Feed paper HuggingFace bergerak cepat, dan tautan yang disimpan menumpuk di folder yang tak pernah dirapikan siapa pun. Tracker ini membaca setiap paper baru begitu terbit dan menyusunnya ke dalam struktur yang benar-benar bisa dicari.
Feed paper HuggingFace bergerak cepat, dan tautan yang disimpan menumpuk di folder yang tak pernah dirapikan siapa pun. Tracker ini membaca setiap paper baru begitu terbit dan menyusunnya ke dalam struktur yang benar-benar bisa dicari.
Ia mengklasifikasikan setiap entri ke dalam topik Anda, mengekstrak nama model, dataset, dan tautan kode, lalu menambahkan baris rapi ke basis pengetahuan Anda. Berbulan-bulan kemudian, Anda bisa menjawab apa saja yang rilis soal retrieval di bulan Maret tanpa membaca ulang apa pun.
Cara kerjanya
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.
Klasifikasikan setiap jurnal ke dalam taksonomi topik Anda, seperti retrieval, agen, atau visi.
pending
Tandai jurnal dengan nama model, dataset, dan tautan kode yang diekstrak dari abstrak.
pending
Tambahkan setiap entri ke basis pengetahuan Notion atau Postgres di bawah kategorinya.
pending
Contoh 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.