最新

今天在回家的路上，我突然想到，神经接口领域真正的突破将发生在数据层。<p>在从事电子工作的过程中，我了解到存在一个硬件传输层，也就是信号传输的导线。然后还有一个软件/协议层，它定义了在硬件上传输的_内容_。<p>目前我对 Neuralink 等技术的理解是，它提供了一个坚实的接口，从大脑接收输入，并向大脑提供输出。在这个接口的背后，有一堆硬件和软件，用于转换和利用来自大脑的输入。也就是说，我们从一种信号模式和信号传输方式转换到另一种。<p>我突然想到的是，一个真正的仿生体不会仅仅提供一个与人类大脑现有的硬件和软件数据层的接口，而是会利用新的可用神经元来扩展现有的数据层。<p>现在，你可能一开始会采用“位操作”的方式来实现这一点，也就是说，让你的仿生神经网络存在于软件中，并进行我们目前所做的所有信号处理。真正的革命将是一个硬件，它只需插入大脑，就能在与大脑已经运行的电网相同的电网上提供一个全新的神经网络。

我无法理解围绕 MCP 的炒作，所以我决定为 Outlook 构建一个简单的服务器（需要在 Azure 中拥有管理员权限）。 为了构建这个服务器，我只使用了 Python MCP SDK：[https://github.com/modelcontextprotocol/python-sdk](https://github.com/modelcontextprotocol/python-sdk) 现在，我不是一个快速的开发者。尽管如此，在 2 天内，我让 Claude Desktop 归档和回复邮件的效果比我用过的任何助手（无论是人类还是其他）都要好。这完全不是因为我的技能。我基本上只是反复用相同的 @mcp.tool 装饰器封装 msgraph 调用。 事实上，我花在摆弄 msgraph 身份验证和 API 调用上的时间比花在 MCP 服务器本身上的时间还要多。 今天，在一个典型的 workflow 中，我只需要告诉 Claude“整理我的收件箱”，它就能处理从邮件归档、创建文件夹、撰写回复、安排会议、标记待办事项等所有事情。 对于任何对 MCP 感兴趣的人，以下几点给我留下了深刻印象： 1. 这是我在任何软件构建中拥有的最快的“实现可用”时间。 2. 它完全是“人类级别的”，而我从未在“基于 agent 的 workflow”方法中体验过这种效果……它就是奏效了。 3. 在如何“设计”你的工具签名以获得最佳结果方面，确实存在一些细微差别。例如，我不得不将一个参数命名为 html\_code\_mail\_body，以防止 Claude 在邮件中使用纯文本。 4. 最好是创建纯粹的、高度内聚且原子的工具，并让 LLM 将它们组合起来以完成更复杂的任务。 5. 它太容易构建了，所有公司最终都可能会推出官方的 MCP 服务器。 总的来说，我认为 MCP 提供了一种与“基于 agent 的 workflows”模型截然不同的选择。从技术角度来看，workflow 中的每个步骤都与其上游/下游对应部分高度耦合。这使得它们既僵化又脆弱。这就是人们谈论 workflow agent 时所说的“RPA 味道”的来源。 MCP 是经典的依赖倒置。LLM 成为一个抽象，可以根据为其设定的任务，使用它想要的任何工具，以任何顺序进行自我编排。

Hi HN，最近大家都在关注哪些SaaS供应商，可以满足处理数千份PDF或Word文档的需求，并提供能够从容不迫地给出经过充分研究、附带引用的答案的智能体（agent）？ 感谢！