stevedore
PulseAugur coverage of stevedore — every cluster mentioning stevedore across labs, papers, and developer communities, ranked by signal.
-
Docker MCP 目录镜像代理的内部开发者门户
Docker 已正式推出自定义 MCP 目录和配置文件，使组织能够策划和分发经批准的 MCP 服务器集合。此功能允许捆绑内部和公共工具，然后可以将其作为 OCI 构件（类似于容器镜像）进行共享。配置文件的引入使开发人员能够在各种任务（如编码或规划）之间切换不同的经批准的工具集，并有可能作为代理的某种形式的权限边界。
-
开源工具让 AI 代理拥有完整的 Ubuntu 电脑
一位开发者创建了一个名为 taw-computer 的开源项目，为 AI 代理提供了一个完整的 Ubuntu 环境。这使得像 Claude Code 和 Cursor 这样的代理能够执行超越基本文件编辑和命令执行的操作，例如浏览网页、测试应用程序和部署代码。该系统使用“Set-of-Mark”提示技术来实现更可靠的浏览器自动化，并提供 Docker 和 Firecracker 两种沙箱后端进行隔离。
-
Gemma LLM 为技术任务提供有用的离线建议
一位用户通过在本地设备上离线运行 Google 的 Gemma LLM 来测试它，以查看它是否能在没有互联网访问的情况下提供有用的建议。该模型成功生成了部署 Nginx Docker 代理的实用说明，展示了其在离线任务中的作用。
-
Cursor 3.4 推出支持多仓库和 Docker 缓存的云代理
Cursor 发布了其 AI 驱动的代码编辑器 3.4 版本，引入了旨在简化开发工作流程的云代理。这些新代理具有多仓库支持、构建范围内的 Secrets 以及改进的 Dockerfile 层缓存。一位评论者在 18 个任务中测试了这些功能，并指出 70% 的缓存命中率对他们的本地 Docker 设置产生了重大影响。
-
指南详述如何用Python构建Docker化RAG管道
本文提供了一个分步指南，介绍如何将检索增强生成（RAG）原型从Jupyter Notebook转换为结构化、容器化的Python应用程序。它强调了打包代码在改进组织、可重用性、可测试性和可扩展性方面的优势，尤其适用于生产环境。该指南侧重于使用Haystack框架和Docker进行实际实现，而不深入探讨RAG或LLM的核心机制。
-
开发者解决开发容器中 Paper MCP 服务器连接问题
本文解决了一个常见问题：开发者在基于 Docker 的开发环境中使用 Paper MCP 服务器时遇到的问题。问题出现在容器内的 MCP 客户端尝试连接容器的本地回环地址（127.0.0.1），而该地址无法连接到运行 Paper 服务器的主机。解决方案是设置一个双跳 `socat` 中继：一个在容器内，将流量转发到主机的 Docker 网关 IP；另一个在主机上，将此连接代理到 Paper 服务器，确保它看起来源自 localhost。
-
MLOps 工作流集成 MLflow、FastAPI、Docker 和 GitHub Actions
本文详细介绍了如何使用 MLOps 原则将机器学习模型部署到生产环境中。文章概述了一个工作流，该工作流集成了 MLflow 进行模型管理、FastAPI 用于构建 API、Docker 用于容器化，以及 GitHub Actions 用于持续集成和持续部署 (CI/CD)。该流程旨在简化 ML 模型从开发到生产环境的过渡。
-
Cord 通过语义发现简化分布式 AI 代理网络
Cord 项目发布了一种新的方法，用于创建分布式 AI 代理的多机服务器网格，简化了连接不同服务的流程。该系统支持零接触网络和语义发现，代理可以根据其描述的能力而不是固定的网络地址来查找和使用服务。该设置旨在快速完成，使开发人员能够在不到十分钟的时间内建立一个功能齐全的网格，并通过添加更多机器轻松进行扩展。
-
Docker 推出 AI Governance 以保护开发者笔记本电脑
Docker 推出了 AI Governance，这是一个新的控制平面，旨在管理和保护在开发者笔记本电脑和其他端点上运行的 AI 代理。该系统允许安全团队从中央控制台定义和执行 AI 代理访问网络、文件系统和外部工具的策略。通过利用基于 microVM 的沙箱和 MCP Gateway，Docker 旨在为 AI 代理提供运行时安全性，填补了传统安全工具通常无法监控开发者机器上活动的空白。
-
Docker Model Runner 通过集成 LLM 支持简化了本地 AI 开发
Docker 已将一项名为 Model Runner 的新功能直接集成到 Docker Desktop 中，从而简化了本地 AI 开发。该工具允许用户使用熟悉的 Docker 命令来拉取和运行各种语言模型，例如 Llama 3.1 和 Phi-3-mini。Model Runner 提供了一个与 OpenAI 兼容的 API 端点，能够与应用程序无缝集成，并减少了对 Ollama 等独立安装的需求。
-
AgentPay 推出 56 款 AI 代理基础设施产品
AgentPay 推出了一个包含 56 款已投入生产的产品目录，旨在让 AI 代理能够访问真实世界的基础设施。这些产品分为三个类别：MCP 服务器、SaaS 工具和开发者工具。对整个产品组合进行了重大修复，包括解决导入错误、运行时问题、损坏的文档链接和不一致的响应格式。新增功能包括一个用于 Dev.to 发布内容的 MCP 服务器、一个开源审计框架 CLI，以及所有服务器的容器镜像，所有这些都统一在一个 API 密钥下。
-
用户批评 Docker Desktop 在 Mac 上的性能，称赞 Podman
一位用户对他们在 Mac 上的 Docker Desktop 表示不满，认为它内存占用高且已过时，尤其是在 AI 发展的大背景下。他们称赞 Podman 是一个更节省内存的替代方案，占用的 RAM 少得多，并提供了一个 Swift API。
-
本地 AI 编码代理 ForgeFlow 自主通过 35 项测试
一位开发者在配备 128GB 统一内存的 MacBook Pro 上构建了一个完全本地化的 AI 编码代理 ForgeFlow。该代理在 Docker 沙箱内自主编写代码并运行测试，仅当所有测试通过后才提交更改，在执行过程中不依赖云 API。该系统采用 TDD（测试驱动开发）方法，机械地执行红-绿-重构循环，即先编写测试，然后仅生成代码以通过这些测试。
-
MLOps 指南详述框架、工作流和实时 AI 部署
这组文章聚焦于机器学习运维 (MLOps)，详细介绍了管理机器学习生命周期所需的完整框架和工作流。文章涵盖了构建持续交付和自动化流水线、实时部署 AI 以及管理 ML 实验。它们还触及了 MLOps 从传统 DevOps 的演变，强调了在生产环境中部署包括大型语言模型 (LLM) 在内的 ML 模型所需的专业技能。
-
x402协议通过Base上的加密小额支付实现付费MCP服务器
模型上下文协议（MCP）正在通过引入利用x402协议进行按请求付费的付费服务器而不断发展。这一新浪潮的商业MCP服务器提供了对高级数据和服务的访问，超越了最初的基础设施建设。x402协议利用Base区块链上的HTTP 402和USDC，实现了无缝的机器对机器小额交易，这对于自主代理至关重要。
-
VS Code 集成原生代理开发，支持伴侣应用和 MCP
VS Code 在 2026 年 4 月的发布中对其原生代理开发能力进行了重大更新，包括预览独立的伴侣应用，用于跨不同存储库管理多个并行代理会话。这款新应用允许开发人员从统一的界面监控和交互各种任务，如功能开发、错误修复和代码审查，自定义设置会自动继承。此外，终端交互也得到了增强，使代理能够与后台进程通信，并读取任何可见终端的输出，从而简化了涉及 Docker 构建、测试运行器和交互式 CLI 的工作流程。
-
新的加密系统可保护AI软件包生态系统免受依赖混淆攻击
研究人员开发了一种新的加密系统，以增强AI软件包生态系统在面对依赖混淆攻击时的安全性。该系统引入了加密注册表身份、发布者和注册表的双签名模型以及权威命名空间绑定，以防止恶意软件包替换。这种多层防御旨在消除软件分发中的加密漏洞，并可扩展以包含AI生成来源。
-
Part-DB 2.11 新增 AI 网站抓取器和 Docker 更新支持
Part-DB 2.11 已发布，引入了 AI 驱动的网站抓取器，以帮助用户更有效地收集信息。此更新还通过简化更新流程，增强了使用 Docker 的用户的体验。此外，还添加了新功能，以简化添加新组件批次和更新来自各种来源的组件信息。
-
Norton推出AI原生VPN以支持自主代理
Norton推出了一款专为自主AI代理设计的新型VPN服务。这款AI原生VPN具备多隧道功能和任务型连接，运行在Docker驱动的隔离环境中。该服务旨在通过实现这些代理的并行全球运营来促进机器优先的网络连接。
-
Anthropic 的 Claude Code 协助用户创建自定义维护脚本
一位用户发现 Claude Code 是创建自定义维护脚本的宝贵工具。该脚本可自动备份 Tuwunel 实例（运行在 Docker 容器中）的数据库并清除旧媒体。Claude Code 协助编写了一个 bash 脚本，该脚本与 Matrix API 交互，以便按计划执行这些维护任务。