Simon Willison demonstrates an experiment for running Python ASGI apps entirely in the browser using Pyodide and a Service Worker. The approach addresses a Datasette Lite limitation: HTML returned through intercepted navigation did not execute script tags, breaking features and plugins. Claude Opus 4.8, used through Claude Code for web, helped explore the implementation. Basic ASGI and Datasette 1.0a31 demos are available.
Simon Willison revisited pydantic-monty, a sandboxed subset of Python implemented in Rust. He asked Claude Code to inspect the most recent release, following his earlier exploration a few months ago. The key finding is that limits for execution duration, memory, allocations, and recursion depth all appear to behave as advertised.
Hugging Face 發表「Modular Diffusers」,旨在解決過去 Diffusers 管線過於單一、難以客製化的痛點。新架構將擴散模型(如 Stable Diffusion、Flux 等)的各個步驟與組件拆解為獨立、可重複使用的模組。開發者現在可以像堆積木一樣,輕鬆混合搭配不同的編碼器、去噪網路與排程器,極大地簡化了自定義圖像與視訊生成工作流的開發難度。
Vercel 宣布將 Python Vercel Functions 的打包大小(Bundle Size)限制提高至 500MB。這項更新解決了過去 Python 開發者在部署大型依賴庫(如 NumPy、Pandas 或輕量 AI 模型)時常遇到的容量限制痛點。現在開發者可以更輕鬆地在 Vercel 上構建與部署功能豐富的 Python 後端與 AI 應用,無需再為套件體積過大而煩惱。
Vercel 宣布正式投資 Python 生態系,除了成為 Python 軟體基金會(PSF)的贊助商外,也全面升級了平台上的 Python 支援。本次更新包含支援 Python 3.12、優化 Serverless Functions 的冷啟動速度,並提供 Next.js 與 FastAPI 等 Python 框架更無縫的 monorepo 整合,旨在降低開發者構建 AI 應用的門檻。
Hugging Face 探討了將「結構化約束(Structure)」引入 Code Agent 的全新設計範式。傳統 Code Agent 透過撰寫 Python 程式碼來執行任務,雖具備極高的靈活性,但自由度過高也容易帶來語法錯誤與安全隱憂。新方法透過結合 Pydantic 驗證、結構化解碼與型別限制,讓 Agent 在保有程式碼強大表達力的同時,確保輸出與行為的預測性與安全性,大幅提升複雜任務的執行成功率。
Hugging Face 推出全新教學,教導開發者如何使用約 70 行 Python 程式碼構建一個由 MCP(模型上下文協定)驅動的微型 Agent。此方法擺脫了傳統繁重框架的束縛,直接展示了 Agent 的核心運作邏輯。透過 MCP,這個微型 Agent 能輕鬆連接並調用外部工具與資料源,極大地降低了開發與理解 AI Agent 的門檻。
Hugging Face 官方發布教學,介紹如何將 Gradio 應用程式轉換為 Model Context Protocol (MCP) 伺服器。開發者只需撰寫簡單的 Python 程式碼,即可將現有的 Gradio 介面與 ML 模型封裝成 MCP 工具。這讓 Claude Desktop 或 Cursor 等客戶端能直接調用這些工具,極大地簡化了 AI Agent 與自訂模型的整合。
Hugging Face 發表最新教學,展示如何利用 Model Context Protocol (MCP) 協定,在僅 50 行程式碼內構建出功能完整的 AI Agent。透過 MCP,這個輕量級 Agent 可以直接連接並使用現有的各種 MCP 工具伺服器(如搜尋、資料庫等),無需繁瑣的 API 對接。這項技術大幅降低了開發 Agent 的門檻,並展現了開源標準在 AI 生態系中的強大潛力。
Hugging Face 官方部落格解析了 Gradio 脫穎而出的 17 個關鍵原因。Gradio 不僅能用 Python 快速構建機器學習介面,更具備自動生成 API、內建 ChatInterface、支援 WebRTC 即時串流、以及透過 Gradio-lite 在瀏覽器端免伺服器運行的能力。這使其超越了傳統的 UI 框架,成為 AI 開發者將模型轉化為實用產品的強大橋樑。
Hugging Face 發表全新開源庫 FastRTC,旨在簡化 Python 中的 WebRTC 即時音視訊串流開發。它解決了傳統 WebRTC 繁瑣的連線與協定處理,並與 Gradio 及 FastAPI 深度整合。開發者現在能以極低門檻,快速打造出類似 GPT-4o 或 Gemini Live 的即時語音對話機器人與視訊互動應用。
Hugging Face 旗下的輕量級 Agent 開源庫 smolagents 迎來重大更新,正式支援視覺語言模型(VLM)。開發者現在可以讓 Agent 接收並處理影像輸入,適用於網頁視覺導航、圖表分析及多模態任務。此更新大幅擴展了程式碼 Agent(Code Agent)的應用場景,使其能「看見」並理解真實世界的視覺資訊。
Hugging Face 發表輕量級 AI Agent 框架「smolagents」,核心概念為「Code Agents」。與傳統輸出 JSON 的 Agent 不同,它讓 LLM 直接生成 Python 程式碼來執行複雜任務,大幅提升表達力與靈活性。該框架程式碼極簡(約千行),並內置安全的 Python 執行沙箱,支援多種主流 LLM 供應商。
JetBrains PyCharm 與 Hugging Face 展開合作,在最新版本中提供原生整合。開發者現在無需離開編輯器,即可直接瀏覽 Hugging Face Hub 上的數十萬個開源模型與資料集。此整合還支援程式碼自動補全、模型卡片預覽以及快速生成載入程式碼,大幅提升 AI 與機器學習的開發效率。
Outlines 團隊與 Hugging Face 合作發布了 outlines-core 0.1.0,將結構化生成的核心邏輯(如 FSM 與 Token 遮罩)用 Rust 重寫。這項更新不僅大幅降低了引導生成時的 CPU 開銷與延遲,也讓 Rust 開發者能直接在 Rust 生態系中實現精準的 JSON 或正規表示式輸出控制,同時保持對 Python 的完美支援。
傳統的 HumanEval 程式碼評測基準已逐漸飽和且過於簡單。Hugging Face 與研究團隊合作推出新一代基準 BigCodeBench,包含 1,140 個實用編程任務,涵蓋 139 個第三方 Python 函式庫。此基準旨在考驗 LLM 在複雜、多步驟及真實開發場景下的程式碼生成與指令遵循能力,成為評估 Code LLM 的新一代標準。
Hugging Face 推出 Transformers Agents 2.0,對其 Agent 框架進行了全面重構。新版本主打兩大核心 Agent:能直接撰寫並執行 Python 程式碼的 CodeAgent,以及基於 ReAct 思考循環的 ReactAgent。此版本大幅簡化了工具(Tools)的自訂與分享機制,並支援多種開源與商業 LLM,為開發者提供更靈活、強大的 Agent 開發體驗。
Hugging Face 介紹了 Gradio 的「Reload 模式」(熱重載)。開發者只需使用 `gradio app.py` 指令啟動服務,之後修改任何 UI 佈局或 Python 代碼並儲存,瀏覽器便會自動刷新呈現最新效果。這免去了過去頻繁手動重啟 Python 伺服器的繁瑣步驟,讓 AI 應用的原型設計與迭代變得無比流暢。
Hugging Face 發表 Gradio-Lite,這是一項基於 Pyodide (WASM) 的新技術,允許開發者直接在瀏覽器中運行 Gradio 應用,無需配置 Python 後端伺服器。這不僅能大幅降低託管成本,還能確保使用者數據完全留在本地,提升隱私安全性。雖然有初始載入時間較長與庫支援限制,但非常適合輕量級應用與靜態網頁部署。
Hugging Face 宣布在其 Spaces 平台中正式整合 Panel 框架。Panel 是由 HoloViz 開發的強大 Python 庫,專為建立複雜的資料面板與 Web 應用而設計。此整合讓開發者能利用 Panel 的豐富組件與雙向綁定功能,在 Hugging Face 上快速部署、分享並展示他們的 AI 與機器學習模型,為 Gradio 和 Streamlit 之外提供了更具彈性的新選擇。
Replicate 介紹了如何透過其 API 運行文字生成圖片模型。讀者將學習到如何使用 Python 客戶端,只需幾行程式碼即可呼叫雲端託管的 AI 模型,並輸入提示詞(Prompt)來生成影像。這為開發者提供了一個無需本地高階 GPU 即可快速整合圖像生成功能的途徑。
本文為 Hugging Face 深度強化學習系列教程中 Q-Learning 的後半部分。內容專注於 Q-Learning 演算法的具體執行步驟,詳細解析 Epsilon-Greedy 策略如何平衡「探索與利用」,並引導讀者使用 Python 與 Gymnasium 庫在 FrozenLake 等經典環境中從零實作 Q-Table,最後將訓練好的 Agent 上傳至 Hugging Face Hub。
本文介紹如何利用 Hugging Face 的 `transformers` 庫在 Python 中進行情緒分析。內容涵蓋使用 `pipeline` 進行快速推理、從 Hugging Face Hub 選擇特定領域的預訓練模型(如 RoBERTa 或 FinBERT),以及如何使用自定義數據集微調模型,是 NLP 初學者的必讀指南。