Zod
PulseAugur coverage of Zod — every cluster mentioning Zod across labs, papers, and developer communities, ranked by signal.
- used by Acme Corporation 90%
- used by MCP API 90%
- used by B2B Lead Enrichment MCP API 90%
- used by agent-infra 90%
- used by TechScale AI 90%
- used by Socially Desirable Responding 90%
- used by @agent-infra/mcp-server-lead-enrichment 90%
- developed B2B Lead Enrichment MCP API 70%
- used by ShapeCraft 70%
- developed MCP API 70%
- affiliated with MCP API 50%
- affiliated with TechScale AI 50%
10 天有情绪数据
-
模型上下文协议（Model Context Protocol）会话在负载均衡器后面失败；共享数据库提供解决方案
Shilpa Mareddy 的一篇文章详细介绍了在使用负载均衡器后面的内存中会话时，模型上下文协议（Model Context Protocol, MCP）的失败场景。问题出现的原因是每个服务器实例只持有自己的会话数据，导致请求被路由到不同实例时被丢弃。作者使用 NestJS 应用程序演示了这个问题，并通过移除协议级别的会话，转而使用共享数据库来存储购物车 ID，从而允许任何服务器实例处理请求，来提出解决方案。
-
LLM响应缓存必须包含结构化输出的模式
缓存LLM响应不仅需要匹配提示词，结构化输出的模式也必须是缓存键的一部分。这是因为不同的模式，即使看起来相似，也可能强制执行不同的验证规则。例如，一个将姓名细化为特定为'Asha'的模式，会使之前为更通用的姓名提取而缓存的响应无效。ShapeCraft等库通过将模式纳入缓存键来解决此问题，确保验证步骤不会被绕过，并且只有真正等效的请求才会共享缓存结果。
-
使用 TypeScript 构建安全的 AI 服务器：API 密钥、范围和速率限制
本文详细介绍了如何使用 TypeScript 构建安全的 AI 客户端服务器，重点关注 API 密钥管理、范围强制执行和速率限制。文章概述了一个三部分系统：API 密钥存储为带有相关范围的 SHA-256 哈希值；每个客户端使用令牌桶机制来控制请求频率；以及一个中央包装器来记录和验证所有工具调用。实现包括两个示例工具 `get_order_status` 和 `create_support_ticket`，演示了范围如何限制访问以及速…
-
OpenAI 采用模型上下文协议以实现 ChatGPT 插件的可移植性
OpenAI 已更新其 ChatGPT 插件架构，以采用模型上下文协议 (MCP)，这是一项专为跨 AI 平台的可移植性和互操作性而设计的新标准。此更改允许开发者构建一个后端，该后端可与 ChatGPT 及其他符合 MCP 的客户端协同工作，从而减少了定制集成的需求。文章以 HTTP 状态码查找工具为例，详细介绍了开发 MCP 服务器的先决条件和步骤，并强调了本地开发中隧道的重要性。
-
LLM结构化输出在值约束上失败，而非形状
一位开发者遇到了LLM生成的摘要问题，特别是关于标题长度的约束。像带有Zod模式的JSON这样的结构化输出格式可以保证数据的形状，但不能强制执行值约束，例如最大字符限制。该模型在四个摘要上仅超出120个字符的限制几位字符，表明它试图遵守指令，但在生成过程中难以进行精确的算术。提出的解决方案包括通过增加模式的最大长度来创建缓冲，同时保持提示的限制较低，从而允许轻微的超限而不会丢弃有效的摘要。
-
Standard Schema 统一了跨框架的 LLM 工具定义
一项名为 Standard Schema 的新规范旨在通过建立统一的模式格式来简化开发人员为大型语言模型定义工具的方式。目前，开发人员必须为 AI SDK、MCP Server 和 Mastra 等不同框架重写工具，导致重复劳动。Standard Schema 已被 30 多个验证库和 60 多个工具实现，允许单一模式定义与各种框架兼容。一个配套规范 Standard JSON Schema 进一步标准化了这些工具参数的 JSON S…
-
研究发现：模式嵌套深度与更好的文档记录相关
一项对 74,666 个工具的研究显示，模式嵌套深度与较差的文档记录不相关，这与最初的预期相反。相反，更深的模式，特别是那些从 OpenAPI 或 Protocol Buffers 等类型化源生成的模式，往往有更好的文档记录。扁平的模式，尤其是只有单个参数的模式，是描述最差的，这表明模式复杂性不是主要问题，而是记录嵌套字段时所花费的精力。
-
通过预检查门禁和 CI 检查避免 MCP 应用商店拒绝
为避免 MCP 应用商店的模糊拒绝，开发者可以实施预检查门禁。这包括冻结提交的版本，将清单、工具列表和身份验证范围固定到提交。在重新提交之前，开发者应使用严格的验证器验证模式和示例，将工具更改与上次提交进行比较，并确保范围最小化和命名稳定。使用 Ajv 或 Zod 等工具的基本 CI 设置可以捕获模式漂移，同时保持提交对和日志的可用性有助于审阅者理解更改并用具体信息处理拒绝。
-
新的 MCP 服务器将 AI 工具连接到实时 B2B 潜在客户数据
一款新的模型上下文协议 (MCP) 服务器已发布，使 Cursor 和 VS Code Copilot 等 AI 工具能够访问实时 B2B 公司信息和意向数据。该服务器可在本地开发环境中部署，使用严格的 Zod 模式来防止 LLM 幻觉，并提供实时的公司情报、技术栈和购买信号。该服务采用无风险的计量计费模式，用户仅为置信度得分高于 0.6 的成功丰富付费，并为初始使用提供免费套餐。
-
新的 MCP 服务器消除 B2B 数据中的 LLM 参数幻觉
引入了一个新的模型上下文协议 (MCP) 服务器，为大型语言模型 (LLM) 提供对 B2B 公司信息和意图数据的直接访问。该服务器利用 Zod 进行严格的模式验证，以防止参数幻觉，确保 Claude 3.5 Sonnet 和 GPT-4o 等模型接收准确且可执行的参数。该系统提供实时公司信息、技术情报和意图信号处理，并采用独特的计费模式，仅对超过特定置信分数且成功的数据丰富收费。
-
由于模块身份问题，Zod schema 验证在包边界处失败
一位开发者遇到了一个问题，其中一个在应用程序内有效的 Zod schema 因模块身份问题未能被 ShapeCraft 库识别。这是因为 Node.js 加载了两个不同的 Zod 实例，一个用于应用程序，另一个用于本地包，这导致 `instanceof z.ZodType` 检查无法跨包边界工作。开发者通过在 ShapeCraft 中实现一种鸭子类型方法解决了这个问题，通过检查 schema 对象上是否存在 `_def`、`parse…
-
开发者创建 Claude Hookbook 以实现 Claude Code 任务自动化
一位开发者创建了“Claude Hookbook”，这是一个预先编写的 hook 库，旨在自动化常见任务并为 Anthropic 的 Claude Code 添加保护措施。该工具解决了手动配置 hook 来执行诸如运行格式化器（Prettier、ESLint、ruff）、防止敏感文件修改以及确保代码质量检查等任务时的设置摩擦。Claude Hookbook 提供了 20 个可直接复制的 hook 和一个基于浏览器的生成器，用于创建一个…
-
新 API 将实时 B2B 潜在客户数据集成到 AI 代理中
已开发出新的模型上下文协议 (MCP) API 服务器，可将实时 B2B 潜在客户丰富数据直接集成到 Claude Desktop 和 Cursor 等 AI 代理中。该 API 使用 Zod 进行严格的参数验证，旨在通过 JSON-RPC 接口提供经过验证的公司信息、技术信息和意向数据，从而消除数据幻觉。该系统提供无风险的计量计费，仅对置信度得分高于 0.6 的成功丰富收费，使其成为扩展自主销售代理的经济高效解决方案。
-
CLFTv2：高效的相机-激光雷达融合用于自动驾驶
研究人员推出CLFTv2，一个用于自动驾驶语义分割的高级框架，可高效融合相机和激光雷达数据。该新模型用基于Swin的编码器和轻量级残差解码器取代了全局ViT注意力，在2D视角域操作以整合多尺度几何线索。CLFTv2在多个数据集上展示了对弱势道路使用者的召回率的提高，在ZOD和Waymo上取得了高mIoU分数，同时比以前的模型更具计算效率。
-
新的MCP服务器通过类型安全数据对抗AI销售代理幻觉
引入了一个新的模型上下文协议（MCP）服务器，通过提供类型安全的B2B潜在客户丰富来对抗AI销售代理的幻觉。该服务器使用严格的Zod注解，确保Claude Desktop和Cursor等AI代理能够使用精确、经过验证的输入查询实时公司信息、技术信息和意向数据。该系统采用信心优先的计费模式，仅对得分高于0.6的成功丰富收费，从而为构建自主销售工作流提供了成本效益。
-
AI模型在JSON结构方面遇到困难，促使进行基于模式的修复
一个内容管道在AI模型生成JSON输出时遇到了问题，尽管这些输出在语法上有效，但不符合预期的数据结构。这导致下游验证过程失败，特别是使用Zod等模式强制执行工具时。该问题通过将精确的JSON模式直接包含在提示中以指导模型的输出，以及实现自动纠正常见结构偏差（例如，裸数组而非封装对象）的回退代码来解决。
-
开发者构建的 MCP 服务器审计工具首先发现了自身 bug
一位开发者创建了三个独立的命令行工具来审计 Model Context Protocol (MCP) 服务器，重点关注文档、安全故障模式和现实输出验证。在测试过程中，每个工具出乎意料地在发现目标服务器的问题之前，就识别出了自身逻辑中的 bug。其中一个工具 mcp-fuzz 揭示了流行的 antvis/mcp-server-chart 项目中的所有 27 个工具，在接收到格式错误的输入时都会崩溃，这个 bug 后来被发现在一个未发布的…
-
LLM 和 Zod：构建零幻觉知识图谱
本文讨论了使用大型语言模型 (LLM) 从非结构化文本中提取结构化数据（特别是知识图谱）的挑战。它强调了 LLM 内在的概率性，这可能导致在尝试生成企业系统所需的确定性输出时出现幻觉和不一致。作者将此与 Web 开发进行了类比，在 Web 开发中，运行时验证对于处理不受信任的输入至关重要，并提出将 OpenAI 的模型与 Zod 结合使用，以在 TypeScript 管道中实现健壮的、零幻觉的数据持久化。
-
使用 MCP 和 Zod 在 B2B 潜在客户丰富化中消除 LLM 幻觉
一种新的 B2B 潜在客户丰富化方法旨在通过使用带有严格 Zod 模式强制执行的模型上下文协议 (MCP) 服务器来消除大型语言模型 (LLM) 的幻觉。该方法为 Claude、Cursor 和 VS Code Copilot 等 LLM 提供结构化的实时数据检索工具集，防止查询格式错误和虚构公司数据。该系统提供严格的参数类型、即时访问公司信息和技术信息以及 B2B 意向信号等功能，并采用无风险的计量计费模式，仅对高于特定置信度的成功丰富化收费。
-
新的 MCP 服务器通过实时潜在客户丰富功能增强 AI 销售代理群
开发了一个新的模型上下文协议 (MCP) 服务器，通过提供实时的 B2B 潜在客户丰富功能来增强自主销售开发代表 (SDR) 代理群。该服务器直接在 LLM 的上下文窗口中提供公司信息、技术情报和意向信号，从而实现更具个性化的外联。该系统使用 Zod 进行模式验证，以确保来自 Claude 3.5 Sonnet 和 GPT-4o 等模型的查询准确无误，并采用计量计费结构，仅对成功的高置信度丰富收费。