与「Schera」相关的搜索结果

🍰 BrownDust2 | Scheherazade’s Birthday 🎉 It’s the birthday of Scheherazade, the agent of the Intelligence Organization, Incognito! 🎉 『So, you know what day it is today, right? W-what do you mean you don’t know?! N-no way! Seriously, you don’t know? Fine, you asked for it! I’ll spill every embarrassing secret I’ve got on you!! Don’t think you can just wish me happy birthday now—it’s too late! No way am I forgiving you! H-huh? What’s this? A birthday present? Well… I guess it can’t hurt to see what it is. Don’t laugh! I’m not forgiving you yet, so don’t forget it!!』 Today is Scheherazade’s birthday! She might threaten to spill your secrets if you pretend not to know, but she just can’t hide her excitement when she gets a gift—so charming! For a spy always on edge, let’s make today a relaxing one, filled with real birthday wishes instead of teasing. No matter how she acts, your heartfelt greetings will mean more to her than any treasure. #HappyBirthday# #Schera#

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：

This is what Google's Gemini 4 Carbon is capable of. It built an interactive 19th-century-inspired Parisian physics laboratory, Analyse Spectrale (Mod. M1-2-15), using nothing but a reference image. It features 92 machined brass, copper, and borosilicate parts, a live Beer-Lambert Rankine vortex, an axial exploded view, and an archival Bento UI with a 60 FPS SVG Watt indicator and schematic plate. The materials look incredibly realistic, and it even came up with the entire UI design on its own. I didn't provide any design references for that. Gemini models are getting so good at 3D and physics 🤯

面向用户的功能： - 动态内容加载（无限滚动、分页） - 表单提交（校验、成功/错误状态） - 用户账户（资料、偏好设置） - 搜索功能（索引、筛选、排序） Figma Make 可以连 Supabase 拿真实数据，针对这个集成设计 schema。

SHER PE SAWAR HOKE AAJA SHERAWALIYE,🪔🙏 S O Y E H U Y E B H A G Y A J A G A J A S H E R A W A L I Y E, SHER PE SAWAR HOKE AAJA SHERAWALIYE. SHERAWALIYE MAA JYOTAWALIYE🚩 S H E R A W A L I Y E M A A L A A T A V A L I Y E @grok SHER PE SAWAR HOKE AAJA SHERAWALIYE.🙌

OpenRouter 写了一套给 Agent 上 CI 门禁的做法：把固定 eval 集放进仓库，改 prompt、工具 schema 或评测脚本时自动跑。 它提醒一个坑：把路径过滤放在 workflow 层，可能让必需检查停在 pending；用 job 级判断，才能看清 eval 到底有没有执行。 以后改 Agent 先留一组来自真实失败的测试，再决定通过线，别只看一次 demo.

2026 年了，让 Agent 访问微信聊天记录仍然是一件很麻烦的事情。我做了一个 CLI 小工具 greenbubbles（绿泡泡），可以让 Agent 随时连上微信桌面版的数据库，实时访问聊天记录。 我也开源了自己用来整理微信聊天记录的 skill，目前已经形成了一个庞大的个人知识库，涵盖个人生活、工作的方方面面，感觉 AI 已经掌握了我的所有经历和小心思（这些信息太敏感了，我都不敢截图） 不知道为什么现在大多数的工具都是把微信数据库拷贝出来，再导出成自己的格式，其实微信本身的数据库 schema 就挺好的，只要用 greenbubbles-acquire 获取到密码，然后直接连上就行了啊。 好像我还没宣传就有了 78 个 star……欢迎 star & 提 issue

Pi 的作者 Mario Zechner 早期是死硬派的「No MCP」代表：核心只留 4 个工具，公开把 MCP 当反面教材。 结果在逼近 1.0 的 0.99 大版本里，Pi 突然把 MCP 设为了内置功能。 这看起来像妥协，但翻完源码就会发现：Pi 根本不是向 MCP 低头，而是用一层 Codemode 把 MCP 彻底降维驯服了。 传统 MCP 为什么是灾难？直给两组数字： 1. Token 炸弹：挂个 Playwright 吃 13.7k token，Chrome DevTools 吃 18k token。还没开始聊，3 万 token 先没了，首字延迟崩盘，工具疯狂选错。 2. 调度极慢：查 50 个 Issue，传统 ReAct 循环要跑 50 轮完整大模型往返，几十万字节原始 JSON 垃圾全挤进上下文。把大模型当单步 CPU 用，又贵又脆。 Pi 0.99 给出的解法非常干脆：代码即编排（Code-as-Orchestration）。 - Schema 零注入：MCP 工具默认 exposure 全是 codemode，工具定义根本不给大模型看，Prompt 仅留一行摘要，按需用 BM25 在沙箱里搜。几万 token 预载成本瞬间归零。 - 调度权收回代码：大模型不再发单步指令，而是直接写一段 JS 脚本，扔进 QuickJS 沙箱跑。循环、并发（Promise.all）、异常处理毫秒级完成。 1MB 的原始数据在沙箱内存里直接 filter/map，最终只有清洗后的 3 行有效结果才会回到大模型上下文。 MCP 只适合做能力的标准化暴露，从来不该直接当交互界面。 未来的 Agent 架构很明确了：大模型当编译器（自然语言编译成脚本），轻量沙箱当 CPU（跑并发与清洗），MCP 退回底层当系统函数库。