Docker Compose
PulseAugur coverage of Docker Compose — every cluster mentioning Docker Compose across labs, papers, and developer communities, ranked by signal.
11 天有情绪数据
-
本地沙盒安全扫描设置详解
作者详细介绍了一种在本地沙盒环境中运行 ZAP 等安全扫描工具的方法,确保其无法访问生产系统。该方法使用 Docker Compose 和一个名为 wip(包装了 WSLC)的工具来创建隔离网络,扫描器和目标应用程序及其依赖项(如 Redis 和 MySQL)可以在其中运行,而无需外部连接。该设置强调“故障关闭”安全原则,即任何建立网络边界的失败都会阻止容器启动,从而防止意外暴露生产服务。
-
自托管 AI 助手集成本地 LLM 和网络搜索
一个使用 Docker Compose 的自托管 AI 助手设置集成了 LibreChat、Ollama、LiteLLM、SearXNG 和 Firecrawl。此配置允许用户通过 Ollama 运行本地 LLM 模型,通过 SearXNG 连接到各种搜索引擎,并使用 Firecrawl 提取网络内容。该系统专为运维人员管理自己的 AI 基础设施而设计,其中 Nginx 处理外部流量,内部服务在私有网络上进行通信。
-
开发者构建开源 LLM 成本和安全防护器
Osama Malik 开发了 BleedStop,一个开源工具,旨在充当 LLM、SMS 和支付 API 的成本和安全防护器。该应用程序位于 API 调用之前,在允许请求继续之前,根据特定租户的规则和预算限制来评估请求。BleedStop 旨在防止提示注入或失控循环等问题导致过度支出或数据泄露,并提供 ALLOW、LIMIT、CHALLENGE 或 DENY 等决策。
-
Langfuse v4 自托管指南详述 ClickHouse、S3 要求
Langfuse v4 是一个开源的 LLM 工程平台,它更新了其数据模型以利用 ClickHouse 来提高性能,但这一变化提高了自托管的基础设施要求。新版本需要 ClickHouse 的特定配置,例如禁用集群模式并确保它在适当的网络接口上监听。此外,事件上传现在强制要求 S3 兼容性,用户必须为不同类型的数据仔细配置 S3 存储桶和前缀。该指南详细介绍了如何在 Railway(一个容器平台)上部署 Langfuse v4,并解决了…
-
开发者构建了使用 RAG 和 PostgreSQL 的大型语言模型驱动的质量保证助手
一位开发者创建了一个系统,通过将大型语言模型与维基、测试管理系统和数据库集成,来回答质量保证问题。该解决方案使用带有 pgvector 扩展的 PostgreSQL 来存储和检索信息,并采用了检索增强生成(RAG)方法。这种设置使大型语言模型能够通过综合来自这些不同来源的信息来回答复杂的质量保证查询,初始设置大约需要 90 分钟。
-
Littlebit Labs 发布 Minimal Core,将数据库表作为受管 API 提供服务
Littlebit Labs 推出了 Minimal Core (MCP),这是一个无需生成任何代码即可将数据库表公开为受管 API 平台的系统。MCP 会为每个表自动创建 REST API 和 MCP 工具,强制执行权限并记录所有人类用户和 AI 代理的交互。这种方法旨在消除与 API 层开发相关的繁琐工作,使代理能够通过预定义的工具和权限直接查询和访问数据。
-
开发者详解使用 devcontainers 设置安全的 AI 编码代理
一位开发者描述了在 devcontainers 中运行 AI 编码代理的设置,以增强安全性和控制力。通过将代理隔离在容器中,开发者可以防止其访问敏感的主机系统信息,如浏览器会话和 API 密钥,并限制实验性工具或意外文件删除造成的潜在损害。命名卷用于管理容器之间的数据共享,例如分离代码读取和写入环境,以及持久化 GitHub CLI 和 dev.to 登录凭据。
-
NVIDIA 发布开源 Auto Ontology,实现 AI Agent 可靠数据访问 · 跟踪 6 个来源
NVIDIA 发布了 Auto Ontology,这是一个开源语义层,旨在提高 AI Agent 与企业数据交互的可靠性。该框架通过将 AI Agent 与经过认证的业务定义和元数据关联起来,帮助它们生成准确的 SQL 查询。虽然 NVIDIA 声称本体创建时间减少了 90%,但独立分析指出,缺少已发布的文本到 SQL 准确性评分,并强调“开源”方面主要适用于编排代码,而默认模型需要 NVIDIA API 密钥。
-
AI 开发者构建开源 MCP 服务器 mcp4mail
一款名为 mcp4mail 的开源 MCP 服务器已通过自主人工智能开发者开发,仅在必要任务中进行人工干预。该项目由一家捷克共和国的两人公司构建,利用 AI 编写代码、测试和拉取请求,遵循结构化的工作流程,包括合并前的 CI 检查。mcp4mail 服务器允许用户连接其 IMAP 账户,使 AI 助手能够安全地读取、搜索和管理电子邮件,并具有 OAuth 2.1 授权和加密密码存储等功能。
-
Git worktrees enable parallel AI coding agent use in single repositories
This guide explains how to use Git worktrees to manage multiple AI coding agents working on the same repository simultaneously. By creating separate working directories for each agent, developers can prevent conflicts a…
-
构建免费本地 LLM 实验室用于 AI 安全培训
本文详细介绍了如何创建一个零成本的本地 LLM 实验室,用于 AI 安全教育。通过使用 Docker、Ollama 和 Piper,解决了高昂的 API 成本、机构软件限制和硬件要求等常见障碍。该实验室允许用户在模拟的金融助手上练习提示注入和红队测试技术,展示了系统提示的漏洞。
-
OLO ToolGate 作为开源 AI 代理授权网关推出
OLO ToolGate 是一个新推出的开源、自托管的安全网关,旨在管理 AI 代理在工具执行边界的授权。它评估 AI 代理是否应被允许执行特定操作,在必要时提示人工批准,或完全阻止该操作。该工具旨在将工具访问与特定身份和策略关联起来,并为所有操作和决策提供审计跟踪。
-
指南:并行运行多个 Claude Code 会话
本文提供了一份技术指南,介绍如何同时运行多个 Claude Code 实例而不发生干扰。它解决了诸如文件编辑冲突、因隐藏会话而分散注意力以及终端关闭导致会话丢失等常见问题。作者建议使用 Git worktrees 进行隔离的文件管理,使用 tmux 进行有组织的会话处理,并使用特定的钩子来在 Claude Code 需要输入时发送通知。该指南还讨论了管理共享使用限制,并介绍了一款名为 Moontors 的桌面应用程序,该应用程序可自动完成此设置。
-
Microsoft Research 开源 Agensh,支持 1,024 个 AI 智能体
Microsoft Research 开源了 Agensh,这是一个新的多智能体框架,旨在协调大量 AI 智能体而无需中央协调器。这种去中心化的方法允许单个智能体选择自己的子任务、共享发现并将代码合并到公共存储库中。实验表明,将 Agensh 从 1 个扩展到 1,024 个智能体,在复杂的编码任务上的性能得到了显著提升,随着智能体数量的增加,得分提高,任务完成速度也加快。
-
开源暗网 OSINT 工具 VoidAccess 发布
安全研究员 Katriel Angulo 发布了开源暗网 OSINT 平台 VoidAccess。该工具旨在提供自动化的威胁情报,从单个查询生成报告、可搜索图谱和 IOC。它被定位为 Recorded Future 和 DarkOwl 等商业服务的免费替代品,并提供自托管或使用托管版本的选项。
-
小型AI模型在特定任务中被证明是有效的,提供了隐私和效率
作者对由于新模型、代理框架和基准图表的不断涌现而产生的AI疲劳表示担忧。他们没有关注最前沿的发展,而是强调使用一个小型、本地运行的模型来完成特定任务的有效性,特别是通过Ollama运行的`gemma3:1b`,用于将复杂的瑞士行政信函翻译成通俗的意大利语。这种方法优先考虑特定工作的隐私和效率,表明小型、专业化的模型可以在不需要大量计算资源的情况下非常有效。
-
使用 Docker、Poetry 和 Pre-commit 简化团队开发
本文提供了一个设置开发环境的指南,该环境可以防止团队软件项目中出现常见问题。文章详细介绍了 Docker Compose、PostgreSQL、MLflow 和 Poetry 的安装,以及使用 pre-commit hooks 来确保代码质量和一致性。
-
LLM 性能基准测试:Raspberry Pi 5 上的 Ollama Native 与 Docker Compose 对比
发布了一项基准测试对比,详细介绍了在 Raspberry Pi 5 上本地运行 TinyLlama 和 Llama 3 等 LLM 的性能。该基准测试在运行 Raspberry Pi OS 的 2GB RAM 的 Raspberry Pi 5 上评估了两种安装方法:Ollama Native 和 Docker Compose。目标是确定哪种设置能为自托管的 AI 应用提供更优越的性能。
-
NVIDIA Dynamo 通过智能 KV 缓存路由增强 AI 推理
NVIDIA Dynamo 是一个开源推理框架,它引入了一项智能路由功能,旨在优化大型生成式 AI 和推理模型的部署。该 KV 路由器能够智能地将推理请求导向最能利用现有 KV 缓存的工作节点,从而减少冗余计算。与传统的负载均衡方法相比,该系统旨在将首次令牌生成时间缩短高达 40%,并将整体吞吐量提高 25-30%。
-
开发者使用 Ollama、LangChain 构建离线企业级 RAG 样板
一位开发者创建了一个开源样板,用于构建完全离线运行的企业级检索增强生成(RAG)应用程序。该解决方案名为 VaultRAG,利用 Ollama 来运行本地 LLM 和嵌入模型(如 Llama 3.1 和 Qwen),使用 FastAPI 作为后端,LangChain 进行 RAG 编排,React 作为前端,所有这些都通过 Docker 进行容器化。此设置旨在解决数据隐私问题,并减少创建生产就绪 RAG 系统通常涉及的大量设置时间。