微软开源的 MarkItDown 能把 PDF、Office、图片、音视频、网页、电子书和压缩包等转成干净 Markdown，保留标题、表格、列表等结构。文章指出，直接把 PDF 喂给 AI 会虚耗数千 token 并丢失结构，而它定位为面向 LLM 优化的文档转换。它支持命令行、Python API 和 MCP Server，可用于 RAG 入库预处理、会议录音转纪要和批量归档。GitHub 星标已超 10 万，2026 年 4 月单周增星 8200+ 登顶 Trending。复杂表格仍需人工抽查，音频转写依赖本地组件，正式场合慎用；项目 MIT 协议可商用。核心建议是让所有资料都以 Markdown 存一份，先做存量转换，再让增量自动走这条链路。
这份清单重新梳理 AI 工具笔记，回溯原始开源仓库，只保留能嵌入 AI 工作流、解决具体问题的工具，剔除观点文、教程、新闻、模型和提示词合集。共收录 15 个，覆盖 AI 编程 Agent 配置、上下文体量与成本控制、科研/文档/交易等垂直场景，以及数据采集；每项说明使用场景、解决的问题和官方地址。其核心结论是：这些工具共同把 AI 从“会答题”推向“能干活”，以 Skills 封装能力、MCP 连接工具、压缩与规范控制质量；但它们只降低重复劳动和上手门槛，判断力、合规与最终把关仍需人承担。
Aitoearn：OPC（一人公司）的AI内容营智能体
AI领域核心术语并非凭空捏造的黑话，而是围绕解决工程痛点层层叠加演化的方案。文章以四层递进逻辑拆解概念链条：基础交互层中，LLM通过Token概率预测实现对话，Prompt Engineering将模糊提问转为结构化指令；记忆与数据层里，Context打包对话历史，Memory压缩长程信息，RAG打通私有资料库终结幻觉；行动与接口层中，Function Calling赋予模型调用外部工具能力，MCP统一工具协议标准；自主工程化层上，Agent集成感知、规划、记忆与工具调用形成自主闭环，Skill是可复用程序化技能，Harness则通过边界约束、上下文供给与自动化验收防范失控风险。核心结论：这些术语对应从“陪聊”到“独立干活”的演进阶梯，理解其连带关系有助于抓住AI技术发展脉络。
MCP（模型上下文协议）是Anthropic推出的标准化协议，通过为外部工具“套一层壳”统一Client与Server通信，解决大模型调用外部工具生态割裂问题。相比传统Function Calling需手写复杂API Schema、维护成本高且存在安全隐患，MCP借助官方SDK极大简化开发。其三层架构包括MCP Host/Client（如Claude桌面端、Cline插件）与MCP Server，通信基于JSON-RPC 2.0，支持stdio（本地场景）和HTTP+SSE（分布式场景）两种方式。值得注意的是，MCP规范仅约束Client与Server间通信，Client与大模型的对接灵活——实测Cline将工具说明以系统提示词拼接，单次消耗6万多字符，虽泛化性好、适配任意模型，但Token成本高。技术演进历经Prompt约定、Function Calling至MCP协议时代，走向即插即用的统一工具生态。
本次会话围绕WorkBuddy扩展体系（Skills、插件、连接器、MCP、专家）展开，共提出16个理解型问题，无业务交付需求。提问呈四阶段演进：概念入门、运行机制、生态关系、创建与定位。核心结论包括：Skill为文件夹结构，含SKILL.md及可选scripts等，代码是可选加速器；MCP为JSON-RPC协议，启用才加载，其代价是上下文挤占；连接器是MCP服务器加OAuth及配套技能的打包；插件需版本目录与清单，专家是带agents角色定义的插件；技能独立可复用，专家壳可套任意技能组合。命名上“专家”是用户层词汇，“插件”是技术层词汇。三者定位：专家为身份层，技能为方法层，连接器为能力层。用户提问特点为先理解后动手、以自建模型求证、要求机制性解释。
本文介绍了在极空间NAS上配置小智AI的MCP（模型上下文协议）服务链路，由三个文件协同工作：`knowledge_server.py`作为核心工具库，基于FastMCP框架暴露`search_local_knowledge`工具，遍历读取容器内`/data`目录的全部txt文件并打包为提示词；`mcp_pipe.py`作为网络通信桥梁，通过WebSocket连接小智服务器并转发指令；`start.sh`负责容器启动时自动安装依赖并组合运行。文中还阐述了MCP Server与普通REST接口的本质差异：前者面向AI模型动态发现与自主调用，后者面向代码硬编码调用；MCP支持tools、resources、prompts三类标准化抽象，基于JSON-RPC 2.0实现运行时能力自描述，结果直接注入模型上下文，且支持长连接双向通信，一次接入即可多端复用。
本文实录基于微雪ESP32-S3-A7670E开发板打造AI伴学机器人的全过程，分硬件组装、4G联网、私有知识库部署三阶段，复盘串口乱码、功放静音、4G固件死循环、Docker编译失败等踩坑与解法。硬件采用MAX98357A功放，以“偷渡”刷机法激活联通4G；在极空间NAS用Docker部署FastMCP服务，桥接小智平台与DeepSeek V3，实现药材清单的本地检索与热更新。该架构支持户外直连与私有数据，具商业化与ToB落地雏形。
