与「pyt」相关的搜索结果

📸 又发现一个 Instagram 运营神器 instagram-agent-skill，13 个 Claude 技能把找爆款、写 Reel 脚本、配文案到回评论私信全包了。 instagram-agent-skill 两个月前才建仓，已经 6400 多 star、1200 多个 fork，刚上 GitHub 热榜。 以前做一条 Reel，得自己刷同行找灵感、憋开头、写文案、数话题标签，发完还要一条条回评论。 装上之后，/ig-reel 会按 26 种开头公式给你出三个开头并打分，再把脚本、屏幕文字和带时间的节拍表一起排好；写文案时还会预览信息流里能露出的前 125 个字符，顺手检查话题标签有没有超过每帖 5 个的上限。 它只生成文字，不碰你的账号：不用注册、不要 API 密钥，也不会替你自动发帖，复制粘贴由你自己来。配套的 5 个 Python 小工具全在本地跑，不联网。 难得的是作者 Jake Schincariol 很实在：他拿 74 条真实短视频开头测打分器，承认它挑得出故意写烂的开头，但分辨同一个人的爆款和扑街款时，效果只比瞎猜好一点。 工具帮你少踩坑，爆不爆还得看内容本身。 GitHub：

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。

Antigravity 又上新了：Dynamic Workflows。 /run-workflow：一句话，智能体先写段 Python 脚本，活拆成并行、串行，跑前给你过目才执行。 跟 /swarm 不同：那边智能体商量着干，这边脚本说了算。 #Antigravity# #谷歌# #AI编程#

Antigravity 的多 agent 任务能写成脚本反复跑了。 输入 /run-workflow，主 agent 生成 Python 脚本，过目后执行：并行、串行、按文件分包都写在脚本里，子 agent 各占一个 Git worktree。 可复用：代码评审、包级审计这类重复活，脚本存成 .py 文件下次直接跑。Pro 和 Ultra 可用，不另收费。

这个 Grok Bot 跑出来的收益，确实有点夸张 我让 Grok Bot 的全自动交易终端运行了一整晚，期间持续自主执行交易。初始本金只有 69.67 美元，睡醒后账户余额已经达到 13,370 美元 整个过程我没有手动干预过任何一笔订单 只需要充值、启动自动交易，后续的机会筛选、进场时机、仓位管理，以及按照预设风控执行止盈止损，都交给机器人完成 我把这套 AI 自动交易系统涉及的 GitHub 开源工具整理成了下面这份清单： 1. Cryptofeed 实时获取各大交易所的成交、价格和盘口数据，为策略扫描提供行情输入 2. CCXT 统一交易所 API 接口，一套代码即可连接多个平台，完成行情查询、资产读取和订单执行 3. Freqtrade 量化交易的核心框架，支持策略回测、模拟交易、仓位监控，并提供可视化管理后台 4. VectorBT 利用历史行情测试不同的开仓和平仓策略，评估收益表现与最大回撤 5. TA-Lib Python 计算常见技术指标，从行情中提取 RSI、MACD、移动平均线等交易信号 6. skfolio 优化投资组合，根据资产权重、换手率和交易成本，辅助制定仓位配置 7. QuantStats 自动分析交易绩效，生成报告，直观呈现胜率、回撤和波动率等指标 8. DuckDB 轻量级数据库，用于保存盘口快照、订单和交易记录，方便后续分析与复盘 9. APScheduler 定时任务调度工具，可自动更新行情、检查账户状态，并按计划生成每日交易报告 10. Lightweight Charts 提供终端 K 线可视化，实时展示行情走势和策略执行的交易标记 这些组件可以通过脚本、API 和 MCP 协议连接起来，组成一套协同工作的自动化交易系统 不过，真正准备接入实盘时，有几条规则不能忽略： 独立管理下单权限，严格限制最大持仓和单日亏损 遇到状态不明确的订单，先核实执行结果，再决定是否重试 策略上线前，先在模拟盘完整运行一个周期 每日复盘必须区分已实现盈利、未平仓头寸、手续费、失败订单和账户资金变化，确保每笔资金流向都有记录 AI 自动交易的价值，不只是让机器人替你下单，而是把行情扫描、策略判断、风险控制和交易复盘串成一套自动化流程

我去！有人把私募量化研究员的整套技术体系，整理成了一份免费的中文实战手册！ 从因子挖掘、机器学习选股，到 Barra 风险模型、组合优化和 A 股真实交易规则，连 Python 源码都准备好了！ 这个开源项目就是 quant-handbook。 涵盖 8 大模块、31 讲课程和 31 份 Python 实战示例，从因子挖掘、机器学习选股到组合优化、策略回测都有！ 核心亮点： 1️⃣ 数据工程：使用 Polars、DuckDB 处理行情数据，解决复权、财报对齐和未来数据泄漏。 2️⃣ 因子研究：覆盖量价、基本面、订单流因子，以及 IC/IR、分层回测和因子正交化。 3️⃣ AI 量化选股：结合 LightGBM、CatBoost、SHAP，构建机器学习选股流程。 4️⃣ 组合优化：实现 Barra 风险模型、风险平价、行业中性和换手率约束。 5️⃣ 真实交易回测：模拟 A 股 T+1、涨跌停、停牌、手续费、印花税和市场冲击成本。 6️⃣ 绩效归因：分析 Alpha、Beta 收益来源，监控特征漂移和组合风险。 以前学量化，因子会算、模型会训练，但真正做回测时，未来函数、交易成本和风控问题经常被忽略。 这套手册把完整的量化研究流程都串起来了。 我比较喜欢它对回测真实性的处理，不只是计算收益曲线，还把无法成交、交易成本和未来数据泄漏这些问题考虑进去了。 31 讲都有对应的 Python 示例，适合从零学习，也能作为量化策略开发的参考。 做 A 股量化、机器学习选股，或者想系统学习量化研究的，这份手册值得收藏！

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：

一台电脑的装配动画，三个 Claude Agent 做了近八小时。 11月13日，创作者 Mr Tactical 晒出了一段用 Blender 制作的三维主机动画。主机里的零件逐步组装起来，镜头还能贴近内部，展示硬件细节。 按作者给出的记录，参与制作的是三个 Claude Fable 5.2 Agent，耗时7小时41分钟，模型用量按 API 价格折算约138.82美元。这个数字不能直接当成全部制作成本，作者教程中的统计口径也不包含管理 Agent 自身的规划和检查。 他还在评论区附上了自己的制作教程，做法很具体：让 Claude Code 写 Python 脚本，在后台运行 Blender，把模型、材质、灯光、镜头和动画逐项搭出来，再渲染成视频。 其中值得参考的一步，是先别急着输出整条成片。 按照他的教程，Agent 要先做一张目标效果图，再渲染几个关键时刻的测试画面。看看材质对不对、零件有没有穿插、镜头是不是离得太远。修改几轮之后，先出一版低质量预览，确认运动和节奏，再正式渲染。 用代码驱动 Blender，方便的地方就在于：做完后，手里还留着一套可以继续改的三维场景。 某个零件挡住了，换个机位；装配过程太快，放慢这一段；想给客户单独看看内部结构，就沿用同一套模型再拍一条。模型、灯光和镜头都可以分别调整，不必每次重新描述整段画面。 这对产品结构展示、安装说明和机械原理科普，都有参考价值。不过，画面看着像，不代表尺寸和装配关系就一定正确。真要拿来解释产品，还得对照实物或设计资料检查。 想试这套做法，可以先拿两三个零件做一段简单拆装：先把结构搭对，把动作讲清，再往上加材质、灯光和镜头。这样更容易看出，Agent 到底能帮自己省下哪部分工作。

📚 李博杰刚开源了一本《深入理解 AI Infra》，想搞懂大模型推理和训练到底卡在哪，这本书直接从硬件极限一路算给你看。 《深入理解 AI Infra》的仓库 8 月下旬才建，现在已经 7500 多 star。它是李博杰《深入理解 AI Agent》的姊妹篇，那本在 GitHub 上是 5 万+ star。 以前学 AI Infra，看到的多是「用了什么框架、调了哪些参数」，为什么要这么设计，往往没人讲透。 这本书反过来，从约束推导设计，反复追问五个问题：搬什么、搬多少、搬几次、经过哪里、谁必须等它。十二章从模型架构、加速器、超节点、数据中心网络，一路讲到推理优化、分布式推理、训练系统和端边云协同。 配套的计算工具只要 Python 标准库就能跑，不用 GPU，也不用下模型权重，书里的数可以自己算一遍。中文原版之外还有英文、繁中和俄语的社区译本，PDF、EPUB、在线阅读都有。 要说明的是，书稿目前还是初稿，作者在持续修订。 想把 AI Infra 从「会用」学到「会算」，这本值得放进书单。 GitHub：