最新

我创建了Orchestro，一个开源的MCP服务器和Claude Code的网页仪表盘。简而言之： “Claude Code的Trello”——内置“敏捷教练”，确保看板的真实状态，并且有代理在工作进行时将卡片从目标→任务→代码移动。 <p>为什么 - 提示中的隐藏状态、不可见的依赖关系、目标→任务→代码的损失交接。 - 项目经理和开发人员对进度的实时视图不一致。 <p>它的功能 - 实际执行的看板：在看板上进行规划，MCP工具驱动工作流程。 - 自动“敏捷教练”：分解故事，设置依赖关系，强制合理的状态转换。 - 代理为Claude准备丰富上下文的提示，并在列之间移动卡片。 - 实时看板（Socket.io）、依赖图、审计记录。 - 本地优先：您的数据存储在您的Supabase项目中。采用MIT许可证。 <p>快速开始（约2分钟） npx @orchestro/init npm run dashboard （打开 http://localhost:3000） 重启Claude Code，然后询问：“给我展示orchestro工具”（约60个工具） <p>技术 TypeScript MCP服务器，Next.js仪表盘（React Flow），Supabase（PostgreSQL + RLS）。 <p>我在寻找 - 重度使用Claude Code的用户进行测试，并告诉我哪些地方有问题（缺少工具、用户体验差、路径慢）。 - 关于“代理移动卡片”模型的真实反馈。 - 欢迎提交PR/问题。如果有用，给个星星可以帮助提升可发现性。 <p>链接 网站：<a href="https://www.orchestro.org/" rel="nofollow">https://www.orchestro.org/</a> 代码库：<a href="https://github.com/khaoss85/mcp-orchestro" rel="nofollow">https://github.com/khaoss85/mcp-orchestro</a>

让我们面对现实吧，如果你在进行深度学习相关的工作，GPU是必不可少的。<p>它们价格昂贵，搭建基础设施的过程也很痛苦。大多数时候，当你在编码时，GPU处于闲置状态，但当脚本第一次运行失败时，你仍然需要为其在线时间付费。<p>作为一名“GPU匮乏”的研究人员，我遇到了这个问题。下载数据集或转换数据等任务并不需要GPU，但传统的设置却强迫你使用GPU。云计算的设置也无济于事——带有GPU的虚拟机需要手动配置环境、安装CUDA或使用Docker容器才能开始。多GPU训练更是增加了麻烦：并非所有图像都支持NCCL，因此节点之间的通信可能会失败。<p>在我的研究实验室[1]，我们在模型训练、合成数据生成和强化学习等方面进行实验。我们需要一个灵活、可靠、易于使用和协作的设置。<p>当我寻找一种解决方案，希望能够在本地编写代码并立即在GPU上运行，而不必担心基础设施、多节点设置或闲置GPU时间时，我偶然发现了Modal [2]。经过一年的使用，它彻底改变了我们的工作方式：它提高了我们的研究产出和生产力，节省了大量GPU成本和基础设施管理费用，使我们能够快速交付。<p>我将我们所学到的所有内容整理成了这篇博客和动手教程[3]，其中包含三个示例，展示了使用Modal的不同方式：快速在GPU上开发、规模化部署，以及在不费力气的情况下完成所有工作。<p>在博客中，我们将涵盖以下内容： - 将现有代码封装以在Modal的无服务器基础设施上运行。 - 使用卷在Modal上处理数据集，实现无缝访问。 - 使用Unsloth和Axolotl编写训练脚本，便于微调。 - 以可扩展、高吞吐量的方式提供模型，使用vLLM。<p>到最后，你将知道如何在本地编写和实验，并立即在GPU上运行——没有闲置费用，没有复杂的环境设置，没有多节点的麻烦。<p>[1] <a href="https://cognitivelab.in" rel="nofollow">https://cognitivelab.in</a> [2] <a href="https://modal.com" rel="nofollow">https://modal.com</a> [3] <a href="https://aiengineering.academy/LLM/ServerLessFinetuning/" rel="nofollow">https://aiengineering.academy/LLM/ServerLessFinetuning/</a>