返回首页
最新
大家好！<p>我创建 Spikelog 是因为我一直想跟踪一些简单的数字，但每次查看正式的可观测性工具时，都会被复杂的设置所困扰。我想做一个使用起来不需要太多思考的工具。<p>Spikelog 的设计尽可能简单：<p>- 发送一个包含图表名称和数值的 JSON（你也可以添加一些标签，但我还没有测试这个部分是否有效）<p>- 图表会自动生成<p>- 每个图表有 1000 个点的滚动窗口（旧数据会过期，没有保留配置）<p>- 最多支持 10 个图表<p>这基本上就是整个产品。<p>我用 Cursor 大约花了一天时间构建它。API 故意设计得很简约，以便 AI 助手也能使用。<p>我有一个提示，可以让你的编码助手分析代码库并自动添加跟踪（在你批准计划后）。<p>我用它让 Spikelog 自我跟踪：<a href="https://spikelog.com/p/spikelog" rel="nofollow">https://spikelog.com/p/spikelog</a><p>目前还没有警报功能（这是下一个目标），没有复杂的聚合，也没有超出自动生成图表的仪表板。如果你需要真正的可观测性，可以使用 Axiom 或 Datadog 这样的全面工具。这是为那些只想知道某个数字是上升还是下降，而不想自己构建这个功能的人准备的。也就是说，他们希望得到比仅仅记录数字稍微好一点的东西。<p>你还可以公开分享这些图表，如果有需求，我可能会添加一些密码保护功能。<p>我还没有在高负载下进行过严格测试。滚动窗口的删除方式比较简单（在插入时删除最旧的数据点）。可能还有一些边缘情况我还没有遇到。<p>欢迎反馈，特别是如果你尝试后遇到任何问题。
嘿，HN，我们是Maya和Riles，我们正在开发Orkera（orkera.com）；这是一个MCP工具，可以通过提示创建和管理后端基础设施。它处理数据库的创建和管理、部署、定时任务以及环境设置，所有这些都可以通过您的编码代理发出的MCP调用来完成。
<p>演示视频：<a href="https://youtu.be/runSblXCYD0" rel="nofollow">https://youtu.be/runSblXCYD0</a>
<p>我们为什么要构建它：
我们是巴黎创业社区的一部分，发现了一个共同的瓶颈：人们可以快速构建前端或最小可行产品（尤其是使用Cursor、Claude、Gemini），但一旦想要与用户分享，就会遇到DevOps的障碍：设置虚拟机、创建数据库、配置部署、选择域名等。
<p>我们希望让这个步骤消失。
因此，我们构建了Orkera：一个基于MCP的后端层，像Cursor、Claude Code和Gemini CLI这样的工具可以调用它来自动创建基础设施和部署应用。
<p>目前的功能：
- 创建和管理数据库，
- 无需云设置即可部署Web应用，
- 处理类似cron的定时任务，
- 通过MCP管理环境
所有这些都可以在您的vibecoding工具内完成。
<p>我们在寻找什么：
这是第一个公开版本（经过一些早期反馈循环），我们希望能找到测试者，告诉我们缺少什么、哪些地方感觉奇怪，以及哪些地方应该更透明或可配置。
<p>设置：
让Orkera运行很简单；注册以获取API密钥，然后将MCP端点添加到您的编辑器中。我们在orkera.com上发布了Cursor、Claude Code和Gemini CLI的小型设置指南。
<p>感谢您抽出时间查看，我们非常欢迎反馈、批评和建议。
大家好！我创建了 PyTorch-World，这是一个用于学习、训练和实验世界模型的模块化库。
在研究世界模型的过程中，我注意到每篇新论文都会引入一系列新的组件和架构，但核心结构却出奇地保持一致。然而，之前并没有一个简单的方法来替换这些组件、独立实验它们，或者理解它们如何相互作用以形成完整的世界模型。
PyTorch-World 旨在解决这个问题：它提供了一个干净、模块化的框架，您可以在其中插入不同的组件，比较不同的方法，并从内部了解世界模型的工作原理。
新版本即将推出，这是 v0.0.3！
您也可以通过 pip 安装该库，链接如下：
[https://pypi.org/project/pytorch-world/](https://pypi.org/project/pytorch-world/)
目前该库支持 Google 的 PlaNet 世界模型，以下是用于在 CartPole-v1 环境中训练模型的代码：
```python
from world_models.models.planet import Planet
p = Planet(env="CartPole-v1", bit_depth=5, headless=True, max_episode_steps=100, action_repeats=1, results_dir="my_experiment")
p.train(epochs=1)
```
我认为 .env 文件适合存储非敏感配置，但一旦有几个工程师、机器，或者一个工程师同时处理多个项目，它们就不适合用来存储真正的机密信息。
我在大大小小的科技公司工作过，见过以下情况：
1. .env 文件是明文凭证的堆放地。
2. 团队通过 Slack 共享 .env 文件，最终导致内容不一致。
3. 意外提交 .env 文件。
因此，我开发了 envmap，这是一个小型命令行工具，可以管理和注入本地的环境变量键值，并支持 AWS、Vault 和 1Password 等后端作为可信源。我使用这个工具，并删除了我的 .env、.env.example 和 .env.production（我真是个糟糕的例子）。
欢迎任何反馈和贡献！