HuggingFace-papers-feedet bevæger sig hurtigt, og gemte links hober sig op i en mappe, ingen nogensinde får sorteret. Denne tracker læser hvert nyt paper, i det øjeblik det lander, og arkiverer det i en ordentlig, søgbar struktur.
HuggingFace-papers-feedet bevæger sig hurtigt, og gemte links hober sig op i en mappe, ingen nogensinde får sorteret. Denne tracker læser hvert nyt paper, i det øjeblik det lander, og arkiverer det i en ordentlig, søgbar struktur.
Den placerer hvert punkt under dine emner, trækker modelnavne, datasæt og kodelinks ud og tilføjer en pæn række i din vidensbase. Måneder senere kan du svare på, hvad der udkom om retrieval i marts, uden at genlæse så meget som én linje.
Sådan kører den
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Klassificer hvert papir i din emnetaksonomi, f.eks. retrieval, agents eller vision.
pending
Tag papirer med modelnavne, datasæt og kodelinks udtrukket fra abstraktet.
pending
Tilføj hver post til en Notion- eller Postgres-vidensbase under dens kategori.
pending
Eksempel på output
json
// Sample output
// (generated when the pipeline finishes)
Classify each HuggingFace paper into the provided taxonomy and return {category, subtopics[], models[], has_code} as JSON.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.