跳到正文
11月7日週六
  1. DEV Community55

    如何透過託管 MCP 伺服器,讓 Claude 和 Cursor 查詢 X 即時資料:設定與兩個提示詞

    TwitterAPI.io 團隊的 Alex 示範如何透過託管 MCP 伺服器,讓 Claude 和 Cursor 查詢 X 的最新資料,並提供兩種客戶端設定及兩個提示詞。伺服器提供 12 個唯讀工具,不含發文功能;提示詞分別用於搜尋最新推文和整理某帳戶的貼文。文中列出的費用約為每 1,000 條推文 $0.15(撰文時),並提醒限制 Agent 可抓取的分頁數。

  2. 阿里雲開發者社區 AI38

    AI 智能體項目開發方法與路線

    AI 智能體項目開發涵蓋架構選型、RAG 知識庫與長期記憶、工具及 API 集成,以及人機協作。開發費用由低代碼方案的 0 元–2 萬元,到工業級私有化部署的 50 萬元–200 萬元以上不等,視項目複雜程度和部署方式而定。智能體使用的 Token 往往是普通對話機器人的 3 至 10 倍。

  3. DEV Community35

    AssetHoard 0.3.1 發佈,加入插件系統

    AssetHoard 發佈 0.3.1,加入插件系統,讓檔案格式支援及工具整合毋須等待應用程式更新即可加入。現有插件包括 HEIC/HEIF 匯入及 Godot 編輯器整合;版本亦新增遺失檔案管理及整批重新連結功能。AssetHoard 在公開測試期間可免費下載。

  4. DEV Community60

    DSH Have Voice 讓智能體以語音播報工作進度

    DSH Have Voice 是一款透過 MCP 工具讓智能體以語音播報工作進度的工具,重點播報里程碑、結果和下一步,而非朗讀最終答案或只播放提示音。Kokoro-82M 在 2013 Xeon 上以約 2.2× real time 合成;逐句送往播放器時,首段語音約 0.93 秒後到達。工具只提供英文語音,播放需要 Linux 桌面及 PipeWire。

  5. DEV Community43

    生存者偏差令動量回測結果倍增:實測數據

    使用現時股票代號名單進行回測,會排除已破產、被收購或退市的公司,令策略表現被高估。測試三種策略後,生存者偏差每年令年複合增長率高出 1.25 至 3.66 個百分點;12-1 動量策略在排名前 3,000 隻股票中高出 3.66 個百分點,排名前 1,000 隻則高出 1.25 個百分點。偏差幅度因策略而異,基準表現也會受影響。

  6. DEV Community72

    如何為智能體設計 MCP 工具

    Tirth Gajjar 在指南中主張按用戶問題而非供應商 API 端點設計 MCP 工具,並在多個來源可回答同類問題時採用集中層。集中層由程式碼選擇權威來源,並處理實體解析、結構化 JSON、逐次用戶身份驗證、限流和呼叫記錄;Bigcircle 的 Solarpunk 案例中,工具選擇約在三十個工具時開始出錯。

  7. AWS Machine Learning Blog53

    Amazon 團隊介紹如何在 Amazon ECS Fargate 上構建無伺服器 MCP 伺服器,連接 AI 智能體與資料湖

    Amazon 團隊在 Amazon ECS Fargate 上構建無伺服器 MCP 伺服器,作為 AI 智能體連接企業資料湖的集中式閘道。新增資料集只需提供描述結構、業務背景及欄位語義的 JSON 元資料檔,索引後即可供已連接的智能體使用,伺服器則在 MCP 層集中執行存取控制。

  8. AWS Machine Learning Blog45

    AWS Quick 智能體工作基元分類法

    AWS Quick 梳理智能體工作的基元分類法,以「何時、做甚麼、由誰、如何」四個問題界定觸發器、智能體及其能力。觸發器啟動任務並承載指令;智能體是持續學習的行動者,透過工具、技能和工作流程執行任務,其中技能提供判斷空間,工作流程則按固定步驟運作。

  9. DEV Community62

    觀點:智能體的鎖定來自工具 Schema,而非模型

    作者認為,智能體的鎖定主要來自工具 Schema,而非模型,因為模型端點較易更換,工具調用契約則可能因參數格式差異而失配。文中提供可對接 OpenAI 相容 `/chat/completions` 端點的 `tool_contract.py`,以五項案例檢查不必要調用、虛構未宣告工具、必填參數、額外屬性及多目標讀取,並以逐項門檻而非平均分判定。

  10. AWS Machine Learning Blog65

    使用 Okta Cross App Access 與 Amazon Bedrock AgentCore 管理 AI 智能體存取權限(第一部分)

    AWS 文章示範以 Okta Cross App Access 和 Amazon Bedrock AgentCore 建立用戶委派授權流程,讓 AI 智能體代表已登入用戶存取應用程式。

    推薦理由:文章拆解 Okta Cross App Access 與 Amazon Bedrock AgentCore 的委派授權鏈路,並以實測交代撤銷用戶指派後新請求約 1 秒內遭拒、已發 token 最長有效 5 分鐘。

  11. DEV Community62

    SpendWarden 為 Hermes Agent 的付款工具呼叫加入政策檢查

    SpendWarden 是作者為 Hermes Agent 開發的插件,會在涉及付款的工具呼叫執行前進行確定性政策檢查,並以本地 SQLite 資料庫記錄付款。政策可按限額、收款地址、資產及網絡規則允許、要求審批或封鎖呼叫;唯一 payment_id 令重試不會重複計入帳本。它亦能檢查 x402 challenge,但不持有密鑰或簽署付款;能修改插件資料庫或停用插件的程序則可繞過它。

11月6日週五
  1. Unite.AI58

    AI 智能體的無效繞路會浪費 token 和金錢

    一項美國學術合作研究量化 AI 智能體工作流中的 token 浪費,發現約 18% 的輸出 token 屬浪費。研究指出,超過 45% 的任務中,一個智能體浪費的輸出 token 多於另一個成功完成相同任務所用的全部輸出;刪除 41–46% 的推理,在測試中對成功率影響有限。按模型及工具使用成本計,浪費比例介乎 11% 至 24.9%,而同一模型在不同智能體框架下的推理輸出可相差逾四倍。

  2. DEV Community60

    為 AI 智能體準備 Figma MCP 設計系統

    這篇指南提出一套為 Figma 設計系統準備 AI 智能體的方法,重點是整理檔案結構,並用技能明確規定工作流程。建議用五天檢查變數、圖層命名、自動版面配置和元件描述,再以五個固定提示詞測試,記錄硬編碼值及以普通畫框代替元件的情況。Figma 的內部數據顯示,典型任務較 beta 快約 20%;文章指出,模型改進不代表設計庫已準備妥當,產出仍需檢查。

  3. DEV Community72

    2026 年 11 款 CMS 的 MCP 伺服器比較

    作者比較了 10 款 CMS 的 11 個 MCP 伺服器,檢視 Agent 寫入內容時的草稿與發佈行為、權限控制、內容模型驗證及部署方式。十款 CMS 中有九款提供官方 MCP 伺服器,Drupal 的 MCP 則由社羣貢獻模組提供;多數伺服器可讓 Claude、ChatGPT 或 Cursor 建立、修改及發佈網站內容。

  4. DEV Community48

    AwesomeVideo:如何透過 MCP 客戶端以三次工具呼叫為影片加上字幕(毋須註冊)

    AwesomeVideo 提供託管式字幕 MCP + REST API,讓可呼叫工具的 Agent 透過三次工具呼叫,毋須先建立帳戶便可為示例影片加上字幕。輸出包括已燒錄字幕的 MP4,以及 SRT、VTT 和 JSON 文字稿。字幕定價為每段音訊每分鐘 5 credits,加入翻譯則另加 2 credits。