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
-
LangChain 更新 Hugging Face 集成，升级依赖项
LangChain 发布了其 langchain-huggingface 库的 1.2.3 版本，引入了多项依赖项更新和小的修复。此次发布包括对 LangGraph SDK、fsspec、sentence-transformers、urllib3、tornado、anyio、orjson、Requests、filelock、langsmith、idna 和 aiohttp 等多个库的升级。此外，它还更新了模型配置文件数据，并更改为使用…
-
开发人员使用模型上下文协议来引导 AI 编码代理
两位开发人员正在探索模型上下文协议 (MCP)，以改进编码代理与 API 的交互方式以及处理错误的方式。第一篇文章详细介绍了 MCP 如何允许代理直接拉取 API 规范，确保它们拥有准确且最新的合同信息，从而防止常见的集成失败。第二篇文章侧重于使用 MCP 将代理引导到特定领域，例如代理错误处理，通过提供结构化的观察结果，并防止代理做出常见的、自信错误的假设，例如在未经验证的情况下重试写入操作。
-
Wrapture Python 包提供高级 monkey patching 和可观察性功能
Graham Dumpleton 发布了 wrapture，一个用于 monkey patching 的新 Python 包，同时还提供测试和可观察性功能。该工具允许记录方法调用、分阶段行为和跟踪实时应用程序，可以通过 TOML 文件进行配置，而无需修改 Python 代码。Wrapture 支持广泛的 Python 框架和库，包括 Flask、Django 和 FastAPI，并可以将跟踪导出到 OpenTelemetry，使其成为…
-
构建一个自我审计的 AI 代理以防止 token 泄露
本教程演示了如何构建一个自我审计的 AI 代理，通过实现决策账本来防止 token 预算泄露。该过程包括使用 MonkeyCode 设置免费服务器环境、配置 API 凭证以及编写 Python 脚本。该代理的核心逻辑包括进行 LLM 调用、执行工具操作，并将每次决策连同 token 使用量记录在 SQLite 数据库中，以确保遵守预定义的 token 预算。
-
免费服务修复 LLM 生成的无效 JSON
一位开发者创建了一项免费服务，使用 MonkeyCode 的模型自动修复来自 LLM 的格式错误的 JSON 响应。该服务从 LLM 输出中提取潜在的 JSON，尝试解析它，如果失败，则将问题数据连同解析错误一起发送给免费的 MonkeyCode 模型进行纠正。这种方法旨在避免为原型设计支付付费管道的成本，并确保 LLM 输出始终是有效的 JSON。
-
LLM服务器延迟：平均时间掩盖了关键的排队延迟
分析免费LLM模型服务器的延迟表明，平均响应时间可能具有误导性。相反，检查响应时间分布，特别是代表异常值和排队延迟的“尾部”，可以更准确地描绘服务器性能。这种方法有助于设置适当的超时，并在用户遇到问题之前检测到性能下降。对于流式响应，“首个token”的到达时间也不是速度的可靠指标，因为它可能因初始处理延迟而产生偏差。
-
免费 LLM 静默截断超过 2,000 个标记符的输入，丢失关键数据
一位开发者发现，一个免费语言模型在处理长文档（如租赁协议）时，会静默截断约 2,000 个标记符以上的输入。尽管模型看似提供了自信的答案，但实际上它忽略了文档的后半部分，导致分类不准确和义务被遗漏。由于模型没有返回错误，而是生成听起来合理但不完整的响应，因此这种行为很难被发现。通过分析 API 响应的使用统计数据（显示标记符计数远低于实际输入长度）以及通过演示截断现象的重现脚本，确认了该问题。
-
开发者创建 Python 脚本来测量 LLM 端点延迟
一位开发者创建了一个 Python 脚本，用于准确测量 LLM 端点的延迟，区分首次响应时间（TTFT）和总响应时间。该工具旨在解决在处理流式模型时简单延迟计时器不可靠的问题，因为初始响应可能很快，但整体完成时间却很慢。该脚本名为 `ttfbt.py`，可与任何与 OpenAI 兼容的 API 端点一起使用，并且设置简单，只需安装 Python 和 `requests` 库。
-
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。