HuggingFace papers-feeden går fort, og lagrede lenker hoper seg opp til en mappe ingen noensinne rydder i. Denne trackeren leser hver nye artikkel i det den lander og arkiverer den i en ekte, søkbar struktur.
HuggingFace papers-feeden går fort, og lagrede lenker hoper seg opp til en mappe ingen noensinne rydder i. Denne trackeren leser hver nye artikkel i det den lander og arkiverer den i en ekte, søkbar struktur.
Den klassifiserer hver oppføring inn i temaene dine, henter ut modellnavn, datasett og kodelenker, og legger til en ryddig rad i kunnskapsbasen din. Måneder senere kan du svare på hva som kom ut om retrieval i mars uten å lese om en eneste ting.
Slik kjører 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.
Klassifiser hver artikkel inn i temataksonomien din, som retrieval, agenter eller vision.
pending
Merk artikler med modellnavn, datasett og kodelenker hentet ut fra abstractet.
pending
Legg hver oppføring til en kunnskapsbase i Notion eller Postgres under sin 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.