AI 日报

文章 URL： https://www.anthropic.com/news/claude-sonnet-5-5 评论 URL： https://news.ycombinator.com/item?id=49881889 点数：19 评论数：5

— Hacker News 熱門

文章 URL： https://blog.cloudflare.com/cloudflare-cf-cli-launch/ 评论 URL： https://news.ycombinator.com/item?id=49879577 点数：6 评论数：0

— Hacker News 熱門

Hey HN！我们是来自 Vespper（ https://vespper.com ）的 Dudu 和 Topaz。Vespper 是一个 MCP，可让 AI agents 高效编辑 Word 文档，由我们微调的模型驱动。目前它比最接近的替代方案快 3 倍、便宜 2 倍，而且更准确。可以在这里查看产品工作方式概览： https://youtu.be/odKxsgPjzzw 我们是在为制药公司构建 AI 文档编辑器一年后，开始研究这个问题的。在那之前，Topaz（我本人）是 Snyk 的高级 SWE，负责分布式系统；Dudu 是 Viz.ai 的深度学习工程师，构建用于中风检测的计算机视觉模型。 我们的编辑器帮助制药公司生成监管文档（例如 CSR），以加快其提交流程。最初，输出是 Markdown，并显示在 WYSIWYG 编辑器中。然而，用户更愿意使用自己的 Word 模板。这就是问题开始的地方。 AI agents 并不擅长编辑 Word 文档。一个 Word 文档是一个由冗长 XML 文件组成的 zip 文件，遵循 OOXML 规范。即使是“很小”的改动也需要大费周章，例如：添加编号列表需要在 numbering.xml 中用一个新的 ID 创建条目，并在 document.xml 中把它链接回去；加粗一句话需要把它拆分成 3 个以上的 run 元素。类似问题还有很多。 这使得直接编辑 zip（unzip + grep + sed）对 agents 来说是个坏主意，因为它们会在这些机制上消耗大量时间和 tokens。 在实践中，今天的工具大致分为三类。你可以让 agent 针对 python-docx 或 Open XML SDK 这类底层库编写代码；你可以给它一个带有主观编辑工具的 MCP（SuperDoc、Office CLI、Adeu 等）；或者你可以用 pandoc/mammoth.js 之类的工具把文件在 Markdown/HTML 之间来回转换。 它们都不太行。前两类仍然会把 agent 的上下文消耗在 Word 机制上，而不是手头任务上（MCPs 还会引入一种需要学习的新 DSL）；第三类则损失很大（pandoc/mammoth.js/等无法保留足够的保真度）。 根据我们的亲身经验，这些问题会损害下游任务的性能。 当我们尝试让 agent 填写大型文档时，事情很快就崩了。上下文窗口已经塞满了客户数据（文件、用户上下文、全局规则等），而 agent 又把 tokens 和时间消耗在探索文档以及调试失败的编辑上。填写一份 CSR（临床研究报告）大约需要 50 分钟，而且结果很糟（漏掉字段/章节、样式损坏等）。Harvey.ai 的团队也得出了类似结论： https://www.harvey.ai/blog/building-an-agent-for-complex-doc... 就在那时，我们转移了关注点。我们设计了一个 MCP，让 agents 像编辑 HTML 一样编辑 Word 文档。agent 接收 HTML，进行查找和替换编辑，然后我们把这些编辑协调回原始 .docx 文件中。 我们选择 HTML 而不是 Markdown，是因为它在结构上与 OOXML 更接近，而且 CSS 将样式与元素关联的方式大致类似于 OOXML。我们不得不编写自己的 DOCX→HTML 转换器，因为 pandoc 和 mammoth.js 无法保留足够的保真度。 需要说明的是，我们的 DOCX → HTML 转换也有损。但这没关系，因为我们从不把 HTML 再转换回 DOCX。HTML 只是给 agent 的一个投影，因此它只需要具备足够的保真度，让 agent 理解正在编辑内容的结构和样式。原始文件始终是真实来源，我们会原地修改它。 这也意味着 agent 不需要学习新的 DSL。编辑 Word 文档感觉就像在文件系统上编辑 HTML 文件一样，而这是 agents 已经很擅长的事情。许多 DOCX MCPs 会一次性交给 agents 几十个甚至上百个工具，让它们临场摸索。我们的 MCP 只暴露三个工具（read、search、edit）。Word 文档被完全抽象掉了。 在 agent 向我们发送编辑请求（一个“old_html”和“new_html”对）后，我们会将其协调到原始 .docx 文件中。这个协调过程由我们微调的模型驱动，它是一个 3-8B base，带有 LoRA adapter。它以 HTML diff 以及原始的局部 OOXML block 作为输入，并输出新的 OOXML。“定位”是确定性完成的：我们获取 agent 指定的锚点，并尝试找到它们对应的 XML 双胞胎，因此协调模型只承担单一职责。 在这个狭窄任务上，一个小模型可以达到经过良好 prompt 调优的前沿模型水平，同时又足够小、足够快，可以放在热路径中。 这个项目最终变成了数月的工作，但我们很高兴发布 v1。我们的内部基准显示，它比 DOCX skill 和原始 python-docx 更准确，同时便宜约 2 倍、快约 3 倍，主要原因是它每个任务只需要 3 次工具调用（p50），而 DOCX skill 需要 10 次，Office CLI 需要 13 次。 目前还不完美。例如，我们暂时不支持操作图片或评论。尽管如此，我们已经看到人们以各种方式使用我们的 MCP： - 法律科技公司用它驱动其在 Office.js 中的实时编辑流程。 - AI startup 用它优化人们的简历，并代表他们投递申请。 - 需要起草政策备忘录的 govtech。 - 一家生命科学 startup 使用长时间运行的 agents 来完成监管表格。 关于隐私的一点说明：我们的 MCP 运行在云端，因此用户会把他们的 .docx 文件发送给我们。我们不会用用户数据进行训练，团队也可以选择 ZDR 或 self-hosting。 我们有一个免费层级，每月 500 次编辑，也很希望大家都来试试。我们以后想提高这个额度，但我们是个小团队，运行微调模型并不便宜 :( 我们很想听听你们关于 docx 编辑的想法和评论！接下来几个小时我们会在评论区回复 评论 URL： https://news.ycombinator.com/item?id=49881505 Points：6 # 评论：2

— Hacker News 熱門

大家好 HN，我是 Per，Scrimba（YC S20）的创始人。在过去十年里，我们一直用一种基于 HTML 的视频格式教人们编程。现在我们把 LLM 接入了其中，让人们可以创建关于任何内容的讲解视频。它叫做 “Scrimba Explain”。 为了向 Hacker News 演示这项技术，我们构建了 HN.watch。它就像 HN，但用讲解视频代替文章。我们会在有人第一次点击某个链接时即时创建这些视频。 虽然使用 HTML 而不是扩散模型有明显的视觉缺点，但它有三大优势：- 速度：比基于像素的视频生成快得多（从点击到播放只需几秒）- 成本：我们每个视频的成本约为 0.04 美元。（不包括某些视频会使用的图像生成；这会很快推高成本）- 易于编辑：上述优势也让 AI 辅助编辑变得便宜且快速 我们的假设是，如果视频创作从“几美元和几分钟”变成“几美分和几秒钟”，就会解锁一批新的使用场景。以下是我们已经看到的一些：- 为每一个 Pull Request 提供视频讲解（我们内部就是这样做的）- 为你的内部/外部文档中的每个页面配一个视频 - 在约 4 秒内把一篇复杂文章变成视频（通过我们的 Chrome 扩展）- 课程创作者可以在录制正式内容前快速起草课程 - 人们还会创作很多个人内容，比如给孩子的故事、婚礼邀请、生日等 这个技术栈基于一种开源编程语言（Imba），由我们的 CTO Sindre Aarsæther 创建。它会编译成 JavaScript，因此能与 npm + node 生态系统完全互操作。你可以在这里了解更多： https://imba.io/ 我们还构建了自己的同步引擎（OP），以及一个用于代理的上下文管理系统（Q）。我们原本担心这会让 LLM 在为我们写代码时遇到困难，因为这两者都不在它们的训练数据中（其中 Imba 的数据也很少）。然而，我们惊喜地发现 LLM 实际上非常擅长我们的技术栈。这可能是因为这个技术栈极其紧凑。Imba 很简洁，OP 也是如此，一个声明就能设置存储、同步、权限、UI，以及 AI 能看到的内容。这意味着前端、API、数据库和 JSON 之间不需要相互转换，模型也就不容易混淆和出错。 简单来说，我们没有使用 React.js、Express、Supabase 和 LangChain，而是从零开始全部自己构建。绝对是深受“非我发明”综合征之苦，哈哈！至于模型，我们使用 Gemini、GPTs、Inworld、ElevenLabs 以及其他一些模型。 如果你想试试，可以任选一种：- Web UI（scrimba.com/explain）- MCP（添加到你的编码代理中）- ChatGPT Plugin - Chrome Extension 你可以在我们的文档中找到以上所有内容的链接： https://docs.scrimba.com/explain/introduction 最后，这是该工具的一个真正基于像素的视频： https://www.youtube.com/watch?v=k6rbHmBxSEs 很想听听你的反馈，也想知道是否有人对其他使用场景有想法。 PS：考虑到 HN 群体有多偏爱文本，我预计这次发布会在 HN 上遇到相当多的反对意见。这类工具并不适合所有人。但如今确实有很多人更喜欢视频而不是文本，尤其是年轻一代。 评论 URL： https://news.ycombinator.com/item?id=49879401 积分：18 评论数：8

— Hacker News 熱門

文章 URL： https://www.worldlabs.ai/blog/amd-announcement 评论 URL： https://news.ycombinator.com/item?id=49883760 点数：9 评论数：1

— Hacker News 熱門

OpenAI 正在扩大 Lenfest AI Collaborative and Fellowship Program，提供 500 万美元资金，以及最高 500 万美元的软件额度和工程支持。

— OpenAI Blog