最新

嗨，HN， 我发布了 LLM Newsletter Kit，这是一个经过生产测试的 TypeScript 工具包，旨在构建 AI 驱动的新闻通讯管道。它涵盖了整个生命周期：爬取 → 分析 → 生成 → 交付。 背景：我是一名转行的考古学家，现在是一名工程师。我为“研究雷达”（一份文化遗产新闻通讯）构建了这个引擎，以自动化我自己的手动研究聚合。目前，它的点击率保持在 15%，几乎不需要维护，每期成本约为 0.20-1 美元。 核心功能： “自带爬虫”：异步注入让您可以使用 Cheerio、Puppeteer 或基于 LLM 的解析器，而不受框架限制。 基于提供者的依赖注入：通过干净的接口更换爬取、分析或存储组件。 以生产为先：100% 测试覆盖率，内置重试机制、成本控制和可观察性。 技术栈：TypeScript ESM、LangChain 可运行组件、Vercel AI SDK（结构化输出）和 Zod。 为什么选择代码而不是无代码？为了优化成本和质量，您需要对上下文窗口、令牌限制和重试策略进行细致控制。这个工具包允许进行高级工作流程（例如，自我反思循环），而这些在拖放工具中往往成本高昂或不可能实现。 链接： 代码（GitHub）：[https://github.com/kimhongyeon/heripo-research-radar](https://github.com/kimhongyeon/heripo-research-radar) 实时示例：[https://heripo.com/research-radar-newsletter-example.html](https://heripo.com/research-radar-newsletter-example.html) npm: @llm-newsletter-kit/core 我期待您对架构和开发体验的反馈！

我构建这个工具是为了真正地利用自己。我有一个完全越狱的模型，具有10K的上下文窗口。我试图探索在相同设置下，哪些模型不会二进制拒绝我的模型接受和回答的提示。然后我意识到这可能非常有用，似乎可以作为一个用于AI聊天的Github Gist工具。<p>虽然有一些奇怪的bug，但它仍然很有帮助。我需要回去继续构建我的模型，但我分享这个，以防有人觉得它有用。