返回首页
24小时热榜
许多人工智能编码工具的评测主要集中在网页开发上。我很好奇，系统程序员在使用 C、Rust、Zig、C++ 等语言时更倾向于哪些工具？
多年来，我对社交媒体和互联网有些上瘾。不过，我从未想过删除这些应用，因为我用它们来与朋友保持联系。
因此，我创建了TimeCap。这是一款可以去除任何社交媒体上令人上瘾部分的应用（支持Instagram、Twitter、YouTube、LinkedIn、TikTok和Reddit），同时保留非算法推荐的内容。它是完全可定制的，确实让我每天的屏幕使用时间减少到不到1小时。
对于一个社交媒体平台，使用是免费的，而同时支持无限平台的费用为每年29.99美元。如果你需要高级版本但负担不起，请给我发消息，我会帮你解决。
期待你的反馈 :)
你好，
我是一支小团队的一员，我们正在开发TalkBI，这是一款基于人工智能的商业智能工具，目前处于公开测试阶段。
TalkBI可以连接到PostgreSQL，用户可以通过自然语言查询数据，而无需编写SQL。同时，它还可以对数据进行可视化，以便更容易理解结果（用于报告）。
我们主要为小型团队和初创企业（如市场营销人员、产品经理、销售或运营人员）构建这个工具，他们需要访问数据但不懂SQL。
我们计划在三月份正式上线，非常希望能得到社区的诚实反馈——特别是关于实用性、局限性，以及它是否真的解决了现有商业智能工具所面临的实际问题。
如果你想尝试，可以在这里找到测试用的演示数据集：https://talk.bi/
欢迎提问，也期待批评意见。
核心功能
智能行程规划 - 创建和管理旅行，自动生成行程
人工智能增强 - 通过多个大型语言模型提供者的建议来提升您的旅行体验
预算跟踪 - 通过可视化预算概览跟踪旅行支出
基于位置的建议 - 根据您的位置和预算获取目的地推荐
多币种支持 - 支持20多种货币并自动识别
行李清单生成器 - 根据旅行细节自动提供打包建议
年度规划器 - 以可视化日历的形式查看您所有的旅行安排
大家好——我正在进行一项简短的匿名研究调查，旨在了解导致意外基础设施支出的因素，以及团队真正重视哪些能力（例如，成本归属、每条路线的费用、前后影响、保护措施、标准修复）。<p>如果您在企业架构、平台或财务运营相关的角色中工作，我非常希望能听到您的意见。<p>调查（5-7分钟）：https://tally.so/r/zx77eR<p>调查结束后，我很乐意将汇总结果分享给大家。联系信息在最后是可选的。<p>谢谢！
纳米香蕉演示编辑器
我分析了在一天内进行的8个Claude Code会话的JSONL日志。我原本预期计划好的会话会更高效，但没想到效率竟然提高了3倍。<p><a href="https://seanfloyd.dev/blog/claude-code-post-mortem" rel="nofollow">https://seanfloyd.dev/blog/claude-code-post-mortem</a>
我一直在碰壁：在 NumPy 或 PyTorch 中原型设计一些东西，然后为了边缘部署将其重写为 C++。重写的过程总是比最初的工作耗时更长。Eigen 的固定大小矩阵 API 无法映射到张量工作负载，xtensor 仅支持 CPU，且使用编译时模板类型，导致错误信息难以阅读，并且它们在 Mac 上都不支持 GPU。更糟糕的是，Eigen 的性能通常比 Python 版本还要慢，因为 PyTorch 打包了优化过的 BLAS，而 Eigen 则使用其自身有限的实现。
因此，我构建了 Axiom，使得重写过程变得机械化。该 API 尽可能接近 NumPy/PyTorch——相同的方法名称、广播规则、运算符重载、动态形状、运行时数据类型。在 PyTorch 中看起来是这样的代码：
```python
scores = Q.matmul(K.transpose(-2, -1)) / math.sqrt(64)
output = scores.softmax(-1).matmul(V)
```
在 Axiom 中看起来是这样的：
```cpp
auto scores = Q.matmul(K.transpose(-2, -1)) / std::sqrt(64.0f);
auto output = scores.softmax(-1).matmul(V);
```
没有心理翻译，也没有调试微妙的 API 差异。
箱子里的内容（28,000 行代码）：
- 100 多个操作：算术运算、归约、激活函数（relu、gelu、silu、softmax）、池化、FFT、完整的 LAPACK 线性代数（SVD、QR、Cholesky、特征分解、求解器）
- 通过 MPSGraph 的 Metal GPU——所有操作都在 GPU 上运行，而不仅仅是矩阵乘法。编译的图形通过（形状，数据类型）进行缓存，以避免重新编译
- 无缝的 CPU ↔ GPU：`auto g = tensor.gpu();`——Apple Silicon 上的统一内存完全避免了复制
- 内置 einops：`tensor.rearrange("b h w c -> b c h w")`
- 跨架构的高速 SIMD（NEON、AVX2、AVX-512、SSE、WASM、RISC-V）
- 通过变体支持运行时数据类型（可读的错误，而不是模板爆炸）
- 默认行优先，支持通过 as_f_contiguous() 进行列优先
- 在 macOS、Linux、Windows 和 WebAssembly 上运行
在 M4 Pro 上的性能（与使用 OpenBLAS 的 Eigen、PyTorch、NumPy 比较）：
- 矩阵乘法 2048×2048：3,196 GFLOPS（Eigen 2,911 / PyTorch 2,433）
- ReLU 4096×4096：123 GB/s（Eigen 117 / PyTorch 70）
- FFT2 2048×2048：14.9ms（PyTorch 27.6ms / NumPy 63.5ms）
尝试方法：
```bash
git clone https://github.com/frikallo/axiom.git
cd axiom && make release
```
或者通过 FetchContent 将其添加到您的 CMake 项目中。示例文件位于 examples/ 目录中。
欢迎提问有关内部实现的问题或对 API 的反馈。