Перехоплення та аналіз веб-контенту з LLM в C# (Українська (Ukrainian))

Перехоплення та аналіз веб-контенту з LLM в C#

Friday, 19 December 2025

//

16 minute read

📌 Nota: Ця стаття навчає фундаментальних принципів видобутку веб-контенту за допомогою LLMs, використовуючи найпростіший спосіб. DocSummarizer Реліз GitHub - це реалізує архітектуру, яка показана тут, але виробництво - ступінь M SK2 вбудова БЕРТ МSK3 гібридні пошуки , Playwright для SPAs MSC5 захист від СМСР MST6 оцінені цитати МST7 і адекватне стеження за покрытием МСТ8

Коли ви запитуєте ChatGPT " прочитати цю статтю і підсумувати її ," що насправді відбувається МSK2 Якщо ви уявите, що штучний інтелект відкриває браузер і читає так, якби ви це робили,

ЛЛМ не переглядають веб-сторінки. Вони пояснюють фрагменти коду, який вибрали

Ця стаття показує, як це зробити в C# з Ольламою - без фреймворківM SK2 лише практичний код, який ви можете розв 'язати

TL;DR: Ваш код забирає МSK1 очищає \→ фрагменти МSK3 вибирає . LLM бачить лише фрагменти, які ви вводите мSK5 Вибір є згубним з точки зору дизайну M- що МСК7 відповідає як за обмеження, так і за архітектуру

Те, що робить це дієвим

Ось така думка, яка змінює те, як ви будуєте ці системи.

Вибір - це рішення про продукт.

LLM є зворотнім потоком вашого вибору. Він не може відновити інформацію, яку ви не бачили ' не показувати її MSC2 Коли агент M SK3 не в змозі знайти відповідь ," проблема майже ніколи не є моделью M SK5 це MSL6 ваша логіка вибору вибрала неправильні шматочки МSK7 МSK8 Це той самий принцип, що стоїть за чому я уникав таких рамок, як LangChain - вони відокремлюють логіку вибору, яку вам потрібно розв 'язати

Ось чому: "агент переглядає сайти " мовчазно не справляється . Агент впевнено відповідає, спираючись на те, що він бачив МSK3 Ви ніколи не знаєте, що пропустив правильний зміст

flowchart LR
    URL[Full Page] --> Select[Your Selection]
    Select --> LLM[LLM Sees This]
    LLM --> Answer[Answer]
    
    URL -.->|"50KB"| Select
    Select -.->|"2KB"| LLM
    
    Miss[Missed Content] -.->|"Never seen"| X[❌]
    
    style Select stroke:#e74c3c,stroke-width:3px
    style Miss stroke:#95a5a6,stroke-width:2px,stroke-dasharray: 5 5

Модель може пояснити тільки те, що ви їй дали.


Задачі дизайну перед кодом

Перед тим, як щось написати – це обмеження.

Обмеження МSK1 Чому це важливо МSK2
Немає рендеринга JS Тільки статичний HTML (Playwright для SPAsM SK2 МSK3
Обмежені символи Складний бюджет за запит МSK1К символів типичніM SK2 МSK3
Źródło-погані відповіді ЛЛМ не має галюцинувати знання про веб МSK1
Детерміністичне відбору Один і той самий вхід → один і той же шматок
Дослідження Зареєструйте те, що ви обрали , чому M SK2 і що ви відкинули

Якщо ви можете't пояснити, чому був відібраний кусочок


Трубопровод

flowchart TB
    URL[URL] --> Fetch[1. Fetch]
    Fetch --> Clean[2. Clean]
    Clean --> Chunk[3. Chunk]
    Chunk --> Select[4. Select]
    Select --> LLM[LLM]
    LLM --> Answer[Answer]
    
    Fetch -.->|"57KB HTML"| Clean
    Clean -.->|"6KB text"| Chunk
    Chunk -.->|"5 chunks"| Select
    Select -.->|"2 chunks"| LLM
    
    style Select stroke:#e74c3c,stroke-width:3px
    style Clean stroke:#f39c12,stroke-width:3px

Кожен крок зменшує дані. До того часу, як LLM побачить цеMSC1 виM SK2 перейшли від 57KB HTML до можливо 2KB релевантного текстуMST5 Кожне скорочення є втраченимМSK6 Кожна скорочення може відкинути відповідьMSL7 Це той самий шаблон, який я використовую для аналіз великих файлів CSV - причини LLM , ваш код обчислює і вибирає МSK2


Кілька прикладів

Впродовж цієї статті ми використовуватимемо один URL

https://learn.microsoft.com/en-us/dotnet/core/whats-new/dotnet-10/overview

А ще три питання, пов 'язані з зростанням спеціалізації:

  1. " Що нового в МSK2NET МSK3
  2. " Які покращення рівня продуктивності були згадані
  3. " Чи є щось на кшталт AOT ?"

Це зберігає приклади на основі і показує, як вибір має більше значення, коли питання стають конкретними.


Налагодження

# Install Ollama from https://ollama.ai
ollama pull llama3.2:3b

# NuGet packages
dotnet add package AngleSharp      # HTML parsing
dotnet add package OllamaSharp     # Ollama client (5.1.x)

OllamaSharp нота: В версії 5.xM SK2 GenerateAsync повертається IAsyncEnumerable<GenerateResponseStream?> - він поштовхує टोकони так, як вони згенеровані ' await foreach. Зразок проектних шпиль


Шаг 1: Перейти

Стандарт HTTP, але з деталями, які мають значення

public class WebFetcher : IDisposable
{
    private readonly HttpClient _http;
    
    public WebFetcher()
    {
        var handler = new HttpClientHandler
        {
            AllowAutoRedirect = true,
            MaxAutomaticRedirections = 5,  // Cap redirects
            AutomaticDecompression = DecompressionMethods.All
        };
        
        _http = new HttpClient(handler) { Timeout = TimeSpan.FromSeconds(30) };
        _http.DefaultRequestHeaders.Add("User-Agent", 
            "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36");
    }
    
    public async Task<string> FetchAsync(string url)
    {
        var response = await _http.GetAsync(url);
        
        // Bail if not HTML
        var contentType = response.Content.Headers.ContentType?.MediaType ?? "";
        if (!contentType.Contains("html") && !contentType.Contains("text"))
            throw new InvalidOperationException($"Not HTML: {contentType}");
        
        response.EnsureSuccessStatusCode();
        return await response.Content.ReadAsStringAsync();
    }
    
    public void Dispose() => _http.Dispose();
}

Що це обробляє: Перенаправляє МSK1 загортаєтьсяM SK2 стискається МSK3 закінчується часом , Пользователь

Що він не робить: Java-рендерінг , аутентифікація МSK2 обмеження швидкості M SK3 роботи MSC4 txt . Для виробництва MST6 додавати за MСК7 відхилення від домашнєї мережі та ievēroти правила клізації МСК8


Шаг 2: Чисти

Raw HTML - це, в основному, шум. Чисти його або ви витрачаєте टोकони на макет.

Типова сторінка:

57KB HTML → 6KB useful text (90% reduction)

Стратегія

flowchart LR
    HTML[Raw HTML] --> Remove[Remove Noise]
    Remove --> Find[Find Main Content]
    Find --> Extract[Extract Text + Headings]
    Extract --> Normalize[Normalize]
    
    Remove -.->|"script, style, nav, ads"| Find
    Find -.->|"main, article, .content"| Extract
    
    style Remove stroke:#e74c3c,stroke-width:3px
    style Find stroke:#f39c12,stroke-width:3px

Чиття є нестабільним - Рука з обережністю

Ваш прибиральник може повністю видалити відповідь. Поширені помилкиM SK1

  • Агресивні відбірники видаляють легітимний контент
  • Головний зміст має незвичайні класи (.article-body, .post-text)
  • Відповідь знаходиться в панелі збоку або в коробці для викликів

Ослаблення:

  • Залишити заголовки явно (h1-h6)
  • Позбутись роль і відома котлована, не широких моделей
  • Запис: шлях виділеного елементу МSK1 довжина тексту
  • Fallback: якщо головний контент підозрювано короткийM SK1 спробувати тіло
public class HtmlCleaner
{
    private readonly HtmlParser _parser = new();
    
    // Known noise - remove these entirely
    private static readonly string[] NoiseElements = 
        { "script", "style", "nav", "footer", "aside", "iframe", "noscript" };
    
    // Boilerplate patterns - remove by role, not aggressive wildcards
    private static readonly string[] NoiseSelectors = 
    {
        "[role='navigation']", "[role='banner']", "[role='complementary']",
        "[class*='cookie']", "[class*='newsletter']", "[aria-hidden='true']"
    };
    
    // Where to find content - order matters (most specific first)
    private static readonly string[] ContentSelectors = 
        { "main", "article", "[role='main']", ".content", ".post-content" };
    
    public CleanResult Clean(string html)
    {
        var doc = _parser.ParseDocument(html);
        
        // Remove noise
        foreach (var tag in NoiseElements)
            foreach (var el in doc.QuerySelectorAll(tag).ToList())
                el.Remove();
        
        foreach (var selector in NoiseSelectors)
            foreach (var el in doc.QuerySelectorAll(selector).ToList())
                el.Remove();
        
        // Find main content
        IElement? main = null;
        string? matchedSelector = null;
        
        foreach (var selector in ContentSelectors)
        {
            main = doc.QuerySelector(selector);
            if (main != null) { matchedSelector = selector; break; }
        }
        
        // Fallback to body if main content is suspiciously short
        var text = main?.TextContent ?? "";
        if (text.Length < 500 && doc.Body != null)
        {
            main = doc.Body;
            matchedSelector = "body (fallback)";
            text = main.TextContent;
        }
        
        return new CleanResult
        {
            Text = NormalizeWhitespace(text),
            MatchedSelector = matchedSelector ?? "none",
            OriginalLength = html.Length
        };
    }
    
    private string NormalizeWhitespace(string text)
    {
        text = Regex.Replace(text, @"[ \t]+", " ");
        text = Regex.Replace(text, @"\n\s*\n+", "\n\n");
        return text.Trim();
    }
}

public record CleanResult(string Text, string MatchedSelector, int OriginalLength);

Видобуток з читабельності ( відлікання абзацівM SK1 щільність тексту ) - це ціла кроликова діра МSK3 На даний момент МСК4 вибірник М СК5 базові види видобутку для документації та блогів M СК6 Проект зразка включає в себе екстрактор відліку, якщо вам це потрібно


Шаг 3:

У вас є 6KB чистого текстуM SK1 Чому б не надіслати все?

  • needle in haystack: LLM perform worse when relevant info is buried in large context
  • Ціна: Більше टोकенів = більше грошей та затримки
  • Концентрація: Вибрані фрагменти дають кращий аргумент, ніж будь-що одночасно

Strategiя збудування має більше значення, ніж ви думаєте. Статья про архітектуру РАГ - ті ж принципи apply whether you 're chunking web pages or documentsM SK2

Наївне речення

Це вихідний пункт, не код виробництваM SK1

public List<string> ChunkBySentence(string text, int maxTokens = 2000)
{
    var chunks = new List<string>();
    
    // WARNING: This breaks on abbreviations, decimals, URLs, code samples
    var sentences = text.Split(new[] { ". ", ".\n", "! ", "? " }, 
        StringSplitOptions.RemoveEmptyEntries);
    
    var current = new StringBuilder();
    var tokens = 0;
    
    foreach (var sentence in sentences)
    {
        var sentenceTokens = EstimateTokens(sentence);
        
        if (tokens + sentenceTokens > maxTokens && current.Length > 0)
        {
            chunks.Add(current.ToString().Trim());
            current.Clear();
            tokens = 0;
        }
        
        current.Append(sentence).Append(". ");
        tokens += sentenceTokens;
    }
    
    if (current.Length > 0)
        chunks.Add(current.ToString().Trim());
    
    return chunks;
}

// Rough estimate - OK for demos, not for billing
private int EstimateTokens(string text) 
    => (int)(text.Split(' ').Length * 1.3);

Чому це наївно?:

  • ". " відхилення на URL: "DrM SK1 Smith", "vMSC4
  • Оцінка символів за кількістю слів - ±20%
  • Немає перетинів між шматочками (не втрачає контексту на кордонахM SK1

Краще: ЗаголовокМSK1На основі

Для документації

public List<ContentChunk> ChunkByHeadings(string html)
{
    var doc = new HtmlParser().ParseDocument(html);
    var chunks = new List<ContentChunk>();
    
    var headings = doc.QuerySelectorAll("h1, h2, h3");
    
    foreach (var heading in headings)
    {
        var content = new StringBuilder();
        content.AppendLine(heading.TextContent);
        
        var sibling = heading.NextElementSibling;
        while (sibling != null && !sibling.TagName.StartsWith("H"))
        {
            content.AppendLine(sibling.TextContent);
            sibling = sibling.NextElementSibling;
        }
        
        chunks.Add(new ContentChunk
        {
            Heading = heading.TextContent.Trim(),
            Content = content.ToString().Trim(),
            HeadingLevel = int.Parse(heading.TagName[1..])
        });
    }
    
    return chunks;
}

Це зберігає структуру dokumentu і робить вибір більш значущим.


Шаг 4: вибрати

Це місце, де трапляються найбільші невдачі.

У вас є chunks 5 chunks

flowchart TB
    Q["Question: What perf improvements?"] --> Score[Score Each Chunk]
    
    subgraph Chunks
        C1["Chunk 1: Overview..."] 
        C2["Chunk 2: Runtime perf..."]
        C3["Chunk 3: Libraries..."]
        C4["Chunk 4: SDK changes..."]
    end
    
    Score --> C1
    Score --> C2
    Score --> C3
    Score --> C4
    
    C2 -->|"score: 3"| Top[Selected]
    C3 -->|"score: 1"| Top
    
    style C2 stroke:#27ae60,stroke-width:3px
    style C1 stroke:#95a5a6,stroke-width:2px,stroke-dasharray: 5 5
    style C4 stroke:#95a5a6,stroke-width:2px,stroke-dasharray: 5 5

Погони з ключевыми словами (Simple, DebuggableM SK2

public record ScoredChunk(string Content, string? Heading, int Score, List<string> MatchedKeywords);

public List<ScoredChunk> SelectByKeywords(
    List<ContentChunk> chunks, 
    string question, 
    int topK = 3)
{
    // Normalize and filter stopwords
    var keywords = question.ToLower()
        .Split(' ', StringSplitOptions.RemoveEmptyEntries)
        .Where(w => w.Length > 3)
        .Where(w => !Stopwords.Contains(w))
        .Select(w => w.Trim(',', '.', '?', '!'))
        .Distinct()
        .ToList();
    
    var scored = chunks.Select(chunk =>
    {
        var text = (chunk.Heading + " " + chunk.Content).ToLower();
        var matched = keywords.Where(kw => text.Contains(kw)).ToList();
        
        // Boost if keyword appears in heading
        var headingBoost = chunk.Heading != null && 
            keywords.Any(kw => chunk.Heading.ToLower().Contains(kw)) ? 2 : 0;
        
        return new ScoredChunk(
            chunk.Content, 
            chunk.Heading, 
            matched.Count + headingBoost,
            matched
        );
    })
    .OrderByDescending(x => x.Score)
    .Take(topK)
    .ToList();
    
    // LOG THIS - it's your debugging lifeline
    foreach (var s in scored)
        Console.WriteLine($"  [{s.Score}] {s.Heading ?? "(no heading)"}: {string.Join(", ", s.MatchedKeywords)}");
    
    return scored;
}

private static readonly HashSet<string> Stopwords = new()
    { "what", "how", "does", "the", "are", "is", "in", "for", "of", "to", "and" };

Найголовніші покращення щодо наївного підрахунку:

  • Виведення застережень (на противагу цьому МSK1щоM SK2 і " те, що МSK4 завжди співпадає з мSK5
  • Підштовхування заголовка (структурний сигналM SK1
  • Ввімкнемо співпадні ключові слова - це ваша лінія для розв 'язання проблем

Вбудова-На основі (СемантикаM SK2

Keywords fail on synonyms. "perfM SK2 wonMSC3t match "performance improvements

Вбудова знаходить семантичні подібності. Якщо ви хочете глибше вивчити вбудова та векторний пошукM SK1 Я розповім про це детальніше у Серія зразків RAG і пошук семантики з комп 'ютером ONNX.

public async Task<List<ScoredChunk>> SelectByEmbedding(
    List<ContentChunk> chunks, 
    string question, 
    int topK = 3)
{
    var questionEmbed = await EmbedAsync(question);
    
    // Cache these per URL in production
    var scored = new List<(ContentChunk Chunk, double Score)>();
    
    foreach (var chunk in chunks)
    {
        var chunkEmbed = await EmbedAsync(chunk.Content);
        var similarity = CosineSimilarity(questionEmbed, chunkEmbed);
        scored.Add((chunk, similarity));
    }
    
    return scored
        .OrderByDescending(x => x.Score)
        .Take(topK)
        .Select(x => new ScoredChunk(x.Chunk.Content, x.Chunk.Heading, (int)(x.Score * 100), new()))
        .ToList();
}

private async Task<double[]> EmbedAsync(string text)
{
    var request = new EmbedRequest { Model = "nomic-embed-text", Input = [text] };
    var response = await _ollama.EmbedAsync(request);
    return response.Embeddings.First().ToArray();
}

Торгівля:

  • Ключевые слова: швидке , непошкодливе M SK2 літеричне співпадіння
  • Embeddings: Semantic, але повільніше і потребує шифрування

Для виробництва, вбудова в кэші на M SK1URL, chunk hash ) в SQLite або в векторній базі даних, як Кдрант.


Пересилання до LLM

Структурувати про prompt, щоб примусити джерело- обмежені відповіді з цитатоюM SK1

public string BuildPrompt(string url, List<ScoredChunk> chunks, string question)
{
    var sb = new StringBuilder();
    
    sb.AppendLine("You are answering a question using ONLY the content below.");
    sb.AppendLine("Rules:");
    sb.AppendLine("- Answer ONLY from the provided sources");
    sb.AppendLine("- Cite which SOURCE number supports each claim");
    sb.AppendLine("- Include 1-2 brief quotes as evidence");
    sb.AppendLine("- If the answer isn't in the sources, say 'Not enough information'");
    sb.AppendLine("- End with Confidence: High/Medium/Low");
    sb.AppendLine();
    
    for (int i = 0; i < chunks.Count; i++)
    {
        sb.AppendLine($"=== SOURCE {i + 1} ===");
        if (chunks[i].Heading != null)
            sb.AppendLine($"Section: {chunks[i].Heading}");
        sb.AppendLine($"From: {url}");
        sb.AppendLine(chunks[i].Content);
        sb.AppendLine();
    }
    
    sb.AppendLine($"Question: {question}");
    sb.AppendLine();
    sb.AppendLine("Answer (with citations and confidence):");
    
    return sb.ToString();
}

Це рухається від "сумок записівM SK1 до МSK2аналіз з провинцією."

Звук Оллами

public async Task<string> AskAsync(string prompt)
{
    var request = new GenerateRequest { Model = "llama3.2:3b", Prompt = prompt };
    
    var response = new StringBuilder();
    await foreach (var chunk in _ollama.GenerateAsync(request))
    {
        if (chunk?.Response != null)
            response.Append(chunk.Response);
    }
    
    return response.ToString().Trim();
}

Це використання інструмента

Те, що ми створили - це модель агента без рамок. чому я віддаю перевагу цьому підходу, ніж Ланг-Шейну - експлуатна оркестрація перевершує магічні абстракції при виправленні проблем

flowchart LR
    subgraph Tools["Tools (Deterministic)"]
        T1[fetch_url]
        T2[clean_html]
        T3[chunk_text]
        T4[select_relevant]
    end
    
    subgraph LLM["LLM (Reasoning)"]
        R[Interpret + Answer]
    end
    
    T1 --> T2 --> T3 --> T4 --> R
    
    R -->|"Low confidence"| Retry[Retry with different selection]
    Retry --> T4
    
    style T4 stroke:#e74c3c,stroke-width:3px
    style R stroke:#3498db,stroke-width:3px

Рупка: якщо рівень довіри низькийM SK1 повторюй з більшою кількістю фрагментів або різними ключеними словами.

var answer = await AskAsync(prompt);

if (answer.Contains("Not enough information") || answer.Contains("Confidence: Low"))
{
    // Retry with more chunks
    var moreChunks = SelectByKeywords(allChunks, question, topK: 5);
    answer = await AskAsync(BuildPrompt(url, moreChunks, question));
}

Що пішло не так

flowchart TB
    subgraph Failures["Failure Modes"]
        F1[Cleaner removes content]
        F2[Chunking breaks mid-thought]
        F3[Selection picks wrong chunks]
        F4[LLM hallucinates connections]
    end
    
    F1 --> R1["'Not enough info' - answer existed"]
    F2 --> R2["Partial answer - context lost"]
    F3 --> R3["Wrong answer - right content skipped"]
    F4 --> R4["Confident but wrong"]
    
    style F3 stroke:#e74c3c,stroke-width:3px

Правила виправлення:

Якщо відповідь неправильна, то це майже завжди так: вибір був неправильним, не тому, що модель провалилась

Виліковування списку перевірок

  1. Запису selected chunk IDs and scores
  2. Покажіть, які ключові слова співпадуть ( або відстані вмонтуванняM SK1
  3. Повторюйте конкретну про prompt що було відправлено
  4. Порівняйте: Чи був правильним змістом у прийманому HTML ? Чистий текст МSK2 Будь-який шматок ?

Як правило, це не "'", а LLM .


Поєднати їх

public class WebAnalyzer : IDisposable
{
    private readonly WebFetcher _fetcher = new();
    private readonly HtmlCleaner _cleaner = new();
    private readonly OllamaApiClient _ollama = new(new Uri("http://localhost:11434"));
    
    public async Task<AnalysisResult> AnalyzeAsync(string url, string question)
    {
        // 1. Fetch
        var html = await _fetcher.FetchAsync(url);
        
        // 2. Clean (with observability)
        var cleaned = _cleaner.Clean(html);
        Console.WriteLine($"Cleaned: {cleaned.OriginalLength} → {cleaned.Text.Length} bytes ({cleaned.MatchedSelector})");
        
        // 3. Chunk
        var chunks = ChunkByHeadings(html);
        Console.WriteLine($"Chunks: {chunks.Count}");
        
        // 4. Select (with logging)
        Console.WriteLine("Selection scores:");
        var selected = SelectByKeywords(chunks, question, topK: 3);
        
        // 5. Prompt + LLM
        var prompt = BuildPrompt(url, selected, question);
        var answer = await AskAsync(prompt);
        
        return new AnalysisResult
        {
            Answer = answer,
            ChunksUsed = selected.Count,
            SelectionScores = selected.Select(s => s.Score).ToList()
        };
    }
    
    public void Dispose() => _fetcher.Dispose();
}

Використовування з нашим прикладом

using var analyzer = new WebAnalyzer();

var result = await analyzer.AnalyzeAsync(
    "https://learn.microsoft.com/en-us/dotnet/core/whats-new/dotnet-10/overview",
    "What performance improvements are in .NET 10?"
);

Console.WriteLine(result.Answer);

Результати включають цитати та довіру:

Based on SOURCE 1 and SOURCE 2:

.NET 10 includes several performance improvements:
- JIT improvements including better inlining and method devirtualization (SOURCE 1)
- "Enhanced loop inversion for better optimization" (SOURCE 1)
- NativeAOT enhancements for improved code generation (SOURCE 2)

Confidence: High

Коли це працює? ( і не працює?

працює добре МSK1 не працює МSK2 не спрацьовує
Документація JavaScript SPAs МSK2
Статьи на блогіM SK1 статті МSK2 Динамічний МSK3 інтерактивний контент
Технические знаряддя
Статичний HTML Аuthenticated content МSK2

Для JS-heavy sites, вам потрібно Playwright для .NET.


Головний принцип

flowchart LR
    subgraph Your["Your Code's Job"]
        direction TB
        F[Fetch reliably]
        C[Clean carefully]
        S[Select correctly]
        O[Observe everything]
    end
    
    subgraph LLM["LLM's Job"]
        direction TB
        R[Reason over what you gave it]
        A[Admit when it doesn't know]
    end
    
    Your --> LLM
    
    style S stroke:#e74c3c,stroke-width:3px
    style R stroke:#3498db,stroke-width:3px

LLM може пояснити тільки те, що ви йому дали.

Не питайте LLM про перегляд


Полне зразок проекту

Полне введення в дію: Найяскравіший.LlmWebFetcher

У тому числі:

  • WebFetcher - HTTP з правильною технікою
  • HtmlCleaner - Уникнення шуму + стратегії відхилення
  • ContentChunker - По Sentence і Heading
  • WebContentAnalyzer - Полна труба з журналуванням
  • OllamaExtensions - Помощник для потокових відповідей
cd Mostlylucid.LlmWebFetcher
dotnet run

Ресурс

Бібліотеки

ЛЛМ

Подібні статті

Microsoft AI Stack

Finding related posts...
logo

© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.