JSON

AgentDocs 将人类文档转换为 AI 代理可消费的格式

AgentDocs 是一项新服务，旨在使文档对 AI 代理可访问。它将现有的文档格式（如 Markdown、Notion、Confluence 和 OpenAPI 规范）转换为代理可消费的结构，例如 JSON、语义块层次结构和优化嵌入。其目的是通过从一开始就确保文档结构化以便检索，来减少 AI 代理产生幻觉式 API 调用的调试时间。该服务采用分级订阅模式，面向个人开发者、小型团队和企业。

Glyphic 作为 AI 代理的开源图表基础设施发布

Glyphic 是一个新推出的开源图表引擎，旨在作为 AI 代理的基础设施，提供一种通过 JSON 输入生成图表的编程方式。与 Claude Artifacts 等专有解决方案不同，Glyphic 是模型无关的，允许任何 LLM 生成图表，并且它避免了对无头浏览器的需求，从而能够在各种环境中实现更快的渲染和部署。该引擎可以用作 npm 包，也可以作为 HTTP API 自行托管，使用户能够拥有和控制其图表生成过程。

物理感知AI将物理学集成到训练循环中

本文详细介绍了物理感知AI的进展，特别是将物理原理直接集成到AI模型的训练循环中。与之前在生成后进行物理检查的方法不同，这种方法使用语言模型作为编码器，对可微分的数值头进行条件化。该头预测张量输出，允许直接在这些张量上计算物理残差，从而实现梯度反向传播，提高模型解决偏微分方程等物理问题的能力。

AI 编码代理易受通过 Unicode 进行的隐藏元数据攻击

一篇新研究论文详细介绍了一种模型上下文协议（MCP）中的安全漏洞，MCP 是编码代理用于发现和调用外部工具的标准。该漏洞被称为“隐藏编码”，它利用 Unicode 的 TAG 块将恶意元数据负载隐藏在批准对话框中，使其免受人工审查，同时仍将其传递给 AI 模型。研究人员证明，该技术可以绕过常见的客户端防御，并且在多个独立的 MCP 服务器实现中都有效，这表明存在协议级别的缺陷。

AI 代理服务器面临与 npm 类似的供应链风险

对 8,764 个 AI 代理服务器进行的安全性审计揭示了重大的供应链风险，这与在 Node Package Manager (npm) 生态系统中发现的漏洞相似。研究人员发现，部分服务器泄露了敏感的环境变量，硬编码了 API 密钥，并试图访问系统进程或内核漏洞。为缓解这些威胁，建议用户验证服务器审计，避免授予生产凭证，并在隔离环境中运行不受信任的服务器，而开发人员应专注于安全编码实践、依赖项管理和获取第三方审计。

新工具 `claude-sessions` 可在崩溃后恢复丢失的终端状态

一个名为 `claude-sessions` 的新工具已被开发出来，用于解决在机器崩溃后丢失终端状态的问题，特别是在使用 Claude Code 会话时。与 macOS 的内置窗口恢复（无法恢复进程，并且可能错误地恢复已关闭的标签页）不同，`claude-sessions` 会显式地创建终端状态的快照。这些快照会捕获进程、工作目录和活动的 Claude 会话，并将它们存储为 JSON 历史记录。然后，用户可以通过使用 `claude-…

通过模式、验证和重试提高 LLM 输出的可靠性

为了确保生产代理中大型语言模型 (LLM) 的可靠输出，除了优化提示之外，还需要一种多层面的方法。核心问题在于 LLM 内在的非确定性，这可能导致不一致的输出格式（如 JSON），从而导致下游集成失败。一个健壮的解决方案包括在系统提示中定义明确的 JSON 模式，在处理 LLM 输出之前对其进行结构验证，并采用一种重试机制，将特定的错误上下文反馈给提示以进行纠正。

AI 代理现在可以使用 MCP 服务器进行高效的本地化任务

提出了一种使用 MCP（多通道协议）服务器的新方法，以提高 AI 代理处理本地化任务的效率和成本效益。与将整个大型 i18n 文件粘贴到 AI 代理的上下文窗口中（这会消耗过多的 token 并增加成本）不同，MCP 服务器允许代理仅获取必要的数据。此方法可确保格式保留，使用持久性词汇表来保持术语一致性，并为多种语言提供 token 高效、生产就绪的翻译。

LLM框架SABLE实现NDA安全模拟电路优化

研究人员开发了SABLE，这是一个旨在使大型语言模型（LLM）在工业电子设计自动化（EDA）流程中优化模拟电路，同时不损害敏感知识产权的框架。SABLE作为一个闭环系统运行，与Cadence Virtuoso、Maestro和Spectre等工具进行交互。它确保只有经过清理的拓扑信息、性能指标和操作摘要被返回给LLM，从而保持NDA安全边界。该框架在两项任务上进行了测试：一项是20 GHz LC-VCO调谐曲线优化，另一项是二级运算放…

新西兰发布信息公开流程建模本体

研究人员开发了FOI-O，一个旨在对信息公开（FOI）请求相关流程进行建模和分析的新本体和验证框架。该系统专门针对新西兰的《官方信息法》，旨在梳理和阐明FOI请求记录中复杂的、常常混合了通信、系统状态和法律结果的数据。FOI-O提供了一种标准化方法来表示请求档案、事件和元数据，并支持JSON、Python、SKOS、OWL、RDF和SHACL等格式的配套资产，以及流程模型和导出示例。

AI脚本根据英文描述生成正则表达式

一位开发者创建了一个15行的Python脚本，该脚本利用AI根据英文描述生成正则表达式。该脚本通过aibridge-api.com API使用DeepSeek Coder模型，将自然语言提示转换为正则表达式模式。该工具旨在消除手动编写和调试正则表达式的需要，为使用各种编程语言和Grep等工具的开发人员提供更有效的方法。

开源模型助力企业AI实现PDF到JSON的转换

新的开源模型正在涌现，用于将PDF中的非结构化数据转换为可用的JSON格式，满足企业AI应用的关键需求。这些模型主要分为两类：针对发票和表单等已知字段的模式驱动提取，以及能够将整个页面（包括布局和表格）重构为结构化JSON或Markdown的文档解析。Datalab的lift和NuMind的NuExtract 3等模型提供了本地、经济高效的模式驱动提取解决方案，而IBM的Docling则为各种文件类型提供了全面的文档解析功能。

LLM开发者通过多层方法解决JSON输出错误

LLM 函数调用详解：从 Token 到结构化数据

本文解释了 LLM 函数调用背后的机制，这是一种从大型语言模型中获取结构化数据的方法。它详细说明了函数调用如何通过强制执行预定义的模式，确保 LLM 遵循特定的字段名称、类型和值，从而与纯文本补全和 JSON 模式区分开来。该解释还涵盖了底层过程，即 LLM 生成构成有效 JSON 的 Token，并通过受限解码来匹配指定的结构。

Unstructured.io 将混乱的文档转换为 RAG 的 LLM 就绪数据

Unstructured.io 是一个开源 Python 库和 API 服务，旨在为 AI 应用（特别是检索增强生成 (RAG) 管道）预处理文档。该库于 2022 年发布，目前版本为 0.17.0，它擅长将 PDF、Word 文件和演示文稿等混乱的真实世界文档转换为结构化 JSON 元素。该库的管道包括将文档分区为元素、清理它们，然后将它们分块成具有丰富元数据的语义上有意义的片段，与基本的文本提取方法相比，显著提高了检索准确性。