最近在搭建一个基于 RAG 的知识库系统时，遇到了一个很常见的问题：怎么把网页内容干净地喂给大语言模型？原始的 HTML 里充斥着导航栏、广告、脚本等各种噪音，直接丢给 LLM 不仅浪费 token，还严重影响输出质量。在尝试了几种方案之后，我发现 [[Jina AI]] 提供了一套非常完整的工具链，从网页内容提取、文本向量化、到深度搜索，几乎覆盖了 LLM 数据处理链路上的每一个环节。
Jina AI 是什么
Jina AI 是一家专注于搜索基础设施的 AI 公司，总部在柏林，在硅谷也有办公室。他们的定位很明确——为企业级搜索和检索提供基础模型
Read more ...
我平时写代码基本离不开 [[Claude Code]]，但有一个场景一直让我觉得不方便：电脑上跑着一个长任务，人已经离开工位了，想用手机看看进度或者追加一句指令，做不到。最近 Anthropic 连续发布了两个功能，把这个问题解决得相当干净——Remote Control 让你从手机浏览器或 Claude App 直接接管本地会话，Channels 则更进一步，让你通过 [[Telegram]] 或 [[Discord]] 给 Claude Code 发消息，它收到后在本地执行并把结果回复到聊天里。
Channels 这个功能是 Claude Co
Read more ...
用 AI 写代码这件事，大家都已经习惯了。但一个尴尬的现实是：AI 在修改代码的时候，经常不知道自己改的那个函数被多少地方调用、改完之后会不会连锁反应把别的功能搞崩。这不是 AI 模型不够聪明，而是它看不到代码库的全貌——依赖关系、调用链路、执行流程，这些结构性的信息在普通的文件搜索里是丢失的。如果我们仔细观察过 AI 检索调用的中间过程就会发现大部分情况下是在进行关键字过滤，这样会浪费大量的 Token。
[[GitNexus]] 就是为了解决这个问题而生的。它把你的代码仓库索引成一张知识图谱，然后通过 [[MCP]]（Model Context P
Read more ...
Meta Muse 使用教程：上手设置、提示词技巧与实用案例
上一篇 Meta Muse 介绍与注册指南：一个会替你跑腿的个人 AI Agent 把 [[Muse]] 是什么、怎么注册、额度怎么算都整理了一遍，但是留了一个结尾：注册完之后到底该让它干什么。Muse 上线这几周，我查阅了一些测评体验，整理了 X 和 Threads 上用户晒出来的用法，发现大家的使用路径其实很像：从提醒和文件这类零风险的任务开始，确认它靠谱之后再慢慢接入邮箱、日历，最后才让它碰钱。这篇就按这个顺序来整理，从界面和设置讲起，再到具体的案例和踩过的坑。
Meta Muse 介绍与注册指南：一个会替你跑腿的个人 AI Agent
2026 年 9 月 8 日，[[Meta]] 发布了个人 AI Agent [[Muse]]，宣传语只有一句：「它去做，而不是告诉你怎么做」。用 [[ChatGPT]] 或 [[Claude]] 时，我们得到的往往是一份说明书，真正动手的部分，打开网页、填表单、下单付款，还得自己来。Muse 想把这一段也接过去：你交给它的不是一个问题，而是一件事，它会自己打开浏览器一步步做完，需要你拍板时再回来问你。这是 Meta 迄今为止在消费级 AI 上下的最大一笔注，两周后的 Connect 2026 大会几乎整场都围绕它展开。
Jev：不聊天只做判断的 System One 决策模型
过去一两年，大模型的发展方向几乎都是更长的思考链、更大的上下文、更强的 Agent 能力。但在日常写代码和搭建自动化流程的过程中，我发现很多地方用到大模型，其实只是为了让它做一个简单的判断，却要付出几秒钟的等待和解析 JSON 的麻烦。TypeSafe AI 发布的 Jev 走了一条相反的路：不聊天、不写代码，只做快速的判断。
Executor：多 Agents 和外部世界之间的统一代理层
同时使用 Claude Code，Codex，Pi，OpenClaw 等等 Agent 工具时有一个非常尴尬的状况，就是不同的 Agent 工具维护了不同的配置格式，如果要配置 MCP server 就需要分别到不同的配置文件中定义，相同的配置散落在系统的各个角落中。同一份 API Key 也需要重复粘贴到不同的配置中，更麻烦的是如果一旦有更新或者 API Key 变动就需要重复修改多个地方，我之前还调查过如何[[跨平台管理 MCP]]，主要的思路还是通过脚本和同步来对齐配置，但本质上还是在管理多个副本，直到我看到了 Executor 这个项目。