allow them to query prices of hypercore assets For example rn on HyperEVM, you can make a simple RPC call to the chain to get the mark price of $HYPE Elysium doesn't have this ability rn but will be able to in 4 weeks. The diff b/w elysium and hyperEVM is that elysium's prices will update every 70ms (hyperEVM is every 1s) And elysium will be able to query entire orderbook, while hyperEVM can only do bid/ask/mark A blockchain being able to query the full depth of a separate orderbook in real time is p cool. Maybe some volatility based univ4 hooks could use such information