最新

我为Lambda云GPU实例构建了一个非官方的命令行接口（CLI）和管理控制平面（MCP）服务器。<p>主要思想是：您的AI代理现在可以为您启动和管理Lambda GPU。<p>MCP服务器提供了查找、启动和终止实例的工具。只需一条命令将其添加到Claude Code、Cursor或任何代理，您就可以说诸如“启动一个H100，SSH进入，并运行big_job.py”之类的话。<p><pre><code> 其他功能： - 当实例准备好SSH连接时，通过Slack、Discord或Telegram发送通知 - 支持1Password用于API密钥 - 还包括一个具有相同功能的独立CLI </code></pre> 使用Rust编写，采用MIT许可证。<p>注意：这是一个非官方的社区项目，与Lambda无关。

我一直在使用Claude Code来处理DevOps风格的任务，比如通过SSH连接到服务器、搜索日志、检查文件和查询数据库。总体来说，这个工具非常好。然而，我发现自己不得不逐一审核每个命令，其中很多都是重复的。虽然它仍然为我节省了大量时间，但这变得有些乏味。 我希望能给这个代理更多的自主权，比如提供一份预先批准的命令或操作列表，让它可以在SSH下执行。 例如： ``` 允许的：ls, grep, cat, tail 不允许的：rm, mv, chmod等 允许的：SELECT查询 不允许的：INSERT, DELETE, DROP, TRUNCATE ``` 有没有人成功或令人满意地解决了这个问题？你们实际使用的设置是什么？在自主权和风险之间，你们是如何划定界限的？

简而言之：为AI工作流审批提供移动通知。之所以开发这个，是因为同时运行5个以上的AI代理会导致混乱。 问题： 这是我几周来手写的最长段落。其他所有内容？都是通过5个浏览器标签（GPT、Gemini、Claude）和多个运行Claude Code的终端生成的AI内容。 它们速度快，质量好。但没人告诉你的是：你会成为瓶颈。 我会启动3个代理处理不同任务，在它们之间切换，结果搞不清哪些需要我的输入，哪些可以安全自动执行。关键决策被淹没在终端输出中。 我尝试过的： - Telegram机器人（不可靠，效果差） - Slack集成（信息过载） - 每5分钟检查一次终端（违背了自动化的初衷） 这些都没有奏效。 我开发的： viahuman——一个通知服务器，让AI代理在需要人类审批时可以提醒我。 它是如何工作的： - 将本地MCP服务器与我的大型语言模型（LLMs）集成 - 告诉它们：“自主运行，但在重要决策时通知我” - 当完成或遇到障碍时，它们会发送移动推送通知 - 我可以通过手机进行审批或提供上下文 - 它们会适应并继续执行

大家好， Repomance 是一款用于发现精心策划和热门代码库的应用。您可以直接通过您的 GitHub 账户滑动来收藏它们。 目前该应用已在 iOS、iPadOS 和 macOS 上可用。我计划在应用用户达到 100 人后开发 Android 版本。 欢迎大家提供反馈，希望您喜欢使用这款应用。

嗨，HN， 我的团队和我正在构建 Tabstack，以处理 AI 代理的“网络层”。发布文章链接： [https://tabstack.ai/blog/intro-browsing-infrastructure-ai-agents](https://tabstack.ai/blog/intro-browsing-infrastructure-ai-agents) 维护一个复杂的网络浏览基础设施是构建可靠代理的最大瓶颈之一。你可能从一个简单的请求开始，但很快就会陷入管理复杂的代理堆栈、处理客户端的水合（hydration）以及调试脆弱的选择器，还要为每个网站编写自定义解析逻辑的麻烦中。 Tabstack 是一个抽象化该基础设施的 API。你只需发送一个 URL 和一个意图，我们负责渲染并返回干净、结构化的数据供大型语言模型（LLM）使用。 它的工作原理如下： - 升级逻辑：我们不会为每个请求启动一个完整的浏览器实例（这既慢又昂贵）。我们首先尝试轻量级的请求，只有在网站需要执行 JavaScript 或水合时才升级到完整的浏览器自动化。 - 令牌优化：原始 HTML 内容杂乱无章，会消耗上下文窗口的令牌。我们处理 DOM，去除非内容元素，返回一种适合 LLM 消费的 Markdown 友好结构。 - 基础设施稳定性：扩展无头浏览器 notoriously 困难（僵尸进程、内存泄漏、崩溃实例）。我们管理整个集群的生命周期和编排，这样你就可以在不维护底层网格的情况下运行数千个并发请求。 关于伦理：由于我们得到了 Mozilla 的支持，我们对与开放网络的互动非常严格。 - 我们遵守 robots.txt 规则。 - 我们标识我们的用户代理。 - 我们不使用请求/内容来训练模型。 - 数据是短暂的，任务完成后会被丢弃。 链接的文章详细介绍了基础设施以及我们为何认为浏览需要在 AI 堆栈中成为一个独立层的原因。 这显然是一个非常新的领域，我们都在共同学习。在代理浏览方面有很多已知的未知（可能还有更多未知的未知），因此我们非常欢迎你的反馈、问题和建议。 欢迎提问关于我们的堆栈、架构或构建浏览器基础设施的挑战。