GraphQL
PulseAugur coverage of GraphQL — every cluster mentioning GraphQL across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
-
GitLab 通过预查询验证增强 AI 工具治理
本文讨论了 GitLab AI 工具治理的一项技术改进,特别是在其 Duo Agent Platform 中。作者在 `ListMergeRequestsService` 中实现了预查询输入验证,以防止冲突参数导致服务器端 GraphQL 执行错误。通过更早地捕获这些问题,系统可以将它们记录为确定的 `bad_request` 错误,为 AI Agent 提供更清晰的反馈以进行自我纠正,而不是将其掩盖为不透明的服务器错误。此外,这些更…
-
GitLab 的上下文填充将大语言模型令牌浪费减少了 40%
一种称为上下文填充(Context Hydration)或 MCP 的新方法已被开发出来,以优化合并请求元数据输入大语言模型(LLMs)的方式。该方法通过将复杂的 GraphQL 数据抽象和展平为更紧凑的格式,以适应大语言模型的消费,从而解决了令牌浪费的问题。通过关注必要的运营数据而不是特定于用户界面的呈现细节,该技术显著减小了数据大小,将上下文窗口消耗减少了约 40%,并提高了 GitLab Duo 等人工智能代理的效率。
-
GitLab AI 工具针对 LLM 上下文和数据库效率进行了优化
GitLab 优化了其 GraphQL API 以支持 AI 代理,通过减少 token 膨胀和防止 N+1 数据库查询。在 MR !270521 中实施的这些更改确保了 GitLab Duo 等 AI 工具可以在 LLM 上下文窗口内处理更多信息。此优化涉及精炼 GraphQL 选择集并将冗长的数据转换为更紧凑的格式,从而显著减小了响应负载大小。
-
AI代理提出事实,确定性验证器在欺诈监控系统中确认
一位开发人员构建了一个名为Case Board的原型系统,以解决欺诈和反洗钱(AML)监控问题。该系统使用AI代理通过提出基于银行记录的声明来调查警报,然后由确定性系统进行验证。这种方法旨在防止代理捏造信息,并确保对冻结账户或提交报告等关键决策进行人工监督。该原型使用合成数据进行了测试,展示了代理提出事实以及非LLM验证器根据源记录确认事实的机制。
-
编码代理现在可以通过 Netraptor 扩展调用已登录的 API
Netraptor Chrome 扩展的一项新功能允许编码代理在不直接暴露敏感令牌的情况下与已登录的 API 进行交互。该扩展的 MCP 服务器现在支持 `call_endpoint` 工具,该工具使代理能够从用户已通过身份验证的浏览器标签页内发起 API 请求。这种方法避免了将凭据发送给模型提供商,并绕过了令牌过期或 HttpOnly cookie 的问题,尽管它对可以进行的请求类型施加了限制。
-
新型AI智能体简化IT运维可观测性工作流
一篇新论文介绍IT运维可观测性工作室,这是一个旨在简化IT运维可观测性的多智能体系统。该系统利用专门的AI智能体进行数据访问、模式操作和可视化,所有这些都通过促进智能体间通信的三层架构进行编排。该工作室支持自然语言到GraphQL的翻译、模式生成和多工具工作流,智能体经过仪器化以进行详细分析。初步评估显示在查询生成和数据生命周期管理方面取得了可喜的成果,同时还识别并纠正了集成测试中出现的缺陷。
-
Shopify 对公共应用执行 IP 允许列表规则
Shopify 正在对其应用商店中的公共应用执行新的 IP 允许列表规则,首个截止日期已于 2026 年 11 月 12 日到来,适用于使用批量操作的应用。在此日期之前未配置 IP 允许列表的任何公共应用,其批量操作将被阻止。第二个截止日期为 2026 年 11 月 20 日,将影响所有其他公共应用,导致其从应用商店下架并阻止新安装。虽然自定义应用和商家自建应用不受影响,但未合规的公共应用将在 2027 年 4 月 1 日面临完全的 …
-
AI模型在编码问题上存在显著分歧
一项最新研究将24个相同的问题发送给了五个领先的AI模型:GPT、Claude、Gemini、Grok和Llama,结果显示它们之间存在显著分歧,尤其是在编码相关的查询方面。虽然事实性问题几乎达成一致,但关于编码方法的问题平均每题有2.67个分歧点,其中一个模型经常采取独特的立场。这种分歧凸显了在复杂的架构决策中依赖单一AI模型的风险,因为单一答案可能至关重要,也可能是一个致命的错误。
-
规范驱动开发:重要的API规范格式
本文详细介绍了在规范驱动开发中,尤其是在应用程序编程接口(API)方面,规范的重要性与结构。作者提倡一种全面的规范格式,解释了每个部分的用途,并分享了因忽视这一实践而导致的个人项目挫折经历。文章重点介绍了OpenAPI、Swagger、JSON Schema、AsyncAPI、GraphQL、gRPC和Protocol Buffers等各种规范标准,认为它们是有效API开发的关键工具。
-
OpenAI 在内部威胁下重组产品和安全领导层
OpenAI 的产品领导层出现变动,Andrew Ambrosino 接管了之前由 Tibo 负责的职责。Ambrosino 是一位技术精湛的产品领导者,拥有工程和设计背景,预计将专注于产品迭代和用户体验。与此同时,Tibo 已被重新分配,负责处理 OpenAI 内部的关键安全问题,此举是由于近期出现的漏洞和安全隐患。这些变动反映了 OpenAI 在日益增长的威胁下,战略性地调整以加强其安全基础设施。
-
AI模型数据库连接:安全策略与最佳实践
本文探讨了将AI模型(特别是MCP服务器)安全连接到数据库的各种方法。文章概述了三种主要途径:直接数据库连接、使用API层以及采用连接池或代理。每种方法都有不同的安全影响和适用场景,其中API层通过抽象数据库凭据和定义精确操作,通常为生产系统提供最强大的保护。无论采用哪种方法,最小权限原则至关重要,提倡只读访问、严格的权限控制以及对写操作强制执行人工审批。
-
Uber 详解 MCP Gateway,管理 5,000 多个 AI 代理工具
Uber 开发了 MCP Gateway 系统来管理 5,000 多个 AI 代理工具,解决了上下文窗口膨胀的挑战。该系统包括用于编目和启用的 MCP Registry,以及用于运行时翻译和执行的 Proxy Gateway,确保现有服务不受影响。这种架构允许代理逐步发现和调用内部 API,而不会压垮模型的上下文窗口,并利用了渐进式发现和响应投影等功能。
-
Claude Code 技能自动化代码审查,发现 SQL 注入和身份验证绕过
一位开发者分享了一个详细的 Markdown 文件,该文件旨在作为 Claude Code(一款 AI 编码助手)的“技能”。该技能名为“revisar”,指示 Claude 通过识别代码更改中的错误、安全漏洞和可维护性问题来执行代码审查。该技能优先处理身份验证绕过、SQL 注入和泄露的秘密等关键发现,并以按严重性排序的表格形式呈现,附带建议的修复方法。开发者通过使用该技能在一个测试存储库中发现三个特定漏洞来展示其有效性,Claude…
-
Sber 团队使用 MCP 将 GraphQL API 与 AI 代理集成
Sber Platform V DataSpace 团队的一名 TypeScript 开发人员详细介绍了他们如何使用模型上下文协议 (MCP) 将其 GraphQL API 与 AI 代理集成。挑战不仅在于将 GraphQL 连接到 MCP,还在于确定 GraphQL API 的 MCP 适配器的适当格式。该团队选择从预先准备好的 GraphQL 操作生成 MCP 工具,以在使 AI 代理能够发现和使用这些工具的同时,保持对 API …
-
AI 工具简化代码审查、数据收集和应用程序更新
开发人员正在探索 AI 在各种编码和数据收集任务中的潜力。一种方法是使用 AI 驱动的无人机进行自主海洋数据收集,收集海洋测量和其他数据。另一种应用侧重于通过提取未解决的线程、为 Claude 或 Codex 等 AI 模型构建提示,然后分析注释行来自动化代码审查过程。此外,AI 正在被集成到桌面应用程序更新中,其中提到 AIClaw 3.7.15 是一个简化 Windows 应用程序更新过程的工具。
-
MCP和技能成为AI代理通信的关键标准
文章讨论了软件通信标准的演变,从REST和GraphQL转向MCP(多代理通信协议),以更好地服务于AI代理。MCP充当代理,使代理能够在无需解析大量文档的情况下高效访问API。作者引入了“技能”的概念,认为它是MCP的一个关键组成部分,通过提供隐性知识和经验,类似于探险家的直觉,使AI代理能够更深入地理解应用程序上下文并更有效地运行。
-
Claude 代码技能自动化代码审查,发现 SQL 注入和认证绕过
一位开发者为 Claude Code(一款用于代码审查的 AI 助手)创建了一个自定义技能,该技能可以识别常见的编程错误。该技能以 Markdown 文件形式保存,通过潜在问题的清单指导 Claude,包括正确性、SQL 注入和认证绕过等安全漏洞、数据完整性、性能和可维护性。开发者通过使用该技能在一个测试存储库中查找三个故意植入的错误来演示该技能,Claude 成功地识别并优先处理了这些错误。
-
Weaviate 向量数据库集成混合搜索和多租户
Weaviate 是一款向量数据库,提供全面的功能套件,包括内置向量化、混合搜索和多租户,旨在简化用户的部署。它将词汇搜索 (BM25F) 与向量搜索相结合,并直接在数据库内支持生成式搜索功能。然而,管理自托管的向量化模块需要单独的容器和资源,并且模式更改(尤其是针对向量化器)需要重新导入数据。
-
AI 代理通过 ARD 查找能力,由 RIGHTCLICK 管理运行时执行
代理资源发现 (ARD) 是一项新兴规范,旨在解决 AI 代理查找和利用预编程集成之外的能力的挑战。ARD 允许代理在运行时搜索和发现相关资源(如 API 或其他代理),而不是嵌入数百万个特定工具。然而,资源的发现与其安全获取和执行是不同的,这导致了 RIGHTCLICK 的开发。RIGHTCLICK 是一个专注于管理 AI 代理交互运行时方面的开源实验。RIGHTCLICK 为代理提供了一个通用接口,抽象了底层能力的具体细节,并确保…
-
新的AI运行时RIGHTCLICK使代理的软件功能正常化
RIGHTCLICK是一个新开源的AI运行时,旨在解决当前AI代理集成中的可扩展性问题。RIGHTCLICK不要求开发人员为GitHub或Slack等每个工具构建特定的连接器,而是旨在让AI能够动态地发现和利用任何软件或服务的功能。这种方法可以规范化功能,应用策略并验证执行,而无需新的AI集成或特定于提供商的工具。该运行时使用一个小型、一致的接口,使AI能够通过统一的机制与包括应用程序和API在内的各种服务进行交互。