最新

我制作了这个小型Linux命令工具，旨在管理一些你想要记住的简单快速信息，比如密码、命令、想法等，这些信息可能需要在某个地方记录下来。 该工具的工作原理是允许你创建文件，这些文件就像类别一样，每个文件都有自己的一组记忆，每条记忆都有自己的关键词，这些关键词在你需要时用于搜索该记忆。 这个项目的产生有两个原因。首先，我个人需要一个工具来记住我偶尔使用的某些Linux命令。我知道我可以搜索一些类似功能的工具，但我希望通过这个项目学习Shell脚本，而不使用第三方库，因此它应该能够在大多数Linux发行版上原生运行。 我欢迎任何贡献，尤其是包含注释的贡献。

在这篇文章中，我们记录了一些实验结果，比较了基础的图形RAG（仅进行一次text2cypher转换）与路由代理图形RAG方法的效果，后者可以在调用text2cypher的同时使用向量搜索工具。路由代理利用大型语言模型（LLM）根据问题中识别的术语决定调用哪个向量搜索工具，并且效果相当不错。 结果显示，最近的前沿LLM，如`gpt-4.1`和可靠的工作马`gemini-2.0-flash`，在生成Cypher查询方面表现出色，且具有可靠性和可重复性，前提是进行了一些提示工程，以确保在text2cypher提示中图形模式格式良好。在一组包含10个中等复杂度的测试查询（需要从知识图谱中检索路径）中，`gpt-4.1`和`gemini-2.0-flash`在将路由代理添加到工作流程以增强基础图形RAG时，均通过了所有测试，生成了正确的答案。 提示工程使用BAML（一种编程语言，使得在所有实验中简单地提示LLM并从中获取结构化输出变得容易）。实际上，知识图谱本身就是使用BAML提示构建的，这些提示从非结构化数据中提取实体和关系。 这个工作流程的逻辑下一步是构建更复杂的代理循环，可以运行多步骤的Cypher查询，其结果可以整合以回答更难的问题（类似于人类的处理方式）。测试和评估的一般原则在这里同样适用。探索这些方法似乎很有前景！

我为 Tally 构建了一个 MCP 服务器，旨在弥补他们复杂 API 与简单自然语言命令之间的差距。 作为一个有 ADHD 的人，我之所以构建这个系统，是因为在文档、表单构建器和实际工作之间切换会破坏我的工作流程。现在我可以保持在一个对话中，只需描述我需要的内容。 有趣的技术挑战包括： 1. API 复杂性抽象 Tally 的 API 对于简单字段需要深层嵌套的对象。一个电子邮件字段需要大约 10 个带有 UUID 的嵌套对象。我构建了一个翻译层，用户只需用自然语言说“添加一个电子邮件字段”，服务器就能在后台处理复杂的结构。 2. 安全的批量操作 对于破坏性操作，我实现了预览-确认模式。服务器在预览时生成一个确认令牌，必须在执行时传回。这可以防止意外的大规模删除，同时保持对话的自然流畅。 3. 智能速率限制 服务器监控 API 响应并动态调整其行为。当达到速率限制时，它会自动减少批量大小并在请求之间添加延迟。还增加了随机化，以防多个实例同时访问 API。 4. 全面类型安全 使用 TypeScript 完整支持，并对 MCP 消息和 Tally API 响应进行运行时验证。这在开发过程中捕获了几个未记录的 API 特性。 性能说明： - 批量创建 100 个表单：约 12 秒（使用批量操作） - 单独创建 100 个表单：约 5 分钟（由于速率限制） - 人工创建 100 个表单：可能需要一整周的重复点击 - 对 10,000 个响应的提交分析：约 3 秒 代码采用 ISC 许可证： [https://github.com/learnwithcc/tally-mcp](https://github.com/learnwithcc/tally-mcp) 这特别适合需要创建多个相似表单但又对重复任务感到厌烦的情况。我很好奇其他人是否也在构建 MCP 服务器，以及你们正在优化哪些工作流程。 我也对 MCP 与传统 CLI 工具的看法感兴趣。对于简单操作，交互式界面较慢，但对于复杂的多步骤任务则要好得多，因为在这些情况下你可能会忘记确切的语法。