登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 Markdown,用户可以直接在
Markdown,用户可以直接在 コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
Markdown,用户可以直接在 を含む検索結果
GitHub「markdown-itに深刻な脆弱性があるよ」 ↓ 「あれ、markdown-itなんて使ってたっけ?」 ↓ 「依存経路は次です。 google-cloud/tasks → google-gax → protobufjs-cli → jsdoc → markdown-it アプリのコードから直接は使われていません」 Google Cloud、マッジでもう新規では使いたくない
もっと見る
TL;DR ローカルで完結するWindows/Linux向けデスクトップアプリで、PDFやOfficeファイルをAI向けのクリーンなMarkdownに変換します。スキャンPDF用のOCRも内蔵し、トークン消費を最大6分の1に抑えられます。 タイトル: MDFlux URL: ポイント 📄 PDF・DOCX・PPTX・XLSX・EPUB・HTML・CSV・JSON・XML・画像・音声など幅広い形式に対応 🔍 スキャンPDFも読み取れる内蔵OCR(RapidOCR)を搭載 📦 フォルダ単位の一括変換に対応し、並行処理で高速化 🔒 初回セットアップ後は完全オフライン動作、既定でクラウド送信なし 🧹 クリーンアップはオフ・ルールベース・AI(ローカル/API)から選択可能 ⚡ ビジョンモデル利用時と比べトークン数を2〜6倍削減(スキャンページは5.7倍) 🛠 Tauri 2(Rust)+ Svelte 5構成、Microsoft製MarkItDownをベースに構築 社内文書をRAGパイプラインに流す前処理として、プライバシーを保ったまま使えるのが良いところだと感じます。 #ドキュメント変換# #OCR#
もっと見る
会計AIエージェントBasis BDDみたいなことをやっている ・パートナーシップ税務申告を、人の30〜40時間 → 6〜7時間(約6倍速) ・ポイントはbehavior spec= 期待する挙動をMarkdownで書き、別のAIが○/×/対象外で採点 ・答えの正誤と、過程の質は切り離して測る
もっと見る
話題のHermes Agent、何がそんなに刺さってるのか整理すると ・タスク経験をMarkdownのスキルとして自己生成 ・セッションをまたいで記憶が残る ・モデルは好きなものに差し替え可能(200以上) ・$5のVPSでも動く、暇なら休眠 ・TelegramやSlackから話せる 自前サーバで育てる相棒、って感じでしょうか。
もっと見る
数学の学習データは「問題と解答のペア」に平坦化すると、教科書が持っていた構造を失います。 Scaling Mathematical Proof Supervision from Structured Textbooks 📚 概要 2,118冊の教科書から、章の階層・命題の依存・カリキュラム順を保ったまま380,292件のQAを作るコーパスTOME-Mathを構築しました(29分野)。 🎯 解決する課題 従来の数学SFTデータは量で勝負しがちで、章の順序や証明の依存関係が捨てられていました。構造を残したまま証明の教師データをスケールできるかが問いです。 🔧 手法 ・DeepSeek-OCRで教科書をMarkdown化し、定理・補題・証明をProof QAとして抽出 ・証明の抜けや暗黙のステップを検出し、独立した命題として証明し直すGap QAを生成(918,235候補から19%を採用) ・品質判定器で正確性などを採点 🧪 結果 Qwen3-30B-A3B-Baseを1エポック学習すると、6ベンチマークの平均が29.17から45.83になりました。MathInstructの41.10を上回り、6つ中5つで最良です(AIME-26はMathInstructに次ぐ2位)。順方向のカリキュラムでGap QAを先に置くとシャッフルより高く、Gap QAを外すと証明系で5〜7ポイント下がります。 注意点として、比較対象とはデータの性質が複数違うため、構造だけが効いたとは言い切れません。 #Mathematics# #LLM#
もっと見る
Grok BotにObsidianのコネクタがあったから接続してみた。 基本的に繋がなくても、私のMacはObsidianのVaultを直接読み書きしてたから、そんなに大きくできることが増えるわけではないけど、、、 繋いでできることは ・Obsidian自体の機能を使える ・BasesとCanvasを正しい書き方で作れる ・WebページをきれいなMarkdownにして保存できる この辺りかな。
もっと見る
長時間動くAIエージェントが抱える「コンテキストの腐敗」問題に、LangChainが5つの具体的な処方箋を示しました。 タイトル: Context Engineering with Deep Agents: How To Remember Without Keeping Everything In Context URL: 🧩 解決する課題 エージェントが指示・ツール結果・ファイルを蓄積し続けると、やがてコンテキストウィンドウの容量を超え、推論の精度が落ちてしまいます。情報過多で以前の知識が薄れる、人間の記憶にも似た現象です。 💡 5つの手法 オフロード(大きな結果をファイルシステムに退避)、サマライゼーション(古いメッセージを要約しファイルに保存)、スキル(必要な時だけ完全な指示を読み込む段階的開示)、サブエージェント(ノイズの多い作業を隔離されたコンテキストに任せる)、長期記憶(markdownファイルでセッションを越えて学習内容を保持)という5つの補完的な技術で、情報を「捨てずに」管理します。 🔧 テクニカルな特徴 これらはすべてエージェントループにフックされた「ミドルウェア」として実装されており、約2万トークンを超える結果や5万トークンを超えるユーザーメッセージを自動的にファイルへオフロードします。記憶はユーザーが管理するプレーンファイルとして存在するため、モデルプロバイダーを切り替えても学習内容を保てます。 📊 ユースケース 5社の競合分析レポートを作る「市場調査エージェント」の例では、蓄積される生データや検索結果、ドラフトの反復版が、最終レポート作成時の推論品質を落とさないようにコンテキストエンジニアリングで守られています。 #AIエージェント# #コンテキストエンジニアリング#
もっと見る
長時間動くAIエージェントが抱える「コンテキストの腐敗」問題に、LangChainが5つの具体的な処方箋を示しました。 タイトル: Context Engineering with Deep Agents: How To Remember Without Keeping Everything In Context URL: 🧩 解決する課題 エージェントが指示・ツール結果・ファイルを蓄積し続けると、やがてコンテキストウィンドウの容量を超え、推論の精度が落ちてしまいます。情報過多で以前の知識が薄れる、人間の記憶にも似た現象です。 💡 5つの手法 オフロード(大きな結果をファイルシステムに退避)、サマライゼーション(古いメッセージを要約しファイルに保存)、スキル(必要な時だけ完全な指示を読み込む段階的開示)、サブエージェント(ノイズの多い作業を隔離されたコンテキストに任せる)、長期記憶(markdownファイルでセッションを越えて学習内容を保持)という5つの補完的な技術で、情報を「捨てずに」管理します。 🔧 テクニカルな特徴 これらはすべてエージェントループにフックされた「ミドルウェア」として実装されており、約2万トークンを超える結果や5万トークンを超えるユーザーメッセージを自動的にファイルへオフロードします。記憶はユーザーが管理するプレーンファイルとして存在するため、モデルプロバイダーを切り替えても学習内容を保てます。 📊 ユースケース 5社の競合分析レポートを作る「市場調査エージェント」の例では、蓄積される生データや検索結果、ドラフトの反復版が、最終レポート作成時の推論品質を落とさないようにコンテキストエンジニアリングで守られています。 #AIエージェント# #コンテキストエンジニアリング#
もっと見る