一周热榜

我们是一个小团队，正在研究公司如何处理内部人工智能代理的运营方面——这些代理是为财务、运营或市场营销工作流程构建的。我们关注的不是现成的SaaS工具，而是你们工程团队开发的定制代理。 我们具体想了解的内容包括： 1. 你们内部目前运行的代理数量是多少？ 2. 日常管理这些代理的是工程团队还是使用它们的业务团队？ 3. 你们如何跟踪这些代理的成本（如大型语言模型API费用、计算费用）？ 4. 如果业务团队想要改变代理的行为，具体的流程是怎样的？ 我们真心希望了解这个领域的情况，而不是在推销任何东西。

构建了一个免费的Superwhisper替代品。Whisper在本地运行，支持通过OpenAI、Anthropic或Ollama进行可选的LLM清理。采用MIT许可证。

AI代理在软件方面表现出色，因为它们能够形成一个闭环——编辑、运行、观察、重复。然而，硬件打破了这个闭环。代理可以编写固件，但无法看到设备实际在做什么。 这个项目旨在填补这一空白。三个MCP服务器为代理提供了直接访问真实硬件接口的能力：一个调试探针（闪存固件、暂停CPU、读取寄存器和内存）、一个串行控制台（启动日志、CLI命令）和BLE。 使用结构化工具，而非命令行指令，使得代理能够以与处理代码相同的方式推理硬件状态。 最新的演示：在单个终端会话中，将TFLite Micro关键词识别模型部署到nRF52840上。代理闪存了固件，调试了硬故障，切换到了CMSIS-NN优化内核，并调整了张量区域的大小。 最终结果：端到端延迟为98毫秒，Google语音命令数据集的真实录音准确率为94.6%。 这项工作是关于让AI代理直接访问硬件的更广泛系列的一部分： [https://es617.github.io/let-the-ai-out/](https://es617.github.io/let-the-ai-out/)