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 15 个，覆盖 AI 编程 Agent 配置、上下文压缩与成本控制、科研/写作/交易技能及数据采集，每个说明场景、问题与官方地址。其共同点是把 AI 从“会答题”推向“能干活”：Skills 封装能力，MCP 连接工具，压缩与规范控制质量。但工具只降低重复劳动和门槛，判断力、合规性与最终把关仍靠人；选工具前先明确要解决的具体事项。
AiToEarn 是一款面向 OPC（一人公司）、创作者与企业的 AI 内容营智能体，旨在通过 AI Agent 自动化实现内容变现。平台支持抖音、小红书、TikTok、YouTube、Instagram、X 等全球 14 个主流渠道，提供四大核心能力：Monetize（按 CPS、CPE、CPM 模式结算赚钱）、Publish（一键多平台分发与日历排期）、Engage（自动互动、AI 评论回复与品牌监测）、Create（视频/图文自动生成与批量产出）。用户可通过网站直用、OpenClaw 插件、Claude/Cursor 等 MCP 工具、Docker 私有化部署或源码开发五种方式使用，并支持获取 API Key 统一配置。项目持续更新，已上线内容交易市场及线下商户推广方案，覆盖内容创作到变现全链路。
该文系统梳理AI领域核心术语的演进逻辑，指出这些概念并非凭空创造的黑话，而是为解决每一阶段工程痛点层层叠加的解决方案。内容按四层递进展开：基础交互层讲解LLM与Token的数学原理及Prompt工程方法论；记忆数据层介绍Context与Memory的上下文管理机制，以及RAG技术打通私有资料库、终结模型幻觉的效用；行动接口层说明Function Calling实现外部工具调用，MCP协议统一接口标准；自主工程化层阐述Agent融合感知、规划与工具调用的闭环系统，Skill作为可复用专家工作流，Harness构建防失控安全边界。最终揭示AI发展路径：从单纯陪聊进化为可独立执行复杂任务的自动化系统。
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。
本文介绍了让云端小智AI安全读取极空间本地txt资料的三文件MCP服务链路：knowledge_server.py为核心工具库，基于FastMCP框架暴露search_local_knowledge工具，遍历读取/data目录的txt文件；mcp_pipe.py作为通信桥梁，通过WebSocket连接小智并转换stdio协议；start.sh负责启动时自动安装FastMCP等依赖并组合运行服务。文档还对比了MCP Server与普通接口的核心差异：调用方是AI模型而非硬编码程序，具备运行时动态能力发现机制，支持tools/resources/prompts三类标准化抽象，结果直接注入模型上下文而非程序，采用长连接双向通信，一次接入即可多端复用。此外，文中通过JSON-RPC 2.0协议示例和FastMCP代码演示了能力发现与工具注册的实现方式。
本文记录了基于ESP32-S3与极空间NAS打造全能型AI伴学机器人的完整实战过程，覆盖硬件组装、4G通信和私有知识库三大阶段的踩坑与解决。硬件上，使用微雪ESP32-S3-A7670E-4G开发板，外接MAX98357A功放与喇叭，通过I2S接口连接，其中SD引脚必须悬空，接线端子需确保铜芯接触。4G模块需“借壳”刷入ML307固件，采用“记忆偷渡法”保留Wi-Fi配置后填入APN、TX/RX及电源脚参数。私有知识库方面，因官方RAG不适合结构化查询，在极空间Docker部署FastMCP服务，使用python:3.10-slim镜像避免Alpine编译问题，最终实现本地txt文件热更新。文章提供了明确的采购清单与四步实操指南，读者可避开相同陷阱，快速完成搭建。
