与「js」相关的搜索结果

Cloudflare 把给 AI 智能体用的浏览器开源了，叫 Kitesurf 它不跑 Chromium，直接跑在 Cloudflare Workers 上，解析 HTML、跑页面 JS、截屏都能干，还支持 Chrome DevTools 协议，Puppeteer 接上就能用 它把标签页、主题、扩展这些给人用的东西全砍了，只盯智能体关心的指标，截图、提 HTML 这类活儿 CPU 和内存都比 Chromium 省得多，并发能开更多会话 仓库是 cloudflare/kitesurf，Apache 2.0 协议，刚开源就已经 837 个 star 本地跑也不麻烦，pnpm run dev 就能起，跑在 8787 端口；不过部署到 Cloudflare 上要 Workers 付费套餐

让 Claude Code 跑一会儿额度就见底，翻回去一看，大头根本不是你说的话，是它自己 grep 出来的几百行结果、一整坨日志、重复的 JSON，每一轮都原样塞回给模型。 Headroom 管的就是这块。它在本地把工具输出、日志、文件、RAG 片段先压一遍，再发给模型。 现在 7.9 万多星，今天在 GitHub Python 日榜上，10 号刚发 v0.44.0。 README 里我觉得比较有用的： 1. 不用改代码，headroom wrap claude 一条命令就把 Claude Code 套上，Codex、Aider、OpenCode、Kimi CLI 也能这么接，不想用了 headroom unwrap 撤掉 2. 官方实测四个 agent 场景省了 21% 到 57% 的输入 token，重复的 JSON 和日志能压掉九成以上 3. 压掉的原文都缓存在本机，模型需要细节时自己调 headroom_retrieve 取回来 4. 还能压输出：开 HEADROOM_OUTPUT_SHAPER=1，让模型少说"好的，我来……"这类开场白，默认是关的 压缩在本机跑，内容不会发出去。uv tool install --python 3.13 "headroom-ai[all]" 就能装，Apache-2.0，Cursor 得手动配。 大段正文、本来就很密的输出基本压不动，省多少看你的流量有多啰嗦，跑一下 headroom savings 就知道了。

窝趣！Obsidian 的 CEO 把自己用的知识库模板放到 GitHub 上了。 想用 Obsidian 搭建个人知识库，但不知道怎么分类、怎么组织笔记的朋友，可以先看看他的模板。 除了知识库模板，Obsidian 官方和 CEO Steph Ango（kepano）还分享了几个相关项目，我整理了 7 个： 1、40 Questions：年度复盘问题 kepano 整理的一份问题清单，用来回顾自己过去一年或一个阶段的生活。 不知道年度复盘从哪里开始的朋友，可以挑几个问题，结合自己的日记和笔记来回答。 2、Minimal：Obsidian 主题 一个简洁、可自定义的 Obsidian 主题。喜欢干净一点的笔记界面，可以在 Obsidian 的主题市场里搜索 Minimal。 3、obsidian-sample-plugin：官方插件模板 如果你用 Obsidian 的时候，发现现有插件满足不了自己的需求，可以拿这个官方模板作为起点，尝试开发一个自己的插件。 也可以把仓库交给 Codex，让它先帮你解释项目结构和开发步骤。 4、kepano-obsidian：个人知识库模板 Obsidian 的 CEO 把自己使用的 Vault 模板放到了 GitHub 上。里面展示了他组织笔记和资料的方式，可以下载下来研究，再根据自己的需求修改。 注意，这是公开的模板，不是他完整的私人知识库。 5、Flexoki：写作和编程配色 kepano 为写作和代码设计的一套配色。如果你想调整 Obsidian、编辑器或者自己网站的颜色，可以参考这套方案。 6、obsidian-releases：插件和主题目录 这里维护了 Obsidian 的社区插件目录、主题目录和公开版本信息。 想找插件、研究社区都有哪些工具，可以从这里入手。仓库本身不包含 Obsidian 的源代码。 7、JSON Canvas：开放式画布格式 Obsidian 的 Canvas 可以用来把笔记、图片和想法放到一张画布上。 JSON Canvas 是用于保存这些画布数据的开放文件格式。对想研究画布工具，或者希望了解画布数据怎么存储的朋友，可以看看这个项目。 如果你是刚开始用 Obsidian，我建议先看知识库模板和 Minimal 主题：先把笔记写起来，用一段时间之后，再根据自己的需求调整分类和插件。

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：

让 WorkBuddy 直接调度本地 ComfyUI，调用 H3 批量生成视频。 大致流程： 1. WorkBuddy 生成分镜和提示词。 2. 通过脚本调用 ComfyUI API。 3. 加载预设 H3 Workflow JSON。 4. 提交生成任务，轮询任务状态。 5. 自动收集视频、日志和失败任务。 6. 使用 FFmpeg 拼接、转码、导出。 整个过程几乎零费用，完全适合新手入门。

😱卧槽，这20 个仓库组成了一个动效工作室！？！ 给 Opus 5.2 用的 20 个工具和 Agent Skills ⬇️ 节奏、变形、绑定、物理、粒子。 01 Remotion Skills → 给 Agent 做视频的指引 02 Anime.js → 时间线和交错动画 03 Motion → 布局过渡 04 React Spring → 弹簧物理 05 Motion Canvas → 动画讲解 06 Manim → 把数学动起来 07 mo.js → 爆发和形状特效 08 Flubber → 平滑的形状变形 09 KUTE.js → SVG 补间 10 AnimXYZ → CSS 编排 11 Lottie Web → 矢量动画播放 12 Rive Runtime → 可交互的状态机 13 Inochi2D → 2D 木偶动画 14 OpenToonz → 手绘动画 15 Synfig → 矢量补间 16 Blender → 绑定和角色动画 17 Three.js → 会动的 3D 场景 18 Godot → 游戏动画系统 19 Matter.js → 2D 刚体物理 20 tsParticles → 粒子动画 想法 → 关键帧 → 运动 → 打磨 → 渲染。 去做点值得看的东西吧 ↓

Grok Bot 小镇上线几天，被认领了 9000 多次，人一多就有人嫌复制 Prompt 麻烦。 所以这两天给小镇接了 MCP，用一个 5 分钟的视频，带你看完这次更新👇 视频里讲了这些： 1️⃣ MCP 是什么：AI 连外部服务的插头，Codex、Claude Code、Cursor、Grok Bot 都能接 2️⃣ 用花名册 Bot 招一个「小镇联络官」，一句话找周报 Bot、查小镇最火的 5 个 Bot（总管 1165 次、杂活哥 922 次……） 3️⃣ grok-town 上架 MCP 官方目录，几分钟就被别的平台自动连、被安全扫描拿假回调试探 4️⃣ 每个 Bot 有了独立页面，链接直接分享 5️⃣ 投稿让 Bot 自己填：有 MCP 一键同步，没 MCP 就让它吐 JSON、自动填表 全部免费，接入说明 📚 知识站：

“Grape jelly. Smooth, smooth peanut butter.” PB&Js have helped fuel Cooper Flagg to average 25+ PPG in his last 10 🍇 Win streaks collide as Coop and the Mavs battle LaMelo Ball and the Wolves at 8pm/et on NBA TV!