Papers of the British School at Rome
PulseAugur coverage of Papers of the British School at Rome — every cluster mentioning Papers of the British School at Rome across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
MCP 服务器速率限制被证明很复杂，导致多次生产环境中断
作者在为 MCP 服务器实施速率限制时遇到了重大挑战，导致在三周内多次生产环境中断。最初的尝试因误解 MCP 独特的交互模型（与标准 HTTP API 不同）而失败。问题包括来自 Claude Desktop 和 Cursor 等 AI 客户端的过多并发请求压垮服务器，以及尽管有请求数量限制，但长时间运行的流式响应耗尽服务器资源的问题。
-
开发者自动将 OpenAPI 规范转换为 MCP 服务器，代码量约 150 行
一位开发者创建了一个自动转换器，可将 OpenAPI 规范转换为 MCP（机器通信协议）服务器定义，显著减少了 AI 集成所需的样板代码。该工具使用约 150 行 Java 代码编写，解析 OpenAPI 3.0 规范以生成 MCP 工具定义，包括参数的 JSON 模式。该转换器也可应用于已具有 OpenAPI 文档的现有 Spring Boot API，使其能够以最少的代码更改充当 MCP 服务器，正如一个旧项目 50 行实现的示例所示。
-
MCP 协议通过本地存储数据增强 AI 笔记隐私性
作者通过利用模型上下文协议 (MCP) 详细介绍了一种注重隐私的 AI 个人笔记使用方法。与将整个知识库上传到第三方服务器的传统 AI 笔记应用程序不同，MCP 允许用户将数据保留在自己的服务器上。只有特定、相关的信息片段会被发送到 AI 模型进行处理，从而确保用户的完整知识库保持私密和安全。
-
RAG vs. 微调：为知识 vs. 行为选择正确的LLM方法
在检索增强生成（RAG）和微调之间为LLM进行选择，关键在于目标是传授新知识还是改变模型行为。RAG被认为是注入事实知识的更优方法，尤其是在知识频繁变化时，因为它可以在不重新训练的情况下轻松更新和引用来源。相反，微调最适合修改模型的沟通风格、语气或格式，但成本更高且学到的信息会过时。一种新方法模型上下文协议（MCP）也正在兴起，它通过允许AI直接处理检索到的信息来简化RAG，有可能使许多用例中传统的复杂RAG系统过时。
-
研究人员使用AI总结论文，发现结果令人印象深刻
一位研究人员尽管个人对学术界使用人工智能持保留态度，但还是使用了一个AI工具来总结大量研究论文。这种由疲劳和繁重工作量驱动的经历，产生了令人惊讶且印象深刻的结果。