手把手教程利用gemini-cli操控你的浏览器！附实用场景总结L站帖子
LINUX DO - 热门话题 (RSS)

应佬友 @Darthvader 邀请，分享一下可以通过大模型操控自己的浏览器的开源MCP项目，跟着我一步步操作吧！我个人常用场景是总结L站的帖子，试图快速理清佬友们讨论的重点hh。

一、安装mcp-chrome

github.com

GitHub - hangwin/mcp-chrome: Chrome MCP Server is a Chrome extension-based...

Chrome MCP Server is a Chrome extension-based Model Context Protocol (MCP) server that exposes your Chrome browser functionality to AI assistants like Claude, enabling complex browser automation, content analysis, and semantic search.

1、全局安装mcp-chrome-bridge...

View original post

deck：用 Markdown 高效驱动 Google Slides 幻灯片制作的利器
• 基于“内容与设计分离”理念，Markdown 负责内容创作，Google Slides 专注视觉呈现
• 支持持续迭代构建，实时同步修改，配合 --watch 参数实现边写边看，显著提升制作效率
• 完整支持 Google Slides API 与 Drive API，兼容个人与共享云盘，管理演示文稿更灵活
• YAML Frontmatter 灵活配置演示ID、标题、换行、代码块转图片命令等，满足多样化定制需求
• 自动识别 Markdown 结构，智能匹配幻灯片布局（标题、副标题、正文占位符），减少重复操作
• 支持 GitHub Flavored Markdown 语法，包括表格、粗体、斜体、代码、引用及内嵌 HTML 标签
• 代码块可通过自定义命令转为图片，方便展示复杂代码或图表（如 Mermaid、文本转图等）
• 页配置可嵌入 JSON 注释，实现布局、跳过、冻结、忽略等细粒度控制，提升演示灵活性
• 多账号/环境支持，profile 模式下管理多个身份，适应不同项目或组织需求
• 结合 AI agent 协作，可实现更高效的 Markdown 格式幻灯片创作，推动内容与设计的深度融合

deck 让幻灯片制作回归内容本质，兼顾灵活定制与自动化，适合研发、教学、产品等多场景的专业演示需求。

构建智能AI代理的新范式：基于MCP与OpenAI gpt-oss的实用指南

• 使用MCP打造标准化工具接口，简化AI代理与外部工具的交互，提升代理能力与扩展性。
• 结合OpenAI最新gpt-oss-120B大模型，作为强大LLM骨干，实现更精准且多功能的智能响应。
• Hugging Face轻量级客户端支持TypeScript（@huggingface/tiny-agents）和Python（huggingface_hub[mcp]），入门简便，跨语言体验无缝衔接。
• 本地浏览器代理示例：通过Playwright MCP服务器，代理可自主浏览互联网，进行信息检索与任务执行，具备实战应用价值。
• 灵活定义agent.json配置，支持自定义模型、工具、输入参数及系统提示，确保代理行为可控且高效。
• 轻松接入Hugging Face MCP服务器，访问数千AI空间，实现代理与多样AI服务的深度融合。
• 运行方式统一，Python与JavaScript客户端均支持“一行命令”快速启动，适合开发测试与生产部署。
• 设计理念强调代理需深度规划调用逻辑，反思执行结果，避免盲目调用与猜测，确保解决方案的准确性与完整性。

这套方案不仅降低了构建复杂AI代理的门槛，也为长期构建智能、多工具协同的AI系统奠定了基础。未来AI代理将不再孤立，而是通过MCP无缝连接多样能力，真正实现智能助理的多场景落地。

掌握LLM高效提示的10大技巧，远超常规用法，彻底提升生成结果质量：

1. 初级阶段——建立清晰指令与示范基础
• 零样本提示（Zero-Shot）：直接给出明确、具体的任务指令，避免模糊开放式提问。
例：“请用三条要点总结这篇文章。”优于“你怎么看这篇文章？”
• 少样本提示（Few-Shot）：通过示范示例教模型如何回答，利用模型模式匹配本质强化理解。
例如：给出几个问答对，最后引导模型完成未给出的题目。

2. 中级阶段——引导模型逐步推理与验证
• 思维链（Chain-of-Thought，CoT）：提示模型“逐步思考”，让它在回答前展开推理过程，有效提升复杂问题的准确率。
• 自动思维链（Auto-CoT）：省去手动示范，模型自主生成推理示例，实现高效且可扩展的逻辑展开。
• 自洽性（Self-Consistency）：同一问题多次询问，汇总最常出现答案，利用多样输出中的共识提升结果稳定性。

3. 高级阶段——多路径探索与自我迭代优化
• 思维树（Tree-of-Thoughts，ToT）：模型不局限于单一路径，而是像决策树一样生成多条思路，测试并选择最佳方案，用于解谜、策略和复杂推理。
• 思维图（Graph-of-Thoughts，GoT）：模拟人类非线性思维，支持思路组合、回溯与融合，极大增强创造力和复杂规划能力。
• 自我优化（Self-Refine）：引导模型先写作，再进行自我批评，最后基于反馈改写，提高文本逻辑、语气和表达清晰度。

4. 专家级技巧——程序化与严谨逻辑推理
• 代码链（Chain-of-Code，CoC）：利用伪代码或实际代码逻辑强制模型结构化思考，减少废话，提升精确度，尤其适合算法及工程类任务。
• 逻辑链（Logic-of-Thought，LoT）：引入形式逻辑规则（如“若A则B，A成立，故B成立”），强化模型在法律、伦理、科学等领域的严密推理能力。

5. 附加提升策略
• 减少幻觉（Hallucination）：结合检索增强生成（RAG）、ReAct（推理+行动）、链式验证等技术，促使模型校验自身输出，降低虚假信息风险。
• 情绪智能调节：通过具体语气提示塑造输出风格，如“用平静语气解释”、“像对10岁儿童讲解”，提示语气直接影响生成文本的情感色彩和接受度。

@jowettbrendan | #技巧 #经验