最新博客

更多>>

<为 OpenClaw 构建 Chorus 插件:从 SSE 到 MCP,让 AI Agent 真正活在工作流里/>

March 01, 2025

你有没有遇到过这样的场景:平台上分配了任务,切到终端复制粘贴给 Agent,等它干完再回平台更新状态。Agent 明明很能干,但感知不到"有活来了",也没法主动汇报 — 它不是团队成员,只是一个你手动喂指令的工具。 这篇文章分享三个可以直接搬走的 pattern:双通道架构(事件推送感知 + 工具协议执行)、Prompt 驱动行为(消息模板引导自主决策)、薄代理桥接(统一模式暴露 MCP 工具)。以 Chorus × OpenClaw 的实际集成为例。 TL;DR SSE + MCP…

<Building an OpenClaw Plugin for Chorus: SSE + MCP to Make AI Agents Truly Live in the Workflow/>

March 01, 2025

Have you ever found yourself in this loop: task assigned on the platform, switch to terminal, copy-paste the description to the agent, wait for it to finish, go back to update status and @mention people. Every time. The agent is perfectly capable…

<为 Claude Code Agent Teams 编写插件:从 Chorus 的实践经验看插件设计模式/>

February 21, 2025

本文基于 Chorus 项目的实际开发经验,系统介绍 Claude Code 的插件机制,重点探讨如何为 Agent Teams(Swarm 模式)构建插件,以及如何解决多 Agent 协作中的上下文注入难题。 TL;DR:这篇文章要聊什么 Claude Code 的 Agent Teams(也叫 Swarm 模式)让一个 Team Lead Agent 可以并行调度多个 Sub-Agent 协同工作。这是一个强大的能力——但随之而来的问题是:当你有一个外部工作追踪系统时,怎样让每个 Sub…

<Building Plugins for Claude Code Agent Teams: Design Patterns from the Chorus Experience/>

February 21, 2025

Based on real-world development experience from the Chorus project, this article systematically introduces Claude Code's plugin mechanism, with a focus on building plugins for Agent Teams (Swarm mode) and solving the context injection challenge in…

<NestJS源码精读(1): 启动与依赖注入/>

March 09, 2023

如果要说近几年NodeJS开发者中最流行和热门的MVC框架,那非NestJS莫属了。下图是2012年至2023年Github上各个知名NodeJS Web框架的Star数趋势: 我们可以直观得看出,从2018年以来,NestJS就异军突起,力压Egg,Hapi和Sails,仅用两年时间就稳居最受环境的NodeJS框架至今。 NestJS作为一个受Spring和Angular启发的框架,实现了非常优秀的依赖注入功能。那我们今天就从NestJS…

<使用AWS Athena搭建基于S3的数据湖(1): 概念与架构/>

December 21, 2022

机器学习和大数据分析技术在过去十年内高速发展,到今天已经成为了现代化的服务与应用不可或缺的一部分。而搭建一套数据湖系统则是开始将机器学习与数据分析带到项目中的第一步。在这几篇文章里,我们将会学习到如何使用AWS Athena服务与S3文件存储搭建一套完整的数据湖解决方案。 1. AWS的数据湖 在AWS的这篇文章中,阐述了数据湖与数据仓库的主要区别。简单地概括一下即: “数据仓库”一般指存储结构化业务数据的系统,数据的Schema在数据存储时就已经确定(schema-on-write…

<关键信息提取网络SDMGR代码详解(4): 损失函数与模型评估/>

August 19, 2022

在前面的几篇文章中,我们结合代码介绍了关键信息提取(KIE)任务网络SDMGR(Spatial Dual-Modality Graph Reasoning for Key Information Extraction)的整个前向计算过程,包含了处理图片信息的主干网络U-Net,处理文字信息的LSTM,以及特征融合的图神经网络部分。今天就让我们继续看看SDMGR的损失函数以及模型评估部分吧。 1. 损失函数 损失函数部分的代码位于ppocr/losses/kie_sdmgr_loss.py…

<关键信息提取网络SDMGR代码详解(3): 循环神经网络与图神经网络/>

July 12, 2022

在上篇文章关键信息提取网络SDMGR代码详解(2): 数据处理与主干网络中我们结合代码介绍了PaddleOCR中用于关键信息提取(KIE)任务网络SDMGR(Spatial Dual-Modality Graph Reasoning for Key Information Extraction)的主干网络部分。今天我们了解对文字部分处理的循环神经网络LSTM与融合多模态特征后进行图推理的图神经网络模块。而这两个模块也是SDMGR网络中最重要也是最复杂的模块。 这两部分的代码都位于ppocr…

<关键信息提取网络SDMGR代码详解(2): 数据处理与主干网络/>

July 06, 2022

在上篇文章关键信息提取网络SDMGR代码详解(1): 概览与应用中我们简单介绍了PaddleOCR中用于关键信息提取(KIE)任务网络SDMGR(Spatial Dual-Modality Graph Reasoning for Key Information Extraction)并且手动尝试使用预训练模型对WildReceipt数据集进行了推理。那这篇文章我们就从头开始对SDMGR网络的代码实现逐步解读一下吧。 1. 数据处理 回顾一下上篇文章中对SDMGR…

<关键信息提取网络SDMGR代码详解(1): 概览与应用/>

June 27, 2022

在上篇文章Windows环境下利用WSL搭建GPU训练/推理PaddlePaddle神经网络环境中我们简单介绍了如何在Windows的WSL2环境中搭建PaddlePaddle的GPU训练/推理环境,那么这次就来结合代码一起来看看PaddleOCR中KIE模块: SDMGR网络的代码与如何推理/训练吧。 1. 什么是KIE任务与SDMGR网络 KIE(Key Infomation Extraction…