MCP插件使用（browser-tools-mcp为例）

Ne0inhk

— 2 min read
MCP插件使用（browser-tools-mcp为例）

1. 环境配置（Brower Tools为例）

python 安装 nodejs 安装 mkdir C:\Users\Suoxd\Documents\Cline\MCP\browser-tools-mcp git clone https://github.com/AgentDeskAI/browser-tools-mcp.git "C:\Users\Suoxd\Documents\Cline\MCP\browser-tools-mcp"

2. MCP服务安装启动

cd C:\Users\Suoxd\Documents\Cline\MCP\browser-tools-mcp npminstall @agentdeskai/[email protected] npx @agentdeskai/[email protected] npx @agentdeskai/[email protected]

参考https://browsertools.agentdesk.ai/installation

在这里插入图片描述


在这里插入图片描述


在这里插入图片描述
在这里插入图片描述


在这里插入图片描述
在这里插入图片描述

3. 浏览器插件配置

https://github.com/AgentDeskAI/browser-tools-mcp/releases/download/v1.2.0/BrowserTools-1.2.0-extension.zip
在这里插入图片描述

4. Cline 服务配置

"browser-tools-mcp":{"command":"node","args":["d:/Suo/code/tmp-AI/browser-tools-mcp/browser-tools-mcp/dist/mcp-server.js"],"disabled":false,"autoApprove":[]}

5. 最终效果

浏览器端调试工具增加了插件页面

在这里插入图片描述


在这里插入图片描述
在这里插入图片描述

Read more

前端保持和服务器时间同步的方法【使用vue3举例】

你只管努力！剩下的交给时间！ 目录 * 引言： * 方法一： 轮询（定时请求服务器时间） * 优点： * 缺点： * 方法二：使用WebSocket * 优点： * 缺点： * 方法三：时间戳校正 * 优点： * 缺点： * 方法四： 使用NTP（网络时间协议） * 优点： * 缺点： * 方法五：使用SSE（Server-Sent Events） * 优点： * 缺点： * 总结： 引言： 保持前端与服务器时间同步是一个常见的需求，特别是在需要确保时间一致性的应用中，比如在线投票、实时聊天或游戏等。以下是一些方法来实现这一目标： 方法一： 轮询（定时请求服务器时间） 可以定时向服务器发送请求获取当前时间，以此来更新前端的时间显示。 <template><div><h1>当前时间:

By Ne0inhk
前端异常捕获与统一格式化：从 console.log(error) 到服务端上报

前端异常捕获与统一格式化：从 console.log(error) 到服务端上报

🧑 博主简介：ZEEKLOG博客专家，「历代文学网」（公益文学网，PC端可以访问：https://lidaiwenxue.com/#/?__c=1000，移动端可关注公众号 “ 心海云图 ” 微信小程序搜索“历代文学”）总架构师，首席架构师，也是联合创始人！16年工作经验，精通Java编程，高并发设计，分布式系统架构设计，Springboot和微服务，熟悉Linux，ESXI虚拟化以及云原生Docker和K8s，热衷于探索科技的边界，并将理论知识转化为实际应用。保持对新技术的好奇心，乐于分享所学，希望通过我的实践经历和见解，启发他人的创新思维。在这里，我希望能与志同道合的朋友交流探讨，共同进步，一起在技术的世界里不断学习成长。 🤝商务合作：请搜索或扫码关注微信公众号 “ 心海云图 ” 前端异常捕获与统一格式化：从 console.log(error) 到服务端上报 引言 在前端开发中，异常监控是保证应用稳定性的重要一环。当用户遇到页面白屏、功能不可用等问题时，如果能及时收集到详细的错误信息（包括堆栈、

By Ne0inhk
【AI深究】逻辑回归（Logistic Regression）全网最详细全流程详解与案例（附大量Python代码演示）| 数学原理、案例流程、代码演示及结果解读 | 决策边界、正则化、优缺点及工程建议

【AI深究】逻辑回归（Logistic Regression）全网最详细全流程详解与案例（附大量Python代码演示）| 数学原理、案例流程、代码演示及结果解读 | 决策边界、正则化、优缺点及工程建议

大家好，我是爱酱。本篇将系统讲解——逻辑回归（Logistic Regression）的原理、公式、案例流程、代码实现和工程建议。内容详细分步，便于新手和进阶读者理解和实操。 注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！ 注：本文章颇长近5000字、以及大量Python代码、非常耗时制作，建议先收藏再慢慢观看。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！ 一、逻辑回归简介 逻辑回归是一种经典的线性分类算法，本质上是用Sigmoid函数将线性回归的输出“压缩”到0~1之间，输出为概率，常用于二分类任务。 与KNN（K-近邻算法）不同，逻辑回归是判别式模型，直接建模输入特征与类别之间的概率关系，适合特征和类别呈线性可分或近似线性关系的数据。 注：爱酱也有文章介绍了分类以及其他五大任务的技巧，有兴趣的也可以参考一下哦～ 分类任务文章传送门： 【算法解析1/5】分类任务深度拆解：

By Ne0inhk
用AI给老照片上色：算法对比与调参技巧

用AI给老照片上色：算法对比与调参技巧

用AI给老照片上色：算法对比与调参技巧 * 一、前言 * 二、传统上色算法与局限性 * 2.1 基于直方图匹配的上色算法 * 2.2 基于特征匹配的上色算法 * 三、基于深度学习的上色算法 * 3.1 基于 CNN 的端到端上色算法 * 3.2 基于 GAN 的上色算法 * 3.3 基于Transformer的上色算法 * 四、实用调参技巧 * 4.1 数据预处理调参 * 4.1.1 图像分辨率调整 * 5.1.2 降噪与增强参数 * 5.2 模型结构调参 * 5.2.1 CNN 模型调参 * 5.2.

By Ne0inhk