返回首页
一周热榜
大家好，我是 Alex，undatas.io 的创始人。
自从我们推出核心文档解析 API 以来，开发者们给出了非常积极的反馈，他们喜欢我们的精确度和“按需付费”模式。但随着我们观察到越来越多的人构建复杂系统，我们注意到一个共同的模式：大家都在编写相同的样板代码来管理工作流程。
开发者们在构建自己的逻辑来处理工作区、管理任务中的文件批次、轮询结果以及处理状态。我们的原始 API 对于单个事务非常强大，但将编排部分留给了用户自己处理。
为了解决这个问题，我们构建并推出了我们的 MCP（多通道平台）服务器。
可以将其视为一个有状态的、基于命令的编排层，位于我们核心解析 API 之上。您不再需要编写代码来管理 ID 和跟踪多文件作业的状态，MCP 服务器通过一个简单、逻辑的接口为您处理这一切。
工作流程围绕清晰的层次结构构建：工作区 -> 任务 -> 文件。
您可以使用以下简单命令：
- UnDatasIO_get_workspaces 获取您的 work_id。
- UnDatasIO_upload 将文件添加到特定的 task_id。
- UnDatasIO_parse 启动一系列 file_ids 的解析。
- UnDatasIO_get_parse_result 轮询作业状态，而无需自己构建循环。
这对于构建复杂的多文件数据处理管道、与低代码平台集成，或仅仅想要管理大型批处理作业而不想编写和维护状态管理代码的用户来说，都是完美的。我们的目标是让您专注于如何处理数据，而不是获取数据所需的底层工作。
我们相信，这将使构建稳健的文档工作流变得更快、更可靠。我们才刚刚起步，期待您的反馈。
我们准备了一份全面的指南和视频教程来引导您。
MCP 用户指南（完整 API 参考）：[https://docs.undatas.io/mcp/undatas-mcp/](https://docs.undatas.io/mcp/undatas-mcp/)
YouTube 视频教程：[https://www.youtube.com/watch?v=_xobbKiPyf4](https://www.youtube.com/watch?v=_xobbKiPyf4)
我们的官方网站：[https://undatas.io/](https://undatas.io/)
我今天会在这里回答任何问题。请告诉我们您的想法。
我创建了Cuiz-AI，旨在利用人工智能从PDF、Word文档和PowerPoint中生成练习测验。<p>这个名字是“Quiz”（测验）和“Cuis”（一种来自阿根廷的小啮齿动物）的结合，因为我来自阿根廷。所以我们的标志是一个小啮齿动物。<p>其中的难点在于：让大型语言模型（LLM）快速生成高质量的测验题目非常困难。我花了很多时间测试不同的模型和方法，将生成时间从几分钟缩短到几秒钟。<p>你只需上传一个文档，LLM会读取它并生成带有解释的选择题。它还会跟踪你的测验历史和进度。<p>非常希望能收到反馈，尤其是关于我可能没有想到的使用案例和题目质量的建议！<p><a href="https://www.cuiz-ai.com/" rel="nofollow">https://www.cuiz-ai.com/</a><p>谢谢！
我是爱尔兰的一名Stamp 1G学生。DETE的数据非常宝贵，但埋藏在Excel文件中。我建立了这个工具来过滤和搜索：HSE的12,501个健康许可证（2024年）、IT行业趋势（已发放的6,788个许可证）、CSRI成功几率（例如，Meta都柏林的美国开发者成功率为88.8%）。<p>代理洞察：高许可证数量意味着非欧盟人才的热门行业/公司。<p>100%开放的DETE数据。
有什么反馈吗？
嗨，HN！我是Erik。我们开发了Butter，一个大型语言模型代理，通过缓存和重放响应使代理系统变得确定性，从而确保自动化在不同运行之间表现一致。
- 这是一个兼容聊天完成的端点，便于将其集成到现有代理中，只需设置自定义的base_url。
- 缓存是模板感知的，这意味着查找可以将动态内容（如姓名、地址等）视为变量。
您可以在这个演示中看到它的实际应用，它能够记忆井字棋游戏： [观看演示](https://www.youtube.com/watch?v=PWbyeZwPjuY)
我们为什么要构建这个：在Butter之前，我们是Pig.dev（YC W25），我们开发了计算机使用代理来自动化传统的Windows应用程序。我们的目标是替代机器人流程自动化（RPA）。但实际上，这些代理运行缓慢、成本高昂且不可预测——这与确定性的RPA相比是一个重大退步，在医疗、借贷和政府等领域是不可接受的。我们意识到用户并不想用AI替代RPA，他们只是希望AI能够处理边缘案例。
我们着手构建一个用于AI自动化的“肌肉记忆”系统（通用，不仅限于计算机使用），在这个系统中，代理的轨迹被固化为可重用的代码。您可能还记得我们在五月推出的第一个版本，一个名为Muscle Mem的库：[查看链接](https://news.ycombinator.com/item?id=43988381)
今天，我们将其重新推出为聊天完成代理。它通过将观察到的消息历史存储在树状结构中来模拟脚本化的自动化，其中每个分支代表工作流程“代码”中的某个条件分支。我们通过沿着树走来重放行为，如果下一个步骤尚不明确，则回退到AI以添加新分支。
该代理现已上线并可免费使用，同时我们正在努力使模板感知引擎更加灵活和准确。请试用一下，并分享您的体验、遇到的问题以及它是否对您有帮助。
由于Analogue Pocket的推动，我首次深入FPGA开发，创造了一个从零开始的原始Tamagotchi玩具的门级实现。<p>这个核心在Analogue Pocket和MiSTer平台上运行，让用户能够以准确的仿真体验1996年首款Tamagotchi的乐趣，同时还加入了现代化的功能。该核心具备存档状态（在硬件中实现这一点比软件仿真要困难得多）、高达1800倍的超速（这是我目前达到的最高时钟速度）等特点。<p>多年来，我一直希望能更深入地了解硬件和FPGA，我强烈推荐给任何有编程思维的人。这是一种略微不同的思维方式，对你看待简单问题的方式有着深远的影响。
我在OpenAI的应用程序SDK的海洋中游泳……并带回了一本手册！<p>在过去的几周里，我深入研究了ChatGPT应用程序SDK：探索其API、工具和隐藏的宝藏。在这个过程中，我构建、破坏、修复并重新构思了一些小实验。<p>附言：确实，OpenAI的官方文档是权威来源，这只是一本粗略的笔记本。<p>也许，我可以创建一个命令行工具来搭建应用程序的框架？