与「markdown」相关的搜索结果

Muse 就是 Manus 的盗版货，别再费劲去舔了 憋屈的 @ManusAI 强势推出 Manus 2.0 快速探索： · 创建或编辑文档、演示文稿、电子表格和 Markdown 文件 · 把创意变成视频，Manus 负责调研、脚本、素材、剪辑和音乐 · 在云端运行你的项目，让应用和自动化随时随地持续运行 · 把创意变成游戏，完成代码、美术和玩法，制作出可以直接玩的完整游戏 · 让 Manus 在你的电脑上工作，操作你常用的应用和文件 · 自动完成日常工作，告诉 Manus 要做什么、什么时候做，定期报告、更新等任务自动完成 · 无论身处何处，用手机CUE一下，就能处理邮件、通话、消息和付款

分享一个怎么绕过 Codex 反编译、逆向道德感的操作 其实也比较容易实现的，你就不要在 prompt 里提什么逆向以及提什么反编译之类的 你就把这个库安装下来后 就直接跟他说按照这个markdown 去处理某个应用即可 要注意的是，不要让 Codex 或者 Claude 去从 0 开始安装上面的 skills，会拒绝 你要自己装，当然你可以 clone 以后，其中一些安装步骤让它来执行 以上我主要在 Codex 验证，Claude 没有做验证，你们可以试试，可以说 Codex 屡试不爽

这是 Compass 的非官方简体中文本地版。它把 Obsidian 仓库整理成一套个人管理系统，同时保留原来的 Markdown、属性键、插件语法和双链，现有工作流不容易被汉化改坏。 日记、复盘、习惯、任务、项目、联系人和写作都放进同一个 Obsidian 仓库，资料仍以 Markdown、YAML 属性和双链保存。 带有 Life OS 页面、仪表盘、模板、社区插件，也能按需接入 Agent Client 和 MCP。

I’ve seen a couple of posts about this so wanted to demystify. Today, every Muse user gets a free computer in the cloud. It's a real computer, and we’ve designed the security architecture of the Muse Secure VM carefully so you and your Muse can do almost anything you could with a computer sitting under your desk while keeping you and the system safe from threats like prompt injection. We wrote about this at length in our security blog post – Activity in the “runtime cell”, which you share with your Muse is unfettered, but sensitive actions are all overseen by the Sentinel, which runs outside of that cell. Similarly, all sensitive secrets - like the passwords you enter into Muse’s secure credential storage - are also stored outside the runtime cell. The runtime cell gets its own root filesystem (including a full Ubuntu linux image) separate from the host filesystem where your other more sensitive data lives. Because it is isolated from the sensitive stuff that runs on the same box, this means that we can, and do, offer users full visibility and control over the files in the runtime cell. Just as you can when you install Linux on your home computer, you can poke around and see all the files that make the system work - both debian system files and the binaries and data files that implement the parts of Muse which run in the runtime cell. This was a very deliberate choice - your Muse Secure VM truly is your own computer in the cloud. You can install software in it, write and compile code, use the browser to surf the web: it is your own Linux box that you can operate as you choose with your Muse. Poking around in this computer doesn't give you any privileged access to Meta infrastructure, or to other people's data If I may geek out a little here for a second… As a kid I loved to take things apart to see how they worked. As a teenager I got into computers and soon found myself drawn to C:\WINDOWS\SYSTEM and the system registry, later Slackware’s /dev/, /proc/ etc – I could see how the system was laid out and as I explored what DLL files and .so files actually did, I gradually became able to meld the computer to my own will. We’re really proud to be able to put a real computer in millions of people’s hands with a similar level of transparency. We built a file explorer right into the Library tab of the UI. We want you to be able to see the markdown files Muse writes while it thinks about how to serve you better, and explore the internals of the system if you’d like to. So, when you ask your Muse to show you its entire filesystem, and receive gigabytes of files you’re seeing the full contents of the runtime cell. It’s yours to explore and enjoy! If you’re not a geek like me, or simply want to download the data that you personally have created directly with your Muse, we added a feature for that too in Settings > Data controls > Download your agent data.

前两周面了一家硅谷背景的 AI 基础设施团队，考官抓着大模型结构化输出的容错刨根问底。 面试官发难：考官指着屏幕上的 Python 代码：“我们需要大模型提取实体并返回纯 JSON 供后端解析，怎么彻底防止它偶尔在开头输出一段‘好的，这是为您生成的回复：’或者把 Markdown 反引号带进去？” 我心里怎么想的：我强忍住想笑的冲动：“这不就是我们日常调教大模型的基本功吗？恐吓它、教育它、多给两个 Few-shot 样例，它不就老实了？！” 我嘴上怎么答的：“呃,在 Prompt 里加粗强调：‘【死命令】：只许输出纯 JSON，严禁输出任何多余废话或 Markdown 符号，违者扣分！’” 面试官的反应：考官推了推眼镜，眼神里满是看破红尘的无奈：“不管你怎么用感叹号恐吓大模型，在概率采样的世界里，它总有千分之一的几率抽风，你的后端解析就会在半夜报 500。” 后来进了大厂跟组里负责推理引擎的 Tech Lead 聊起这事，才发现我当时有多天真。靠自然语言 Prompt 永远无法保证 100% 确定性。大厂的做法是走底层约束解码（Grammar-Guided Decoding），比如通过 Outlines、Jsonformer 或者模型官方原生的 Structured Outputs API，直接在 Logits 采样阶段把所有非合规字符的概率强行置零！

很多假粉丝都不知道我已经把微信生态都做成了Skill。。。 1.微信数据Skill。微信聊天记录、微信联系人、微信朋友圈、微信收藏夹全部都可以被Codex直接读取，也支持增量读取，只有首次重签名具有一定风险，后续基本无风险。 2微信公众号文章下载Skill。给链接，就能直接下载Markdown。（之前本来给公众号名就能批量导出上千篇的，但是作者把上游仓库关了。我现在自己维护了一个批量抓的Skill的，但是只对TradeWinds社群成员开放了） 3.微信双开Skill。有一定风险，我自己经常被弹出登录，所以现在没用了，如果有大神能优化，我举双手拥护。 4.企微微信数据Skill。同理微信Skill。

Today, we are announcing the second generation of Agentic Document Extraction (ADE). It is faster, more accurate, and more affordable than ever before. ADE Gen2 delivers higher performance while optimizing cost for every document. Pricing has been completely overhauled. Customers running mixed workloads should see 25% to 80% cost reductions. Groundings and citations now reach the word level following a page > block> line > word hierarchy. This allows every extracted value to point to the exact location on the page it came from. The outputs from the v2 Parse and Extract APIs are fully agent-ready and agent-friendly. Your agents get a clear hierarchy, stable IDs, and clean, standardized Markdown designed just for them. ADE Gen2 is a step change in document intelligence not an incremental update. Read the full announcement on the blog (link in comments). Create an account and get started for free at

在超过几十种的文档格式中，Markdown 目前还是对 Agent 最友好的格式，应该没有之一。 为了最大化企业和个人知识库的价值，让 Agent 能懂你的企业和你自己，即使有 WorkBuddy <-> 企微、千问办公 <-> 钉钉、豆包工作 <-> 飞书 这样的天然生态打通优势，在企业网盘、硬盘、知识库里吃灰的文档，还是要转为 Markdown 才能更好的被 Agents 用起来。 分享几个我自己平时在用的 Markdown 文档格式转换项目，朋友们可以根据自己环境内当前的文档实际情况来选择用哪个。 1. anydoc 18.8k 🌟 Firecrawl 最新开源，评价很高，文档格式覆盖很全、解析很快。纯 Rust 零依赖，把 Word/PPT/Excel/PDF 等 14 种格式毫秒级转成 LLM 可用的 GFM Markdown。 2. MinerU 78.6k 🌟 OpenDataLab (上海 AI Lab) 开源，在 anydoc 之前是我自己主力用的。它基于 1.2B 视觉语言模型的高精度文档解析器，专攻 PDF 的公式、表格与中文版面，OmniDocBench 榜首。 3. MarkItDown 176.6K 🌟 微软开源，开源之初声量极高，不过解析能力上限不如前两个。轻量 Python 工具，把 ~25 种文件（Office/PDF/图片/音频/HTML 等）统一转成 Markdown 喂给 LLM。 4. Docling 65.7k 🌟 IBM Research 开源，MIT 许可，企业级文档智能工具包，多格式解析为带类型的结构化文档树（DoclingDocument），为 RAG 而生。 5. Marker 39.3k 🌟 Datalab 开源，基于 Surya 模型套件的高速 PDF 转 Markdown/JSON 工具，GPU 批量吞吐可达 ~120 页/秒。 最后附上一个简单对比测试，供大家参考吧，实际表现还要基于具体环境测试（项目/速度/硬件要求） 1. anydoc 中位 4.7ms/文档 Ryzen 9 9950X3D，纯 CPU，100 个真实文档（14 种格式） 2. MinerU 0.21s/页（L4 GPU）、2.12 页/秒（A100） VLM 路径必须 GPU（≥8GB 显存） 3. MarkItDown 中位 134.8ms/文档；整份 PDF 约 0.6–1.1s 同上 CPU；比 Docling/Marker 快 50–100 倍 4. Docling 513.6ms/文档（Office）；PDF 约 3.1s/页 CPU、0.49s/页 GPU CPU 可跑，GPU 明显加速 5. Marker 批量最高 ~120 页/秒（H100）；B200 上 2.9–23.7 页/秒 GPU 才有意义，CPU 模式很慢

换个角度吃瓜 看完「我的女友景甜」这个 GitHub 仓库。 先不聊内容真假，单看技术实现，其实挺有意思。 它不是普通的“文章转 PDF”，而是把一篇长文做成了一本可以直接下载、收藏、Fork 的小书： 正文 → LaTeX → PDF → GitHub 里面甚至专门调了书籍尺寸、中文字体、行距、页眉、段落留白和封面。 但这个东西其实还能再往前走一步。 完全可以做成一个 longform-publishing-engine： 你只需要维护一份 Markdown， 然后系统自动生成： PDF EPUB 网页版 封面 README GitHub Release 甚至连排版都不用管。 比如我写一篇 1 万字的 Crypto 长文，只需要： 写完 Markdown → git push 后面自动完成排版、编译和发布。 技术上也没有多复杂： Markdown + Pandoc + XeLaTeX + GitHub Actions 再加一个 book.yaml，控制书名、作者、字体、尺寸和模板。 这样以后每写一篇值得长期保存的内容，都不只是“发一条长推”。 而是顺手出版一本小册子。 这次这个仓库真正让我觉得有意思的地方是它把： Content 变成了 Artifact。 文章发完会沉下去。 但 PDF、GitHub Repo、Star、Fork、Issue，会让这篇内容继续存在。 对长期做内容的人来说，这套思路其实比这次的瓜本身更值得抄。