Requests
PulseAugur coverage of Requests — every cluster mentioning Requests across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的Sentinel管道审计AI代理MCP服务器的安全风险
一个名为Sentinel的新审计管道已被开发出来，用于保护模型上下文协议（MCP）服务器，这些服务器允许AI代理与外部工具进行交互。该管道采用六层方法，首先对源代码进行静态分析，检查已知漏洞、许可证合规性和硬编码的秘密。然后进行基于模式的行为分析和一个主动探测，发送对抗性输入以检测潜在的数据泄露、命令注入或SSRF漏洞。最后，它利用gVisor沙箱将MCP服务器与主机内核隔离，防止内核级别的攻击。
-
LangChain 更新 fireworks 集成，修复依赖项
LangChain 发布了其 langchain-fireworks 集成的 1.4.3 版本，其中包含多项依赖项更新和小的改进。此次发布通过将 aiohttp 版本限制在 3.14 以下（由于 vcrpy 的要求）来解决兼容性问题，并更新了 langsmith、pytest 和 Mypy。它还刷新了模型配置文件数据，并包含了一个针对 OpenAI 集成的热修复程序，以管理核心依赖项版本。
-
NVIDIA 发布 SkillSpector 进行 AI 技能安全分析 · 已追踪 2 个来源
NVIDIA 发布了 SkillSpector，一个开源工具，旨在识别部署前 AI 技能中的安全风险。该工具采用静态分析和自定义检测器扫描漏洞，并生成 SARIF 格式的报告。附带的指南演示了如何构建一个 AI 技能语料库（包括故意引入漏洞的技能），并使用 SkillSpector 分析它们是否存在潜在的安全威胁。
-
LangChain 集成了令牌高效的网络抓取功能，用于 AI 代理
本文详细介绍了如何将令牌高效的网络抓取集成到 LangChain 中，以用于 AI 代理。文章提出创建一个自定义的 `BaseTool`，该工具利用像 AlterLab 这样的专用抓取 API 来处理动态网页内容和速率限制。然后将原始 HTML 转换为 Markdown，以最大限度地减少令牌消耗，然后再输入到 LLM 中，从而提高效率和推理质量。
-
通过模仿 Chrome 的 TLS 握手，网络爬虫成功率翻倍
通过将‘requests’库切换到‘curl_cffi’，一个网络爬虫的成功率得到了显著提高。这一改变使得爬虫能够更好地模仿 Chrome 的 TLS 握手，绕过那些通过 TLS 连接指纹而非仅仅 User-Agent 来识别的现代 Web 应用程序防火墙 (WAF)。该优化将爬虫的有效性提高了一倍，成功率从 37% 提高到 78%，另外通过删除不必要的头部覆盖还获得了 2% 的提升。
-
Python 开发者可以使用 httpx 作为 requests 的即插即用式替代品
httpx Python 库提供了 requests 库的一个强大替代品，具有异步功能和 HTTP/2 支持等增强功能。它与 requests 保持高度兼容的 API，使其成为开发者的一个直接的即插即用式替代品。httpx 还包括严格的超时执行和全面的类型注解，旨在提高 Python 应用程序中 HTTP 调用的可靠性和性能。
-
Together AI 发布新的 Python SDK v2.0 RC
Together AI 发布了其新的 Python SDK 2.0 版本的候选发布版。此更新的 SDK 使用 OpenAPI 规范和 Stainless 构建，采用现代、类型安全的架构，旨在提高性能和简化维护。它取代了旧的 v1 SDK，并引入了 Instant Clusters beta API 等新功能，同时为开发人员提供更好的类型安全和编辑器支持。
-
Eugene Yan 探讨 Python 在库中 super() 的不常见用法
本文探讨了一种高级 Python 编程技术，涉及 "super()" 函数，特别是在基类中的使用。虽然通常在子类初始化器中调用父类方法，但在基类中调用 "super()" 可以实现协作式多重继承。如果没有它，后续父类中的初始化调用可能会被跳过，导致错误或属性丢失。作者通过使用 "requests" 和 "scikit-learn" 模式的示例进行了演示，强调了 "super()" 如何确保在复杂的继承层次结构中进行正确的初始化。