最新

嗨，HN社区，我是Venkatram，一名大二学生，正在致力于构建一个本地替代品，以取代专有的第三方基于AI的研究助手。 这个想法是将文档转变为可研究的资产，包含与原始信息一样多的信息，但更具可重用性。 老实说，这个项目仍在进行中，我还在摸索如何正确使用它。坦白说，我确实需要一些帮助来构建这个项目，所以如果你愿意，欢迎加入我！ 总结一下：NotebookLM，但在本地使用你自己的AI模型。 GitHub链接：https://github.com/venkatram-s/gigabook-lm

嗨，HN， 我开发了这个数字版的 Tiao，一款双人回合制策略棋盘游戏。可以把它想象成跳棋与围棋的结合。它是免费的，可以在浏览器中运行，支持多人游戏、人工智能、棋盘模式以及许多其他有趣的功能。源代码托管在 GitHub（AGPL 许可证）。 这款游戏最初是由我的朋友 Andreas Edmeier 设计的。他创建了游戏规则，并多年来一直在进行游戏测试和设计优化。我为它搭建了网站。核心部分在大约两周内使用 TypeScript、Next.js、Express、Socket.io 和 MongoDB 开发完成。整个应用已完全容器化，部署在 Hetzner VPS 上，并使用 Coolify 进行管理。采用 better-auth 进行身份验证，支持实时游戏、ELO 匹配、OpenPanel 分析，以及一个功能齐全的成就系统。 来玩吧： [https://playtiao.com](https://playtiao.com) 源代码： [https://github.com/trebeljahr/tiao](https://github.com/trebeljahr/tiao) 我很乐意回答关于技术、游戏设计或其他任何问题。 我希望更多的人能玩这款游戏，因为我认为它真的很有趣，也希望有一天能看到人们在围棋棋盘上或在手机/电脑上玩这个游戏。 祝一切顺利！

大多数RAG（检索增强生成）设置失败的原因在于它们将记忆视为一个静态的文件柜。当每一个临时的bug修复或被放弃的规则都被永久存储时，最终上下文窗口会被噪声淹没，导致token成本激增并降低代理的推理能力。 该实现采用了一种生物学的方法，通过使用艾宾浩斯遗忘曲线来管理上下文，视其为一个活的基质。记忆被赋予一个“强度”评分，每次回忆都会强化数据并平坦其衰减曲线（间隔重复），而未使用的数据最终会达到一个阈值并被修剪。 为了解决“逻辑邻居”问题，即语义搜索遗漏相关但不相似的节点，在向量存储上叠加了一个图层。与LoCoMo数据集进行基准测试时，该方法达到了52%的Recall@5，几乎是无状态向量存储准确度的两倍，同时将token浪费减少了约84%。 该系统作为一个以本地优先的MCP（多通道处理）服务器，使用DuckDB构建，假设对于处理长期项目的代理而言，“忘记什么”与“记住什么”同样重要。我很想听听其他人是否在探索非线性衰减或类似的生物学约束来进行上下文管理。 GitHub: [https://github.com/sachitrafa/cognitive-ai-memory](https://github.com/sachitrafa/cognitive-ai-memory)

展示HN：AgentSwarms - 免费的实践平台，学习自主智能体AI，无需设置！