Zod
PulseAugur coverage of Zod — every cluster mentioning Zod across labs, papers, and developer communities, ranked by signal.
13 天有情绪数据
-
Ember.js 为更广泛的 MCP 服务器堆栈中的嵌入式应用提供支持
作者详细介绍了他们使用 Ember.js 为其嵌入式应用程序构建 MCP 服务器的经验。虽然 Ember.js 为 MCP 应用提供支持，但整体服务器基础设施依赖于更广泛的堆栈，包括 Kubernetes、Starlette 和 Django REST Framework。作者强调了 Ember.js 的 "gjs" 文件格式对 AI 的兼容性、快速的 Vite 构建系统以及用于共享组件和配置的便捷的 monorepo 结构。然而，他…
-
Bun 将 TypeScript MCP 服务器的冷启动速度提升至 60 毫秒
一份新指南详细介绍了如何使用 Bun 构建 TypeScript MCP 服务器，实现 60 毫秒的冷启动时间，这比 Node.js 的 140 毫秒快得多。该指南强调了 Bun 对于托管的按需服务器的优势，并建议对于已经使用 TypeScript 的团队，特别是那些拥有 Next.js 项目的团队，将 TypeScript on Bun 作为默认选择。虽然 Bun 提供了速度优势，但该指南也指出了关于 fetch keep-aliv…
-
CalcFleet为AI代理和博客提供121个可嵌入的计算器
Giuseppe P. 开发了CalcFleet平台，提供121个可集成到博客文章或由AI代理访问的计算器。每个计算器都构建为一个单一、经过测试的纯函数，并带有Zod模式，使其能够作为免费网页、JSON REST API或AI代理的MCP工具运行。该系统确保AI模型不自行执行计算，而是将用户查询路由到相应的计算器，并有约2300个测试支持。
-
开发者分享验证层以防止LLM输出结构错误
一位开发者概述了一个强大的AI代理验证层，以防止由LLM输出结构幻觉引起的错误。该层解析原始模型输出，使用Zod根据定义的模式对其进行验证，并对结果进行分类，以确保下游代码能够安全处理。该方法通过检查语义有效性和处理自由文本响应，解决了原生结构化输出模式的局限性。
-
LLM 结构化输出：提供商在原生验证保证方面存在差异
开发人员在使用 LLM 生成的结构化输出（尤其是 JSON）时遇到挑战，因为模型不能始终遵循指定的格式。虽然 OpenAI 和 Groq 等一些提供商提供原生模式强制执行，但 Anthropic 等其他提供商则不然，这可能导致生产环境失败。一种稳健的方法不仅包括解析输出，还包括实施多层验证策略，该策略结合了提供商功能、模式约束和应用程序级别的业务规则检查，以确保可靠的数据流。
-
模型上下文协议 (MCP) 标准化 AI 工具集成
模型上下文协议 (MCP) 是 Anthropic 在 2024 年末推出的一项开放标准，它使 AI 模型能够以标准化的方式连接到外部工具和数据源。MCP 服务器充当桥梁，将数据库搜索或 API 调用等功能暴露给任何兼容 MCP 的 AI 客户端，从而无需为每个模型进行定制化集成。该协议简化了工具发现、调用和资源管理，使 AI 代理能够更有效地与外部系统进行交互。
-
AI编码代理受益于项目特定规则文件，如CLAUDE.md
本指南解释了如何使用规则文件（特别是CLAUDE.md）来提高使用AI代理进行编码时的一致性并遵守项目特定约定。通过在规则文件中定义项目结构、组件指南、类型验证和测试策略，开发人员可以确保AI代理生成的代码符合React、TypeScript和Vite项目标准。本指南强调了规则创建的迭代方法，从基本定义开始，并根据AI的输出来进行完善，同时建议使用AI来起草初始规则文件。
-
开发者在开源软件中发现可重复的 Bug 修复策略
一位开发者识别出了一种在开源软件中查找和修复 Bug 的可重复策略，他们称之为“同胞遗留”。该方法包括查找最近合并的拉取请求，然后搜索未包含在原始修复中的对称代码分支或组件。通过识别这些“遗留的同胞”，开发者可以提出更有可能被合并的修复建议，因为维护者已经事先批准了 Bug 的存在并认可了修复模式。据报道，这种方法使该开发者的贡献获得了很高的合并率。
-
LLM API 在一致的结构化 JSON 输出方面遇到困难
由于输出格式不一致，开发人员在尝试从各种大型语言模型 (LLM) 中提取结构化 JSON 数据时遇到了挑战。虽然可以提示 LLM 返回 JSON，但它们通常无法严格遵守所请求的模式，从而导致解析错误。解决方案包括使用 JSON 模式、函数/工具调用或模式约束输出等特定模式，这些模式强制执行语法上有效的 JSON。然而，即使使用这些方法，模型仍可能产生不正确的值，这需要验证步骤和重试机制，以确保为应用程序和代理提供可靠的数据提取。
-
MCP Inspector vs. Postman：基于浏览器的验证器提供更快的模式检查
MCP Inspector 和 Postman 是用于测试 Model Context Protocol (MCP) 工具的工具，但一个定制构建的验证器提供了一种更快速、基于浏览器的替代方案来进行模式检查。作者遇到了一个错误，其中一个代理由于广告的 JSON 模式字段 (`currency_from`) 和处理程序预期的字段 (`from_currency`) 之间的不匹配而忽略了货币转换工具。虽然 MCP Inspector 可以调…
-
开发者审计 TypeScript 代理管道以应对 OWASP LLM Top 10 风险
一位开发者审计了他们的 TypeScript 代理管道以应对 OWASP LLM Top 10 风险，发现了提示注入和不安全输出处理方面存在的重大漏洞。审计显示，外部工具的输出在未经适当清理的情况下直接注入到模型的上下文中，从而存在覆盖系统提示的风险。为解决此问题，开发者对传入数据实施了使用 Zod 的结构化验证，并在模型输出到达 UI 之前对其进行了显式清理，从而缓解了潜在的跨站脚本 (XSS) 问题。
-
模型上下文协议 (MCP) 面临治理差距，但企业采用率不断增长
一篇新论文和几篇文章讨论了模型上下文协议 (MCP)，这是一个用于 Agent 互操作性的开放标准。虽然 MCP 使 AI Agent 能够发现和利用工具及数据，但最近的一项分析强调了其当前规范中的重大差距，特别是在投票和异议保留等治理功能方面，这表明需要一个用于受治理 Agent 社区的新架构层。同时，实际应用正在涌现，n8n 等工具能够将工作流公开为 MCP 兼容的 Agent 工具，并且平台正在集成 MCP 以实现自动化交易和安…
-
AI 代理通过模型上下文协议连接到外部服务
像 Claude Code 和 Cursor 这样的 AI 代理可以通过模型上下文协议 (MCP) 与外部服务进行交互。一种方法是使用代理网关（如 PolicyLayer）将这些代理安全地连接到上游 MCP 服务器（如 Stripe 或 GitHub），通过在协议级别检查和过滤工具调用来防止提示注入风险。或者，开发人员可以构建自定义 MCP 服务器，例如为 Confluence 构建一个服务器，该服务器公开 Claude Code 可…
-
前端工程师构建自定义 Jira MCP 服务器以集成 AI
一位中级前端工程师使用 TypeScript 构建了一个自定义 Jira MCP 服务器，将 AI 功能集成到项目管理工作流中。该服务器充当 Claude 等 AI 客户端的工具执行后端，能够执行搜索、创建和更新 Jira 工单等操作，而无需服务器本身包含 AI 逻辑。该项目强调了模型上下文协议 (MCP) 在创建可重用 AI 工具方面的实际应用，并为前端开发人员提供了将其技能扩展到 AI 集成的途径。
-
开发者使用 Next.js 和 MCP 使网站可被代理读取
一位开发者详细介绍了如何通过使用 Next.js 实现 MCP 服务器和 NLWeb /ask 端点来使个人网站可被代理读取。该方法涉及为 AI 代理设置特定的 API 路由，确保它们在不带可能干扰代理请求的区域前缀的情况下可访问。这是通过在国际化中间件处理它们之前重写代理特定的路径来实现的。此外，还创建了一个无依赖的 MCP 服务器来处理工具发现和执行，避免与现有项目依赖项发生冲突。
-
React LLM JSON 解析指南可防止前端崩溃
本文解释了如何防止 React 前端在大型语言模型流式传输格式错误的 JSON 时崩溃。它使用 Next.js 演示提供了一个实用指南，将标准的 JSON.parse() 方法与部分 JSON 方法结合 Zod 进行了比较，以实现实时 AI 仪表板。
-
MCP 服务器中的 Bug 因空模式（schema）而悄悄破坏写入操作
Model Context Protocol (MCP) 服务器中的一个细微 Bug 可能导致某些客户端中的写入操作悄悄失败。当工具的主体在 Zod 中使用 `unknown()` 模式定义时，会出现此问题，这会编译成一个空的 JSON 模式。一些 MCP 客户端随后会完全删除此字段，导致发送到 API 的载荷为空，并引发后续错误。修复方法是提供一个更具体的模式，例如 `z.record()` 或 `z.string()`，以确保主体被传输。
-
Vercel AI SDK简化了与OpenAI的LLM集成
Vercel AI SDK通过提供统一的接口来简化与各种LLM API的集成。本文演示了如何使用该SDK与OpenAI的模型进行集成，包括设置提供商、处理基本文本生成以及利用系统提示来控制输出。它还涵盖了流式响应、使用Zod模式生成结构化JSON输出以及将Markdown转换为安全HTML等高级功能。
-
开发者构建并使用 MCP 服务器将 AI 连接到数据和工具
一位开发者构建了三个不同的模型上下文协议 (MCP) 服务器，以向 AI 助手公开不同的数据源和 API。一个服务器提供对预订应用程序数据库的只读访问，另一个使用外部 API 审计网站性能和 SEO，第三个则监控跨 DevOps 平台的部署状态。该开发者发现 Web 审计服务器在识别和修复其自身作品集和 SaaS 网站上的问题（例如过长的 meta 描述和缺失的 Open Graph 标签）方面特别有用。另一位开发者强调了他们每天使用…
-
入门指南解释AI代理的模型上下文协议
本文提供了模型上下文协议（MCP）的入门指南，MCP是连接AI应用程序的开源标准。MCP定义了向AI模型输入上下文的规则，使代理能够理解应用程序数据和架构。该协议基于三个基本要素：资源（数据持有者）、工具（可执行函数）和提示（预定义指令）。该指南还详细介绍了如何使用TypeScript构建MCP服务器，强调了使用Zod等库进行运行时验证的必要性，以处理LLM生成的输入，并解释了如何定义工具元数据（如readOnlyHint和destr…