返回首页
最新
在创建我的初创公司时，我不断遇到一个问题：在光标中的 AI 代理创建了不该存在的端点或代码，产生了虚假的字符串，或者根本无法理解代码。
ask-human-mcp 在代理遇到困境时会暂停它，将问题记录到根目录下的 ask_human.md 文件中，答案标记为 PENDING，然后在你填写正确答案后立即恢复。
痛点：
- 你的代理发出一个从未存在的端点
- 它做出自信的假设，而你却花费数小时调试错误的线索
解决方案：
ask-human-mcp 为你的代理提供了一个逃生通道。当它不确定时，会调用 ask_human()，将问题写入 ask_human.md，并等待。你用真实答案替换答案标记为 PENDING，代理将继续执行。
一些功能：
- 零配置：只需执行 `pip install ask-human-mcp` + 在 .cursor/mcp.json 中添加一行 → 就可以使用了
- 跨平台：支持 macOS、Linux 和 Windows，无需额外的服务器或网络钩子
- Markdown 问答：代理调用 `await ask_human()`，问题将记录在 ask_human.md 中，答案标记为 PENDING。你填写答案后，代理将继续执行
- 文件锁定与轮换：防止文件损坏，限制待处理问题，当 ask_human.md 文件大小达到约 50 MB 时自动轮换
快速入门：
```
pip install ask-human-mcp
ask-human-mcp --help
```
将以下内容添加到 .cursor/mcp.json 并重启：
```json
{
"mcpServers": {
"ask-human": { "command": "ask-human-mcp" }
}
}
```
现在任何类似的调用：
```javascript
answer = await ask_human(
"我们使用哪个认证端点？",
"在 auth.js 中构建登录表单"
)
```
将创建：
```
### Q8c4f1e2a
ts: 2025-01-15 14:30
q: 我们使用哪个认证端点？
ctx: 在 auth.js 中构建登录表单
answer: PENDING
```
只需将 `answer: PENDING` 替换为真实的端点（例如，`POST /api/v2/auth/login`），你的代理将继续执行。
链接：
GitHub -> [https://github.com/Masony817/ask-human-mcp](https://github.com/Masony817/ask-human-mcp)
反馈：
我是 Mason，19 岁的 Kallro 独立创始人。欢迎分享你发现的任何错误、功能请求或奇怪的边缘情况 - 请留言或提交问题！
请请我喝杯咖啡 -> coff.ee/masonyarbrough
核心功能类似于“yolo模式”，但提供了更细致的控制，让你可以根据自己的感受调整“yolo”的程度。同时，它也方便使用工具和权限的“预设”。<p>如果你有任何问题，请随时联系我，X上的联系方式是 <a href="https://x.com/possibilities" rel="nofollow">https://x.com/possibilities</a>。
我创建了 Explainr（<a href="https://explainr.aryanbuilds.com" rel="nofollow">https://explainr.aryanbuilds.com</a>），旨在帮助人们理解研究论文。您只需上传一个 PDF 文件，它会提取关键主题、相关前提知识，并为您提供学习路线图。
我希望能收到以下方面的反馈：
- 路线图的实用性
- 主题提取的准确性
- 任何用户界面/用户体验方面的问题
注意：您可以获得 20 个免费积分（每个文档 1 个积分）。目前计费功能尚未完全实现，API 在负载下可能会受到限制。但对于个人使用来说，它的稳定性是可靠的。
我现在正处于可能会放弃这个项目的阶段，但我希望能够发布它并了解可以改进的地方。非常感谢您的反馈！
我创建了 <a href="https://stringflux.io" rel="nofollow">https://stringflux.io</a>，旨在让日常字符串转换变得不那么痛苦。它类似于 CyberChef，支持多种字符串操作，但界面更简洁、更专注，并根据您的输入提供智能建议。
您还可以将转换串联起来——例如：先解码一个经过 base64 编码的压缩 JSON 字符串，然后将其格式化为 JSON（美化打印）——这一切都可以在一个流程中完成。这在处理复杂或嵌套字符串时非常有用，比如编码的 API 响应或日志数据，您需要应用多个步骤才能使内容可读。
这个想法源于在不同工具之间跳转以处理常见字符串任务时的挫败感。
在 GitHub 的 README 中有一个简短的 GIF 演示： <a href="https://github.com/stringflux/stringflux">https://github.com/stringflux/stringflux</a>
期待听到您的想法和反馈！
论点：
- GPU使用并行计算
- 浮点运算不具备结合性
- 舍入误差的累积方式不同
- GPU产生的计算结果具有噪声
- 数据中存在已知的噪声与准确性之间的权衡
- 噪声需要过度参数化或更大的网络才能进行泛化
- 过度参数化会阻碍网络对问题空间的充分泛化
因此，GPU的不确定性似乎对人工智能不利。我哪里出错了？
问题：
- 这是否已经被量化？据我理解，答案会因情况而异，并与网络的深度、宽度、架构、学习率等其他细节相关。归根结底，熵意味着某种噪声与准确性之间的权衡，但我们讨论的是像10%、1%、0.1%这样的数量级吗？
- 由于噪声与准确性之间的权衡，似乎可以认为使用一个经过确定性训练的小网络可以达到与一个经过非确定性训练的更大网络相同的性能。这是真的吗？即使我们只讨论一个神经元的差异？
- 如果像驾驶汽车这样的问题空间过于庞大，无法完全表示为一个数据集（考虑宇宙的原子作为硬盘），我们如何确保一个数据集是问题空间的完美抽样？
- 过度参数化难道不会保证模型学习的是数据集而不是问题空间吗？将其概念化为使用更高次的多项式来表示另一个多项式是否不正确？
- 即使有完美的抽样，当少量噪声能够引发雪崩时，噪声计算似乎也不兼容。如果这种噪声以1%量化，难道不能说数据集在网络中留下的“印象”会比应有的多出1%吗？也许在某种意义上会溢出？评估数据点“非常接近”但未包含在训练数据点中的情况，更可能被错误评估为相同的“邻近”训练数据点。也许我在这里重新发明边缘情况和过拟合，但我认为过拟合不会在训练结束时自发发生。
例如，对于一部90分钟的电影，你可以选择在连续三天内，每天观看30分钟。<p>这样可以避免观影疲劳，并更容易将观看安排融入你的日程中。